Как Google предсказывает ваш следующий запрос на основе контента, который вы просматриваете, и истории поиска других пользователей

Термины и определения

Active Resource (Активный ресурс)

Контент, который в данный момент отображается на устройстве пользователя (например, веб-страница, документ, интерфейс приложения, текстовая переписка).

Contextual Information Server (Сервер контекстной информации)

Система, обрабатывающая запросы на контекстную информацию и генерирующая рекомендации запросов.

First Set of Queries (Первый набор запросов, Q1)

Набор запросов, сгенерированных непосредственно из контента Active Resource.

Query-independent request (Запрос, не зависящий от введенного пользователем запроса)

Запрос на контекстную информацию, инициированный пользователем без явного ввода поисковых терминов (например, с помощью жеста, долгого нажатия кнопки).

Quality Score (Оценка качества)

Метрика, присваиваемая запросам из Second Set of Queries. Отражает уверенность системы в том, что данный запрос удовлетворит информационную потребность пользователя. Рассчитывается на основе частоты переходов, визуального оформления исходного текста и других факторов.

Search Query Logs (Журналы поисковых запросов)

База данных, хранящая историю поисковых запросов пользователей. Используется для анализа последовательностей запросов.

Second Set of Queries (Второй набор запросов, Q2)

Набор запросов, сгенерированных на основе First Set of Queries путем анализа Search Query Logs. Это запросы, которые пользователи исторически вводили после запросов из первого набора.

Visual Appearance (Визуальное представление/оформление)

Характеристики отображения текста на экране (шрифт, размер, цвет, форматирование, позиция), которые используются для оценки важности контента при расчете Quality Score.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления контекстной информации и ключевые факторы оценки.

1. Система получает query-independent request, относящийся к active resource на устройстве пользователя. Запрос не включает параметры, введенные пользователем.
2. Генерируется первый набор запросов (Q1) на основе терминов из отображаемого контента.
3. Генерируется второй набор запросов (Q2) с использованием search query logs. Q2 состоит из запросов, которые другие пользователи ранее отправляли после отправки запросов из Q1.
4. Система определяет, был ли конкретный запрос из Q2 отправлен после нескольких разных запросов из Q1 (например, Q2 следовал и за Q1a, и за Q1b).
5. Если да, рассчитывается aggregate number of times (агрегированное количество раз) — сумма частот, с которой Q2 следовал за Q1a и Q1b.
6. Определяется Quality Score для каждого запроса в Q2. Оценка основывается как минимум на:
   • Visual appearance (визуальном оформлении) терминов в контенте, из которых был сгенерирован исходный запрос Q1.
   • Рассчитанном aggregate number of times (для запросов, следующих за несколькими Q1).
7. Выбираются один или несколько запросов из Q2 на основе их Quality Scores.
8. На устройство пользователя отправляется user interface element, содержащий выбранный запрос и контекстную информацию.

Claim 3 (Зависимый): Уточняет, что второй набор запросов (Q2) может включать запросы, которые НЕ содержат терминов, присутствующих в отображаемом контенте. Это критически важный пункт, показывающий, что система моделирует концептуальные переходы на основе поведения, а не только текстовые совпадения.

Claim 7 (Зависимый): Уточняет, что Quality Score также определяется на основе качества результатов поиска (quality of search results), которые возвращаются в ответ на запрос Q2.

Claim 22 (Зависимый): Уточняет, что Quality Score может основываться на наименьшем среднем времени (lowest average time) между отправкой Q1 и последующей отправкой Q2 (скорость перехода).

Где и как применяется

Изобретение функционирует как отдельный сервис (Contextual Information Server), который взаимодействует с устройством пользователя и использует данные, накопленные поисковой системой.

QUNDERSTANDING – Понимание Запросов
Это основная область применения. Система полагается на глубокий анализ исторических данных о поведении пользователей (search query logs) для понимания взаимосвязей между запросами и прогнозирования намерений. Процесс генерации Second Set of Queries — это форма моделирования пути пользователя (User Journey Modeling) и предсказания следующего интента на основе коллективного поведения.

INDEXING – Индексирование и извлечение признаков (Косвенно)
Система учитывает visual appearance (визуальное оформление) терминов (Claim 1). Это подразумевает, что информация о структуре и стилях (например, заголовки, выделенный текст) либо сохраняется во время индексации, либо анализируется в реальном времени из данных, полученных от устройства (например, через DOM model).

Входные данные:

• Query-independent request с устройства пользователя.
• Данные об Active Resource (Скриншот, DOM model, URL, текст, метаданные).
• Search Query Logs (используются на сервере для анализа последовательностей).
• Данные о качестве результатов поиска для потенциальных рекомендаций.

Выходные данные:

• User Interface Element (например, контекстная карточка), содержащий рекомендованные запросы (из Second Set of Queries) и ссылки для их выполнения.

На что влияет

• Типы контента: Влияет на взаимодействие пользователя с любым отображаемым контентом (веб-страницы, приложения, текстовые переписки).
• Специфические запросы: Система направлена на генерацию информационных, исследовательских и транзакционных запросов, которые логически следуют из текущего контекста потребления контента.
• Форматы контента: Наибольшее влияние на текстовый контент (статьи, обзоры), где система может анализировать термины и их визуальное представление для определения контекста.

Когда применяется

• Триггеры активации: Система активируется только по явному действию пользователя, которое интерпретируется как query-independent request (например, долгое нажатие кнопки, специфический жест, активация функции анализа экрана).
• Условия применения: Применяется, когда система может сгенерировать First Set of Queries из контента и найти для них релевантные последующие запросы (Second Set of Queries) в Search Query Logs, которые удовлетворяют пороговому значению Quality Score.

Пошаговый алгоритм

1. Получение запроса: Contextual Information Server получает query-independent request от устройства пользователя с данными об Active Resource (например, текст и его визуальное оформление).
2. Генерация первичных запросов (Q1): Query Generator анализирует контент. Он извлекает термины и генерирует первый набор запросов (Q1), комбинируя текст в различных сочетаниях (например, n-граммы).
3. Генерация последующих запросов (Q2): Subsequent Query Identifier анализирует Search Query Logs. Для каждого запроса в Q1 он определяет, какие запросы (Q2) пользователи исторически отправляли следом.
4. Расчет базовых метрик: Для каждой пары (Q1 -> Q2) определяются метрики: частота перехода (frequency/number of transitions) и скорость перехода (average time).
5. Агрегация метрик: Если один и тот же запрос Q2 следует за несколькими запросами из Q1 (например, Q1a и Q1b), система агрегирует их метрики (например, суммирует частоту переходов – aggregate number of times).
6. Расчет Quality Score: Quality Scoring Engine рассчитывает оценку качества для каждого запроса в Q2. При расчете учитываются:
   • Агрегированная частота и скорость переходов.
   • Визуальное оформление (visual appearance) терминов в Active Resource, из которых был сгенерирован Q1 (например, тексту в заголовках придается больший вес).
   • Качество и количество результатов поиска для Q2.
   • Общая популярность запроса Q2.
7. Выбор рекомендаций: Query Selection Engine выбирает запросы из Q2, чьи Quality Scores превышают установленный порог, или выбирает Топ-N запросов.
8. Формирование ответа: Contextual Card Provider формирует User Interface Element (карточку) с выбранными запросами и отправляет его на устройство пользователя.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных о контенте и исторических данных о поведении пользователей.

• Контентные и Структурные факторы: Текст из Active Resource. Система анализирует комбинации терминов (n-grams).
• Технические факторы (Визуальное представление): Visual appearance терминов критически важен (Claim 1). Система учитывает размер, цвет, позицию, шрифт, форматирование (например, выделение жирным, подчеркивание, расположение в центре как у заголовка). Эти данные могут передаваться через Document Object Model (DOM) или анализироваться из скриншота.
• Поведенческие факторы (Исторические): Search Query Logs являются основой изобретения. Анализируются последовательности запросов (Query Sequences), частота и скорость переходов между ними. Также учитывается поведение пользователей с результатами поиска (например, отсутствие последующих уточнений запроса).
• Пользовательские и Географические факторы: В запросе может учитываться местоположение пользователя (например, "Atlanta") или его идентичность для контекстуализации рекомендаций.

Какие метрики используются и как они считаются

• Frequency (Частота перехода): Количество или процент случаев, когда запрос Q2 был отправлен после запроса Q1.
• Aggregate Number of Times (Агрегированная частота): Сумма частот переходов для запроса Q2, если он следует за несколькими разными запросами Q1 (Claim 1).
• Speed of Submission / Lowest Average Time (Скорость отправки): Среднее время между отправкой Q1 и Q2. Более быстрые переходы могут получать более высокий вес (Claim 22).
• Quality of Search Results (Качество результатов поиска): Оценка качества и количества ресурсов, доступных по запросу Q2 (Claim 7).
• Popularity (Популярность): Текущая популярность запроса Q2 (например, за последнюю неделю).
• Quality Score (Итоговая оценка качества): Агрегированная метрика уверенности, рассчитываемая на основе вышеперечисленных факторов и веса, присвоенного на основе visual appearance исходного контента. В патенте упоминается функция $S(t, (r_j, t_{ij}))$