Как Google использует историю поиска и текущее местоположение пользователя для проактивных подсказок (Zero-Click)

Термины и определения

Click Data (Данные о кликах)

Информация о том, какие результаты поиска были выбраны (кликнуты) пользователем в ответ на запрос. Включает количество кликов и идентификацию конкретных результатов.

Current Location (Текущее местоположение)

Физическое географическое местоположение пользователя (или его устройства) в текущий момент времени (Time T+1), используемое для генерации подсказок.

Familiarity Score (Оценка знакомства с локацией)

Метрика, показывающая, как часто пользователь посещает текущее местоположение. Используется для корректировки оценок подсказок, например, для повышения веса подсказок в редко посещаемых местах.

History Store (Хранилище истории)

База данных, хранящая прошлые запросы пользователя и связанные с ними метаданные (время, локации, клики).

Location Extractor (Извлекатель локаций)

Компонент, анализирующий текст запроса или результата поиска для определения связанной с ним географической локации (Query Location).

Query Location (Локация запроса)

Местоположение, связанное с содержанием запроса (например, извлеченное из текста запроса). Отличается от физического местоположения пользователя.

Query Time (Время запроса)

Временная метка, когда пользователь ввел запрос (Time T).

User Location (Местоположение пользователя)

Физическое географическое местоположение пользователя в момент ввода запроса (Time T).

Zero-Click Engine (Система "нулевого клика")

Основной компонент изобретения, который проактивно генерирует и ранжирует подсказки на основе текущего местоположения и истории поиска.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод предоставления подсказок запросов.

1. Определение текущего местоположения (Current Location) пользователя.
2. Генерация подборки прошлых поисковых запросов пользователя в ответ на определение текущего местоположения (т.е. проактивно).
3. Ключевое условие: каждый прошлый запрос ассоциирован с Query Location, которая определяется на основе терминов запроса и независимо от того, где физически находился пользователь (User Location) в момент запроса.
4. Присвоение оценки (Score) каждому прошлому запросу. Оценка основана как минимум на расстоянии между Current Location и Query Location.
5. Предоставление одного или нескольких прошлых запросов пользователю на основе их оценок.

Claim 2 (Зависимый от 1): Расширяет метод, включая в подсказки не только запросы, но и результаты поиска, которые ранее были выбраны (кликнуты) пользователем.

• Идентификация ранее кликнутых результатов поиска.
• Присвоение им оценки на основе расстояния между их Query Location и Current Location пользователя.
• Предоставление этих результатов пользователю.

Claim 3 (Зависимый от 1): Добавляет фактор свежести (Recency) в расчет оценки.

• Оценка запроса основывается также на том, насколько недавно этот запрос был введен пользователем.

Claim 4 (Зависимый от 1): Добавляет фактор частоты посещения локации (Familiarity Score) в расчет оценки.

• Оценка запроса основывается также на том, как часто пользователь посещает свое текущее местоположение.

Claim 5 (Зависимый от 1): Добавляет фактор успешности запроса (Click Data) в расчет оценки.

• Оценка запроса основывается также на количестве результатов поиска, выбранных пользователем, когда результаты этого запроса были ему ранее представлены.

Где и как применяется

Изобретение описывает работу системы подсказок (Zero-Click Engine), которая функционирует параллельно основному поисковому процессу, используя данные, собранные во время предыдущих поисковых сессий.

INDEXING – Индексирование (Пользовательских данных)
На этом этапе происходит сбор и индексация пользовательских данных в History Store. Система логирует запросы, клики и ассоциированные метаданные (время, User Location).

QUNDERSTANDING – Понимание Запросов
Компонент Location Extractor работает на этом этапе, анализируя входящий запрос для определения Query Location. Это может включать анализ терминов или контекста (например, просмотр карты).

RERANKING – Переранжирование (В контексте подсказок)
Основное применение патента. Zero-Click Engine выполняет специализированное ранжирование элементов из History Store в реальном времени, когда изменяется контекст пользователя (местоположение). Это не ранжирование веб-документов, а ранжирование прошлых действий пользователя.

• Входные данные: Current Location, History Store (запросы, клики, QL, UL, временные метки).
• Выходные данные: Отсортированный список предложенных запросов и/или результатов поиска.

На что влияет

• Специфические запросы и ниши: Наибольшее влияние оказывается на локально-ориентированные запросы (заведения, услуги, достопримечательности) и тематики, связанные с путешествиями и мероприятиями.
• Типы контента: Влияет на видимость страниц локального бизнеса, статей о путешествиях, карт.
• Устройства: Критически важно для мобильных устройств, где контекст местоположения играет ключевую роль.

Когда применяется

• Условия работы: Пользователь должен активировать службы геолокации и разрешить сохранение истории поиска и местоположений.
• Триггеры активации: Система может активироваться периодически (например, каждые 15 минут), при изменении местоположения пользователя на определенное расстояние, или при действии пользователя (например, при фокусировке на поисковой строке в браузере или приложении).

Пошаговый алгоритм

Процесс состоит из двух основных фаз: сбор данных и генерация подсказок.

Фаза А: Сбор данных (во время поиска)

1. Получение запроса: Пользователь вводит запрос.
2. Определение метаданных:
   • Определяется Query Time (временная метка).
   • Определяется User Location (физическое местоположение пользователя).
   • Определяется Query Location (локация, извлеченная из запроса или выведенная из контекста, например, взаимодействия с картой).
3. Генерация и показ результатов: Поисковая система возвращает результаты.
4. Сбор Click Data: Фиксируются результаты, на которые кликнул пользователь.
5. Сохранение: Запрос, метаданные и Click Data сохраняются в History Store, индексируются по пользователю и локациям.

Фаза Б: Генерация подсказок (Zero-Click)

1. Определение Current Location: Система определяет текущее местоположение пользователя.
2. Генерация выборки: Zero-Click Engine извлекает прошлые запросы и кликнутые результаты из History Store пользователя.
3. Расчет оценок (Scoring): Для каждого элемента выборки рассчитывается оценка. (Подробно см. Фазу В).
4. Сортировка: Выборка сортируется по рассчитанным оценкам.
5. Предоставление подсказок: Топ-N элементов отправляются на устройство пользователя для показа.

Фаза В: Детализированный расчет оценки (Scoring)

1. Получение элемента: Получение запроса или результата из выборки с его метаданными.
2. Оценка близости к Query Location: Расчет расстояния между Current Location и Query Location. Чем ближе, тем выше оценка.
3. Оценка близости к User Location (Опционально): Расчет расстояния между Current Location и User Location.
4. Расчет Familiarity Score (Опционально): Определение, как часто пользователь бывает в Current Location. Может использоваться для бустинга подсказок в редко посещаемых местах и пессимизации в часто посещаемых (дом/офис).
5. Оценка свежести: Сравнение Query Time с текущим временем. Чем свежее, тем выше оценка.
6. Оценка успешности: Анализ Click Data (например, количество кликов на результаты запроса). Чем больше кликов, тем выше оценка.
7. Финальный расчет: Агрегация всех факторов с использованием весовых коэффициентов для получения итоговой оценки.

Какие данные и как использует

Данные на входе

• Географические факторы:
  • Current Location: Текущие координаты пользователя (GPS, WiFi, Cell ID).
  • User Location: Сохраненные координаты пользователя в момент прошлых запросов.
  • Query Location: Координаты локаций или объектов, связанных с содержанием прошлых запросов.
• Пользовательские факторы:
  • История запросов (History Store).
  • История кликов (Click Data).
  • История местоположений (используется для расчета Familiarity Score).
• Временные факторы:
  • Query Time: Временные метки прошлых запросов (для расчета свежести).
• Контентные факторы: Термины запросов и содержание кликнутых результатов используются для определения Query Location.

Какие метрики используются и как они считаются

Система использует несколько ключевых метрик для ранжирования подсказок.

1. Общая оценка (Score): Патент предлагает пример функции скоринга:

$Score = A*distance(CL, QL) + B*distance(CL, UL) + C*(Time) + D*(Clicks) + E$

Где:

• CL = Current Location, QL = Query Location, UL = User Location.
• A, B, C, D, E — весовые коэффициенты, определяемые вручную или с помощью машинного обучения.

2. Оценка знакомства с локацией (Familiarity Score): Патент предлагает формулу для расчета того, насколько необычным является текущее местоположение для пользователя:

$Familiarity = \frac{Count(All\ Locations)}{Count(Locations\ within\ X\ km\ of\ CL)}$

Чем выше Familiarity Score, тем реже пользователь бывает в этой локации. Этот показатель может использоваться для корректировки коэффициента B в общей формуле скоринга (например, $B = B' * Familiarity$), чтобы повышать значимость подсказок в незнакомых местах.

1. Контекст и Предиктивный поиск: Патент демонстрирует механизм, в котором текущий физический контекст пользователя (местоположение) является главным триггером для проактивного предоставления информации (Zero-Click).
2. Персонализация через историю: Система глубоко персонализирована, так как предлагает только те запросы и результаты, с которыми пользователь уже взаимодействовал. Это не поиск нового, а напоминание о прошлом интересе, релевантном текущему моменту.
3. Два типа локаций: Критически важно разделение между User Location (где пользователь был, когда искал) и Query Location (о чем он искал). Система может предложить результат, если пользователь находится рядом с местом, о котором он искал из дома (CL близко к QL), ИЛИ если он вернулся в место, откуда ранее делал специфический запрос (CL близко к UL).
4. Многофакторный скоринг подсказок: Ранжирование подсказок учитывает не только близость, но и свежесть (Recency), успешность прошлого запроса (Click Data) и частоту посещения локации (Familiarity Score).
5. Важность клика (CTR) для повторного вовлечения: С точки зрения SEO, ключевой вывод заключается в том, что для попадания в этот проактивный канал дистрибуции необходимо сначала получить клик пользователя. Это подчеркивает важность высокого CTR в органической выдаче.

Best practices (это мы делаем)

• Максимизация CTR в органической выдаче: Поскольку система предлагает прошлые запросы и, что более важно, ранее кликнутые результаты (Claim 2), критически важно быть тем результатом, который пользователь выберет. Работайте над сниппетами (Title, Description, микроразметка), чтобы максимизировать вероятность клика и попадания в History Store пользователя.
• Усиление Local SEO и Четкая Гео-привязка: Обеспечьте точное определение вашей локации поисковой системой. Для локального бизнеса это означает полную оптимизацию Google Business Profile, использование локальной микроразметки и четкое указание адресов. Это увеличивает вероятность того, что Location Extractor корректно определит Query Location.
• Таргетинг на этап планирования (Research Phase): Создавайте контент, который отвечает на запросы пользователей, находящихся далеко, но планирующих визит (например, путеводители, обзоры). Если вы получите клик на этом этапе, ваш контент может быть предложен повторно, когда пользователь прибудет на место.
• Оптимизация под мобильные устройства: Поскольку механизм в первую очередь ориентирован на мобильный контекст и активацию при перемещении пользователя, сайт должен быть идеально оптимизирован для мобильных устройств, чтобы обеспечить положительный опыт после клика.

Worst practices (это делать не надо)

• Игнорирование локальной привязки: Отсутствие четких локальных сигналов снижает вероятность того, что контент будет связан с конкретным Query Location, что уменьшает шансы на его проактивное предложение.
• Стратегии с низким CTR: Ранжирование на высоких позициях без получения кликов неэффективно в контексте этого патента. Если пользователь не кликает на результат, он не попадает в пул для будущих подсказок.
• Географическая неоднозначность или спам: Попытки связать контент с локациями, к которым он не имеет отношения, или создание контента без четкой географической привязки не позволят эффективно использовать этот механизм.

Стратегическое значение

Патент подчеркивает стратегический переход Google от реактивного поиска (пользователь вводит запрос) к проактивному предоставлению информации (система предугадывает потребность на основе контекста). Для SEO это означает, что работа не заканчивается на достижении позиций. Стратегия должна быть направлена на то, чтобы стать предпочтительным ответом (Entity) для пользователя в определенном контексте (локации), обеспечив попадание в его персональный граф знаний и историю взаимодействия (History Store).

Практические примеры

Сценарий 1: Планирование путешествия (CL близко к QL)

1. Действие пользователя (Time T): Пользователь находится дома (User Location = Дом) и ищет "Лучшие музеи Мадрида" (Query Location = Мадрид). Он кликает на результат "Музей Прадо".
2. Действие системы: Система сохраняет запрос и кликнутый результат, ассоциируя их с Мадридом и Музеем Прадо.
3. Контекст (Time T+1): Через месяц пользователь приезжает в Мадрид и проходит мимо Музея Прадо (Current Location = Музей Прадо).
4. Результат: Zero-Click Engine определяет близость CL к QL, присваивает высокий Score и проактивно предлагает пользователю ссылку на "Музей Прадо" или запрос "Лучшие музеи Мадрида".

Сценарий 2: Повторяющаяся локальная потребность (CL близко к UL)

1. Действие пользователя (Time T): Пользователь находится на вокзале в командировке (User Location = Вокзал) и ищет "Вызвать такси". Он кликает на сайт агрегатора такси.
2. Действие системы: Система сохраняет действие, ассоциируя его с User Location (Вокзал). Familiarity Score для вокзала может быть высоким (редко посещаемое место).
3. Контекст (Time T+1): В следующий раз, когда пользователь оказывается на этом же вокзале (Current Location = Вокзал).
4. Результат: Zero-Click Engine определяет близость CL к UL и, используя высокий Familiarity Score, присваивает высокий Score и предлагает пользователю ссылку на агрегатор такси, так как это действие релевантно для данной редкой локации.