Как Google использует историю поиска и контекст (время, местоположение) для проактивного предложения релевантных прошлых результатов на разных устройствах

Термины и определения

Contextual Signals (Контекстуальные сигналы)

Метрики и данные, используемые для фильтрации истории поиска. Включают время, местоположение, оценки результатов и поведенческие факторы (клики, dwell time, повторные запросы, кросс-девайсную активность).

Dwell time (Время пребывания)

Упоминается как "amount of time spent accessing a document" (время на документе) и "amount of time spent accessing a list of search results" (время на SERP). Ключевой поведенческий сигнал.

Information Item (Информационный элемент)

Сниппет или карточка, сгенерированная на основе прошлого результата. Содержит заголовок, описание и интерактивные элементы (например, кнопки "Позвонить", "Маршрут").

Prior Search History (История предыдущих поисков)

Записанные данные о прошлых сессиях пользователя: запросы, результаты, их порядок, оценки, временные метки и действия пользователя.

Relevance Score (Оценка релевантности)

В контексте патента (Claim 1, 3) — метрика для фильтрации прошлых результатов. Основана на агрегации Contextual Signals, включая исходную позицию/оценку и поведенческие факторы.

User Profile Server (Сервер профилей пользователей)

Компонент системы, хранящий и обрабатывающий Prior Search History.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы, основанный на двухфакторной фильтрации.

1. Система получает связанный с поиском запрос (search-related request) от пользователя (например, загрузка домашней страницы поиска).
2. Определяется, что ранее пользователю предоставлялись результаты в ответ на прошлые запросы.
3. Система выбирает подмножество из этих прошлых результатов, которые удовлетворяют двум критериям:
   1. Каждый результат имеет Relevance Score (по отношению к прошлому запросу), удовлетворяющий пороговому значению.
   2. И (ii) Каждый результат был предоставлен в течение предопределенного периода времени (актуальность по времени) ИЛИ ссылается на географическое местоположение в пределах предопределенного расстояния от текущего местоположения пользователя (актуальность по месту).
4. Система предоставляет ресурс (Information Item), который ссылается на выбранное подмножество.

Ядро изобретения — это обязательное сочетание прошлой релевантности (i) и текущей контекстуальной актуальности (ii).

Claim 3 (Зависимый от 1): Детализирует компоненты Relevance Score. Это критически важный пункт для SEO, перечисляющий поведенческие сигналы, используемые Google:

• Позиция и оценка (score) результата в выдаче.
• Категория результата.
• Факт выбора (клика) результата.
• Время просмотра связанного документа (dwell time на документе).
• Время просмотра списка результатов (dwell time на SERP).
• Количество повторов запроса пользователем.
• Кросс-девайсная активность (ввод того же запроса или выбор того же результата на разных устройствах).

Claim 9 (Зависимый от 1): Подчеркивает кросс-девайсную природу изобретения, указывая, что текущий запрос может быть получен на устройстве, отличном от того, где выполнялся прошлый поиск.

Где и как применяется

Изобретение применяется на финальных этапах обработки запроса, используя данные о поведении пользователя для персонализации интерфейса.

RANKING – Ранжирование
Во время предыдущих поисковых сессий система генерирует результаты, рассчитывает их оценки (scores) и фиксирует поведенческие сигналы (клики, dwell time). Эти данные сохраняются в User Profile и служат входными данными для описываемого механизма.

RERANKING – Переранжирование (Слой Персонализации) / METASEARCH – Метапоиск и Смешивание
Основное применение патента. Когда пользователь обращается к системе (например, открывает домашнюю страницу поиска):

1. Доступ к данным: Система идентифицирует пользователя и обращается к User Profile Server.
2. Фильтрация: Применяются Contextual Signals для фильтрации истории по критериям Relevance Score, времени и местоположения.
3. Инъекция в UI: Система генерирует Information Items и модифицирует пользовательский интерфейс, добавляя уведомления или карточки с релевантными прошлыми результатами.

Входные данные:

• Идентификатор пользователя (User ID).
• Текущий контекст (время, местоположение).
• Prior Search History (включая прошлые результаты, их оценки, позиции и поведенческие данные — клики, dwell time).

Выходные данные:

• Ноль или более Information Items (сниппеты прошлых результатов).
• Модифицированный пользовательский интерфейс.

На что влияет

• Специфические ниши: Наибольшее влияние на Локальный Поиск (Local Search), так как местоположение является ключевым фильтром. Также влияет на E-commerce, путешествия и сложные исследования, где пользователи часто используют разные устройства и возвращаются к результатам.
• Типы контента: Влияет на контент, связанный с конкретными сущностями (бизнес-листинги, продукты, статусы рейсов), имеющими четкую категорию и часто географическую привязку.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Идентификация и Разрешение: Пользователь должен быть идентифицирован и разрешить отслеживание истории.
• Триггеры активации: Загрузка определенной веб-страницы (например, домашней страницы поисковой системы).
• Пороговые значения фильтрации: Прошлый результат должен преодолеть порог Relevance Score (высокая вовлеченность в прошлом) И удовлетворять порогам контекстуальной актуальности (недавнее время поиска ИЛИ близкое расстояние до объекта).

Пошаговый алгоритм

Патент описывает два режима работы: режим реального времени (Pull) и проактивный режим с кэшированием (Push).

Процесс А: Обработка запроса в реальном времени (Pull Mode)

1. Получение запроса и контекста: Система получает запрос на веб-страницу, идентифицирует пользователя, его текущее время и местоположение.
2. Получение истории: Система извлекает Prior Search History из User Profile Server.
3. Фильтрация истории (Применение Contextual Signals):
   1. Фильтр релевантности: Проверяется Relevance Score (на основе прошлых кликов, dwell time, позиции).
   2. Фильтр актуальности: Проверяется соответствие порогам времени ИЛИ местоположения.
4. Выбор результатов: Отбираются результаты, прошедшие оба этапа фильтрации.
5. Генерация Information Items: Для отобранных результатов генерируются Information Items. Визуальное представление может адаптироваться под свежесть/близость результата (Claims 6, 7).
6. Генерация и Доставка UI: Генерируется пользовательский интерфейс с уведомлением о наличии Information Items и отправляется клиенту.

Процесс Б: Проактивный режим (Push Mode / Client Caching)

1. Периодическая фильтрация: Система периодически (в фоне) фильтрует историю поиска пользователя.
2. Генерация и доставка: Сгенерированные Information Items проактивно отправляются на клиентское устройство.
3. Кэширование и Управление сроком действия: Клиент кэширует элементы и управляет их актуальностью (expiration) на основе времени или изменения местоположения.
4. Отображение: Когда пользователь открывает страницу, UI отображает индикацию наличия актуальных элементов из кэша.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и контекстуальных данных.

• Поведенческие факторы (Ключевые для Relevance Score):
  • Факт выбора результата (клики).
  • Dwell time на документе (время на сайте).
  • Dwell time на SERP (время на странице выдачи).
  • Query repetition (повторение запросов).
  • Cross-device activity (активность по теме на разных устройствах).
• Временные факторы: Временные метки прошлых поисков; текущее время.
• Географические факторы: Местоположение объекта поиска; текущее местоположение пользователя.
• Пользовательские факторы: Идентификатор пользователя и устройств.
• Системные данные (из истории): Исходные оценки (scores), позиция в выдаче, категория результата.

Какие метрики используются и как они считаются

• Relevance Score (Оценка релевантности): Агрегированная метрика, используемая как первый фильтр. Рассчитывается на основе комбинации (возможно, взвешенной) поведенческих факторов и исходных оценок/позиций (Claim 3).
• Time Threshold (Временной порог): Предопределенный период (например, 24 часа). Используется для определения свежести результата.
• Distance Threshold (Порог расстояния): Предопределенное расстояние (например, 25 км). Используется для определения близости объекта.
• Dwell Time Threshold: Минимальное время взаимодействия, необходимое для учета сигнала интереса.

1. Поведенческие сигналы как мера удовлетворенности: Патент явно подтверждает, что Google использует dwell time (на документе и на SERP), клики и повторные запросы как индикаторы релевантности и удовлетворенности пользователя, как минимум, в системах персонализации.
2. Контекст определяет актуальность: Текущий контекст (время и местоположение) является обязательным условием для повторного показа прошлых результатов. Прошлая релевантность должна сочетаться с текущей актуальностью (свежесть ИЛИ близость).
3. Кросс-девайсное отслеживание и экосистема: Система спроектирована для обеспечения бесшовного опыта между устройствами. Активность на одном устройстве напрямую влияет на опыт на другом, а повторные действия на разных устройствах усиливают сигнал интереса.
4. Персонализация как проактивная помощь: Это не изменение ранжирования, а добавление персонализированного слоя проактивной помощи поверх стандартного интерфейса для улучшения UX и повторного вовлечения.
5. Фокус на Local и Мобильность: Механизм явно ориентирован на улучшение мобильного опыта и локального поиска, предлагая быстрые действия (звонок, маршрут) для объектов поблизости, которые пользователь недавно искал.

Best practices (это мы делаем)

• Максимизация сигналов удовлетворенности (Dwell Time): Ключевая задача — удержать пользователя на сайте, предоставив исчерпывающий ответ. Длительный dwell time напрямую увеличивает Relevance Score в истории пользователя, повышая вероятность того, что Google проактивно предложит этот результат позже.
• Оптимизация под CTR в выдаче: Факт клика (selection) является важным сигналом для Relevance Score. Работа над привлекательностью сниппетов критически важна для попадания в историю релевантных взаимодействий.
• Актуализация локальных данных (для Local SEO): Поскольку близость местоположения является ключевым контекстуальным фильтром, наличие точных данных (NAP) в Google Business Profile критично для активации локальных предложений, когда пользователь находится поблизости.
• Фокус на многосессионные задачи и кросс-девайс UX: Создавайте контент, поддерживающий пользователей в длительных задачах (покупки, исследования). Обеспечьте идеальный UX на всех устройствах, так как повторные запросы и кросс-девайсная активность сигнализируют о высоком интересе.
• Использование структурированных данных (Structured Data): Внедряйте микроразметку для сущностей (LocalBusiness, Product, Event). Это поможет системе сгенерировать полезный и интерактивный Information Item с кнопками действий.

Worst practices (это делать не надо)

• Использование кликбейта и генерация коротких кликов: Тактики, ведущие к низкому dwell time, контрпродуктивны. Система интерпретирует это как низкую релевантность, и сайт не будет включен в проактивные предложения для этого пользователя.
• Игнорирование мобильного опыта: Плохой мобильный UX снизит dwell time и общую релевантность в профиле пользователя, что особенно критично, учитывая кросс-девайсную направленность механизма.
• Предоставление неточной геолокационной информации: Ошибки в адресах могут привести к тому, что система не сможет активировать фильтр близости, даже если пользователь находится рядом и ранее интересовался объектом.

Стратегическое значение

Патент подтверждает стратегический переход от оценки релевантности на уровне «запрос-документ» к оценке на уровне «пользователь-задача-контекст». Поведенческие сигналы являются основой для построения профиля интересов пользователя. Для SEO это означает, что фокус на E-E-A-T и удовлетворенность пользователя (User Satisfaction) имеет прямое влияние не только на потенциальное ранжирование, но и на повторное вовлечение через персонализированные функции поиска.

Практические примеры

Сценарий 1: Локальный поиск и фильтр местоположения

1. Действие пользователя (ПК): Пользователь ищет «лучшая кофейня в центре» дома, кликает на сайт Кофейни А и проводит там 2 минуты, изучая меню (высокий dwell time).
2. Обработка Google: Система фиксирует высокий Relevance Score для Кофейни А в профиле пользователя.
3. Контекст (Мобильный): Позже пользователь находится в центре города (близко к Кофейне А) и открывает приложение Google Поиск.
4. Активация системы: Кофейня А проходит фильтр релевантности (высокий score) И фильтр местоположения (близко).
5. Результат: Google проактивно показывает Information Item для Кофейни А с кнопками «Позвонить» и «Маршрут», даже без нового запроса.

Сценарий 2: E-commerce и кросс-девайс активность

1. Действие пользователя (Планшет и ПК): Пользователь ищет «обзор смартфона Х» на планшете, а затем на ПК, кликая на один и тот же обзор на Сайте Б (cross-device activity).
2. Обработка Google: Relevance Score для обзора на Сайте Б увеличивается из-за кросс-девайсного интереса.
3. Контекст (Смартфон): На следующий день пользователь открывает домашнюю страницу Google на смартфоне.
4. Активация системы: Обзор проходит фильтр релевантности (высокий score) И фильтр времени (прошло менее 24 часов).
5. Результат: Google показывает Information Item с напоминанием о просмотренном обзоре на Сайте Б.