Как Google предлагает новый способ нелинейного поиска и потребления контента через многоосевой интерфейс

Термины и определения

Backgrounded (Переведенный в фон)

Состояние плитки, которая не находится в фокусе. Такие плитки отображаются менее заметно: меньшего размера, по краям экрана или с эффектом размытия (упоминается Bokeh technique).

Directional Input (Направленный ввод)

Ввод пользователя для перемещения фокуса (свайп, нажатие клавиши, голосовая команда, жест, движение взгляда).

Focus (Фокус)

Элемент GUI (плитка), который в данный момент выделен для привлечения внимания пользователя. Документ, соответствующий плитке в фокусе, называется in-focus document.

Foregrounded (Выведенный на передний план)

Состояние плитки, находящейся в фокусе. Она отображается крупно, четко и обычно в центре экрана.

Multi-axis GUI (Многоосевой графический интерфейс)

Интерфейс, позволяющий навигацию по контенту вдоль нескольких осей (например, X, Y, Z), где каждая ось может представлять свой тип связи между документами.

Non-linear Browser (Нелинейный браузер)

Приложение на клиентском устройстве, которое рендерит Multi-axis GUI и обеспечивает нелинейный способ просмотра документов.

Pseudo Queries / Background Queries (Псевдозапросы / Фоновые запросы)

Поисковые запросы, которые система формулирует автоматически на основе атрибутов in-focus document, без явного ввода со стороны пользователя. Используются для динамического заполнения соседних плиток.

Query Formulation Engine (Механизм формулирования запросов)

Компонент поисковой системы, ответственный за создание Pseudo Queries на основе анализа контента.

Selectable Tiles (Выбираемые плитки)

Элементы интерфейса в массиве GUI, каждый из которых представляет собой документ или ресурс и может быть выбран для доступа к нему.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы.

1. Генерация GUI с массивом плиток (array of selectable tiles), позволяющего навигацию по нескольким осям.
2. На основе ввода направления (directional input) система смещает фокус с первой плитки на вторую.
3. В ответ на это действие система формулирует как минимум два различных поисковых запроса (first and second distinct search queries). Запросы основаны на документе, соответствующем второй плитке (или третьей плитке, расположенной за второй – для предварительной загрузки).
4. Система получает первый и второй наборы документов, релевантных этим запросам.
5. Генерация обновленного GUI, включающего:
   • Первую фоновую плитку вдоль первой оси от второй плитки, соответствующую документу из первого набора.
   • Вторую фоновую плитку вдоль второй оси от второй плитки, соответствующую документу из второго набора.

Ядро изобретения — это динамическая генерация контента для исследования путем выполнения различных фоновых поисков, основанных на текущем контексте пользователя (документе в фокусе), и представление этих результатов в виде навигационной структуры с несколькими измерениями (осями).

Claims 5-9 (Зависимые): Детализируют типы атрибутов документа, используемых для формулирования поисковых запросов. Эти пункты критически важны для SEO, так как указывают, какие аспекты контента используются для генерации рекомендаций.

• Claim 5: Запрос включает одну или несколько тем (topics), связанных с документом.
• Claim 6: Запрос включает издателя (publisher) документа.
• Claim 7: Запрос ищет документы с тональностью или точкой зрения (sentiments or viewpoints), контрастирующими с документом в фокусе.
• Claim 8: Запрос включает одну или несколько сущностей (entities), упомянутых в документе.
• Claim 9: Запрос включает сущности, связанные в графе знаний (knowledge graph) с сущностями, упомянутыми в документе.

Claims 10-11 (Зависимые): Уточняют, как ранжируются документы в наборах результатов.

• Claim 10: Ранжирование основано на показателях популярности (measures of popularity).
• Claim 11: Ранжирование основано на показателях качества (measures of quality) плиток, сгенерированных из этих документов.

Где и как применяется

Этот патент описывает интерфейс и связанную с ним логику обработки запросов, затрагивая несколько этапов поиска в контексте специфического приложения для просмотра контента.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно проанализировать документы и извлечь ключевые атрибуты, которые позже будут использоваться для генерации Pseudo Queries: темы, издатель/автор, тональность/точка зрения, упомянутые сущности и их связи в Knowledge Graph.

QUNDERSTANDING – Понимание Запросов (Контекстное)
Основное применение. Query Formulation Engine интерпретирует не запрос пользователя, а контекст текущего документа в фокусе (in-focus document). Он анализирует его атрибуты и преобразует их в несколько различных структурированных Pseudo Queries.

RANKING – Ранжирование
Система выполняет сгенерированные Pseudo Queries. Ranking Engine отбирает и ранжирует документы для каждого запроса. В патенте упоминается, что ранжирование может основываться на релевантности, популярности и качестве.

METASEARCH / Presentation Layer (Уровень представления)
Presentation Engine и Non-linear Browser отвечают за рендеринг Multi-axis GUI. Они получают ранжированные списки результатов и используют их для генерации Selectable Tiles вдоль соответствующих осей вокруг плитки в фокусе.

Входные данные:

• Directional input от пользователя.
• Идентификатор и атрибуты текущего in-focus document (темы, сущности, издатель, тональность).

Выходные данные:

• Несколько наборов ранжированных поисковых результатов (по одному на каждый Pseudo Query).
• Обновленный GUI (Updated GUI) с новыми фоновыми плитками.

На что влияет

• Типы контента: Влияет на все типы индексируемого контента. Особенно актуально для информационного контента, новостей, обзоров и мнений, где важны связи по темам, авторам или точкам зрения.
• Специфические запросы: Механизм заменяет традиционные запросы навигацией. Он предназначен для исследовательских и информационных интентов (Browsing/Discovery).
• Конкретные ниши: Высокое влияние в сложных или спорных тематиках (например, политика, наука, YMYL), где пользователю может быть полезно увидеть контрастирующие точки зрения (Claim 7) или контент от авторитетных издателей (Claim 6).

Когда применяется

• Условия работы: Алгоритм работает в рамках специализированного интерфейса (Non-linear Browser или аналогичного режима просмотра).
• Триггеры активации: Активируется каждый раз, когда пользователь перемещает фокус (Focus Shift) с одной плитки на другую с помощью Directional Input.
• Частота применения: Динамически при каждом перемещении фокуса. Система также может выполнять предварительную загрузку (pre-fetching) контента для плиток, находящихся за пределами видимости (как описано в Claim 1).

Пошаговый алгоритм

Процесс обработки навигации пользователя

1. Инициализация GUI: Система генерирует начальный Multi-axis GUI с массивом плиток. Одна плитка устанавливается в фокус.
2. Ожидание и обработка ввода: Система получает Directional Input от пользователя (например, свайп).
3. Смещение фокуса: Фокус смещается с первой плитки на соседнюю (вторую) плитку. Вторая плитка переходит в состояние Foregrounded, первая – в Backgrounded.
4. Анализ контекста: Система идентифицирует новый in-focus document (вторая плитка) и извлекает его атрибуты (темы, издатель, сущности, тональность).
5. Формулирование запросов: Query Formulation Engine генерирует несколько различных Pseudo Queries на основе этих атрибутов. Каждый запрос соответствует определенной оси навигации.
6. Выполнение поиска и ранжирование: Система выполняет эти запросы и получает несколько наборов ранжированных результатов (учитывая релевантность, популярность, качество).
7. Генерация обновленного GUI: Система генерирует новые фоновые плитки для заполнения массива вокруг второй плитки. Каждая новая плитка берется из соответствующего набора результатов (обычно топ-1 результат для каждой оси).
8. Рендеринг: Обновленный GUI отображается пользователю.

Какие данные и как использует

Данные на входе

Система использует данные, извлеченные на этапе индексирования, для понимания контента и генерации фоновых запросов.

• Контентные факторы (NLP и Семантика):
  • Темы (Topics): Идентифицированные темы документа. Используются для поиска похожего контента (Claim 5).
  • Тональность и Точка зрения (Sentiments/Viewpoints): Оценка мнения или настроения. Используется для поиска контента с контрастирующей позицией (Claim 7).
• Сущностные факторы (Entities):
  • Упомянутые сущности: Люди, места, организации, концепции, упомянутые в тексте (Claim 8).
  • Связи в Knowledge Graph: Сущности, связанные с упомянутыми в документе. Используются для расширения области исследования (Claim 9).
• Факторы авторства и происхождения:
  • Издатель/Автор (Publisher/Author): Идентификация источника контента. Используется для поиска другого контента от того же источника (Claim 6).

Какие метрики используются и как они считаются

Патент не приводит конкретных формул, но описывает ключевые метрики и принципы их использования для ранжирования результатов Pseudo Queries:

• Relevance Scores (Оценки релевантности): Насколько документ соответствует сформулированному Pseudo Query.
• Measures of Popularity (Показатели популярности): Метрики для ранжирования результатов (Claim 10).
• Measures of Quality (Показатели качества): Метрики для ранжирования результатов. В Claim 11 уточняется, что это может быть качество самих сгенерированных плиток.

Примеры формулирования Pseudo Queries:

• Запрос по теме: [Темы документа А].
• Запрос по издателю: [Издатель документа А].
• Запрос контрастирующего мнения: [Тема документа А] + [Противоположная тональность].
• Запрос по сущности: [Связанная сущность из Knowledge Graph].

1. Новая парадигма обнаружения контента (Content Discovery): Патент описывает переход от активного поиска (ввод запроса) к управляемому исследованию (выбор направления). Это форма "SERP-less" поиска, где роль запроса выполняет контент, потребляемый пользователем.
2. Критическая важность структурированных атрибутов контента: Для работы этого интерфейса Google должен точно определять темы, сущности, издателя/автора и тональность/точку зрения документа. Эти атрибуты становятся основой для Pseudo Queries.
3. Многообразие связей как фактор обнаружения: Система намеренно ищет разные типы связей одновременно (тематическая схожесть, общее авторство, контрастные мнения, связанные сущности).
4. Авторитет источника (E-E-A-T) как ось навигации: Патент явно выделяет поиск другого контента от того же издателя (Claim 6) как одно из направлений навигации, подтверждая важность построения бренда и авторитетности.
5. Тональность и контраст как сигналы: Способность системы идентифицировать и искать контрастирующие точки зрения (Claim 7) указывает на высокий уровень развития NLP и потенциальное применение этого в сложных тематиках для обеспечения баланса мнений.
6. Предпочтение качеству и популярности: При выборе контента для заполнения плиток система использует стандартные сигналы ранжирования, включая популярность и качество (Claims 10, 11).

Best practices (это мы делаем)

Хотя патент описывает специфический интерфейс, он дает важные указания по оптимизации контента для систем обнаружения и рекомендаций (например, Google Discover).

• Усиление семантической структуры и Entity SEO: Насыщайте контент четко определенными сущностями и явно указывайте связи между ними. Используйте микроразметку (Schema.org) для обозначения основных тем (about, mentions). Это поможет Query Formulation Engine использовать ваш контент для генерации Pseudo Queries, основанных на сущностях и Knowledge Graph (Claims 8, 9).
• Фокус на E-E-A-T и узнаваемости бренда/автора: Последовательно укрепляйте репутацию авторов и бренда, используя микроразметку (author, publisher). Патент явно предусматривает ось навигации «Больше от этого издателя» (Claim 6). Это увеличивает шансы на рекомендацию другого вашего контента.
• Развитие Topical Authority: Создавайте кластеры контента, которые всесторонне покрывают тему. Это увеличивает вероятность того, что ваш контент будет выбран в качестве следующего шага при навигации по оси «Похожие темы» (Claim 5).
• Четкое выражение позиции (для мнений/обзоров): В тематиках, где это уместно, наличие ясно выраженной позиции или тональности помогает системе классифицировать контент и использовать его для удовлетворения запросов на поиск схожих или контрастных мнений (Claim 7).
• Оптимизация представления контента (для Discovery): Поскольку ранжирование может учитывать качество плиток (Claim 11), используйте высококачественные изображения и привлекательные заголовки, которые повышают качество представления контента.

Worst practices (это делать не надо)

• Создание поверхностного или семантически неоднозначного контента: Контент, из которого сложно извлечь конкретные темы, сущности или точку зрения, будет плохо работать в этой системе, так как Query Formulation Engine не сможет сгенерировать точные Pseudo Queries.
• Игнорирование авторства и микроразметки: Отсутствие четких сигналов об авторстве и предмете статьи снижает возможность использования этих атрибутов для контекстного связывания контента.
• Clickbait и вводящие в заблуждение заголовки: Это может негативно сказаться на показателях популярности и качества, используемых при ранжировании результатов Pseudo Queries (Claims 10, 11).

Стратегическое значение

Патент подтверждает долгосрочный тренд Google на переход от реактивного поиска к проактивному и контекстному обнаружению контента. Для SEO это означает необходимость смещения фокуса с оптимизации под ключевые слова на оптимизацию атрибутов контента и авторитетности источника. Стратегия должна быть направлена на то, чтобы контент был максимально понятен для систем, которые ищут связи на основе тем, сущностей и E-E-A-T сигналов.

Практические примеры

Сценарий: Оптимизация статьи-обзора смартфона для нелинейного браузинга

Задача: Увеличить вероятность показа статьи и другого контента сайта в Non-linear Browser или аналогичной системе рекомендаций.

1. Действия (Сущности и Темы): В статье четко упоминается модель смартфона (Entity 1) и его производитель (Entity 2). Используется микроразметка Product и Review. Основная тема (Topic 1) — "Обзор смартфона".
2. Действия (Авторство): Статья подписана экспертом (Author 1) с заполненным профилем и разметкой Person. Сайт (Publisher 1) имеет разметку Organization.
3. Действия (Тональность): В обзоре четко выражена позитивная оценка (Sentiment 1).
4. Результат в интерфейсе: Когда пользователь читает эту статью, система генерирует Pseudo Queries:
   • Вправо (Схожее): Запрос по Entity 1 (Модель смартфона) -> Другие новости об этом смартфоне.
   • Влево (Связанное): Запрос по Entity 2 (Производитель) -> Статьи о других продуктах этого бренда (используя Knowledge Graph).
   • Вверх (Тот же автор/издатель): Запрос по Author 1 или Publisher 1 -> Другие обзоры этого эксперта или сайта.
   • Вниз (Контраст): Запрос по Topic 1 с Sentiment=Негативный -> Негативные обзоры этого смартфона от конкурентов.