Как Google понимает контекст последовательных запросов и переписывает их для уточнения интента пользователя

Термины и определения

Atomic Concept Measure (Метрика атомарной концепции)

Показатель, определяющий N-граммы в запросе, которые представляют собой единую, неделимую концепцию (например, «Empire State Building»). Используется для пенализации модификаций, которые разрывают такие концепции.

Candidate Queries (Запросы-кандидаты)

Набор потенциальных запросов, включающий сгенерированные модификации предыдущего запроса и текущий запрос. Из этого набора выбирается лучший запрос.

Category Measure/Score (Метрика/Оценка категории)

Оценка, основанная на сходстве категорий (например, из графа знаний), к которым принадлежат Modification N-gram и Substituted N-gram. Высокая оценка дается, если оба термина принадлежат к схожим категориям (например, оба являются цветами).

Current Query (Текущий запрос)

Самый последний запрос, полученный от пользователя.

Modification Intent N-gram (N-грамма намерения модификации)

Фразы в текущем запросе, указывающие на намерение уточнить предыдущий поиск (например, «what about», «how about»). Также называется Refinement Intent N-gram.

Modification N-gram (Модифицирующая N-грамма)

Часть текущего запроса, содержащая новую информацию или уточнение (т.е. текущий запрос минус Modification Intent N-gram).

Popularity Measure (Метрика популярности)

Показатель популярности запроса или шаблона запроса, основанный на прошлых поисковых логах. Включает Prior Query Popularity и Query Pattern Popularity.

Previous Query (Предыдущий запрос)

Запрос, отправленный тем же пользователем или устройством непосредственно перед текущим запросом.

Query Pattern (Шаблон запроса)

Абстрактная форма запроса, где конкретные N-граммы заменены идентификаторами категорий (например, [погода в <City>]).

Related Concept Measure (Метрика связанных концепций)

Показатель вероятности совместной встречаемости (co-occurrence) в корпусе документов Modification N-gram и Substituted N-gram.

Submission Query (Отправляемый запрос)

Итоговый запрос, выбранный системой как наилучшая интерпретация интента пользователя, который отправляется в основную поисковую систему.

Substituted N-gram (Замещенная N-грамма)

Часть предыдущего запроса, которая заменяется Modification N-gram при генерации модификации.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод обработки уточняющего запроса.

1. Система получает текущий запрос (Current Query).
2. Определяет, что запрос указывает на намерение пользователя уточнить поиск (intent to refine).
3. Идентифицирует связанный предыдущий запрос (Previous Query).
4. Определяет Modification N-gram в текущем запросе.
5. Генерирует модификации, подставляя Modification N-gram вместо различных терминов предыдущего запроса.
6. Для каждой модификации идентифицирует: (a) Popularity measure и (b) Related concept measure (вероятность совместной встречаемости Modification N-gram и замещенных терминов).
7. Определяет рейтинг модификаций на основе (a) и (b).
8. Выбирает модификацию с наивысшим рейтингом.
9. Отправляет выбранную модификацию в поисковую систему как Submission Query.

Claim 3 и 4 (Зависимые): Детализируют Popularity measure.

Метрика популярности может включать Query Pattern Popularity. Шаблон определяется путем замены N-граммы в запросе на идентификатор её категории (например, [recipes for broccoli] становится [recipes for <food>]).

Claim 5 (Зависимый): Описывает бустинг на основе местоположения.

Рейтинг модификации повышается (boosted), если и Modification N-gram, и замещенные термины предыдущего запроса указывают на географические местоположения.

Claim 6 (Зависимый): Описывает сравнение с текущим запросом.

Система также определяет рейтинг для исходного текущего запроса (на основе его популярности). Модификация выбирается только в том случае, если её рейтинг выше, чем рейтинг текущего запроса.

Claim 7 (Зависимый от 6): Описывает механизм повышения рейтинга текущего запроса.

При определении рейтинга текущего запроса может применяться искусственный бустинг (boost). Это способствует тому, что текущий запрос будет предпочтен модификациям, если система не уверена в интерпретации (консервативный подход).

Claim 9 и 10 (Зависимые): Указывают на релевантность для голосового поиска.

Запросы могут быть получены через голосовой ввод (spoken input). Факт использования голосового ввода может использоваться для определения намерения пользователя уточнить предыдущий запрос.

Где и как применяется

Изобретение применяется на этапе обработки запроса, до начала основного поиска и ранжирования документов.

QUNDERSTANDING – Понимание Запросов
Это основная область применения патента. Query Processing System перехватывает запрос от пользователя.

• Modification Intent Determination Module анализирует намерение.
• Modification Generation Module генерирует варианты.
• Query Ranking Module оценивает варианты и выбирает лучший Submission Query.

INDEXING – Индексирование и извлечение признаков
Система полагается на данные, сгенерированные офлайн или во время индексирования:

• Логи прошлых запросов (для Popularity Measures).
• Данные о сущностях, категориях, локациях (например, из Knowledge Graph) для расчета Category Score, Location Measure.
• Данные о совместной встречаемости терминов в корпусе документов (для Related Concept Measure).

Входные данные:

• Текущий запрос (Current Query) и метаданные (например, тип ввода: голос/текст).
• Предыдущий запрос (Previous Query) из сессии.
• Данные из баз данных (логи, сущности, совместная встречаемость).

Выходные данные:

• Submission Query – фактический запрос, который отправляется в поисковую систему (Search System).

На что влияет

• Специфические запросы: Наибольшее влияние на диалоговый поиск (conversational search) и последовательные уточняющие запросы.
• Типы ввода: Особенно критично для голосового поиска (spoken input), где пользователи чаще используют естественные уточнения.
• Конкретные ниши: Влияет на E-commerce (уточнение атрибутов: цвет, размер), Travel и Local Search (уточнение дат, локаций), где часто происходит итеративный поиск.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда Modification Intent Determination Module определяет, что текущий запрос направлен на уточнение предыдущего.
• Условия срабатывания:
  • Наличие Modification Intent N-grams (например, "what about", "how about").
  • Тип ввода (голосовой ввод является сильным триггером).
  • Низкая популярность текущего запроса как самостоятельного (чтобы исключить популярные запросы, случайно содержащие триггерные фразы).
• Временные рамки: Предыдущий запрос должен быть недавним (удовлетворять query freshness threshold).

Пошаговый алгоритм

Основной процесс обработки запроса

1. Получение текущего запроса (Q2).
2. Определение намерения модификации: Анализ Q2 на наличие триггеров. Если намерения нет, Q2 отправляется в поиск.
3. Идентификация предыдущего запроса (Q1): Поиск последнего релевантного запроса в сессии.
4. Извлечение Modification N-gram (M): Определение новой информации в Q2 (например, удаление фраз намерения).
5. Генерация кандидатов: Создание кандидатов (C) путем замены различных N-грамм (S) в Q1 на M. Текущий запрос Q2 также добавляется в список кандидатов.
6. Расчет оценок кандидатов (Scoring): Вычисление промежуточных оценок (sub-scores) для каждого кандидата C:
   • Prior Query Popularity Score (популярность C).
   • Query Pattern Popularity Score (популярность шаблона C).
   • Related Concept Score (совместная встречаемость M и S).
   • Category Score (сходство категорий M и S).
   • Query Signals Score (учет Atomic Concepts, совпадение локаций, синонимы).
   • Number Score (близость чисел, если применимо).
   • Примечание: Для Q2 используются значения по умолчанию (default measure) для оценок, связанных с заменой (M, S).
7. Нормализация: Нормализация промежуточных оценок по всем кандидатам.
8. Расчет итоговой оценки (Overall Score): Комбинирование промежуточных оценок (например, путем перемножения). Применение бустинга (boost) к оценке текущего запроса Q2.
9. Выбор: Выбор кандидата с наивысшей итоговой оценкой.
10. Отправка: Отправка выбранного запроса в поисковую систему как Submission Query.

Какие данные и как использует

Данные на входе

Система использует данные, характеризующие сами запросы, поведение пользователей и семантику терминов.

• Поведенческие факторы (Логи запросов): Критически важны для расчета Prior Query Popularity и Query Pattern Popularity. Система анализирует частоту появления запросов и шаблонов в истории поиска.
• Семантические данные (из Базы Знаний/Графа Знаний):
  • Категоризация: Данные о том, к каким категориям принадлежат N-граммы (используется для Category Measure).
  • Сущности: Данные для определения Atomic Concept Measure (является ли фраза неделимой).
  • Геоданные и Синонимы: Информация для Location Measure и Synonym Measure.
• Лингвистические данные (Корпус документов): Статистика совместной встречаемости (co-occurrence) N-грамм в документах (используется для Related Concept Measure).
• Пользовательские факторы (Контекст сессии): История запросов пользователя в текущей сессии (Previous Query). Способ ввода (текст или голос).

Какие метрики используются и как они считаются

Система вычисляет Overall Score путем комбинирования нескольких суб-метрик (Sub-scores):

• Popularity Scores (Prior Query и Query Pattern): Основаны на частоте встречаемости в логах поиска.
• Category Score: Оценивает сходство категорий Modification N-gram и Substituted N-gram. Патент упоминает использование косинусного расстояния (cosine distance) между векторами оценок категорий для расчета этой метрики.
• Related Concept Score: Основана на вероятности совместной встречаемости Modification N-gram и Substituted N-gram.
• Query Signals Score: Агрегированная оценка, включающая:
  • Бустинг, если обе N-граммы являются локациями (Location Measure) или синонимами (Synonym Measure).
  • Пессимизацию за нарушение Atomic Concept.
• Number Score: Оценка, применяемая при наличии чисел; зависит от их числовой близости.

Комбинация и Нормализация: Суб-метрики нормализуются по всем кандидатам. Итоговый Overall Score может быть рассчитан путем перемножения нормализованных суб-метрик.

Бустинг: К итоговому рейтингу исходного текущего запроса может применяться повышающий коэффициент (boost), чтобы система предпочитала его, если нет высокой уверенности в модификациях.

1. Контекст сессии активно используется для переписывания запросов: Google не рассматривает каждый запрос в изоляции. В сценариях диалогового поиска система активно пытается реконструировать полный интент пользователя, комбинируя текущий и предыдущий запросы.
2. Ранжирование интерпретаций — сложный процесс: Выбор наилучшей модификации основан не на простом угадывании, а на многофакторном ранжировании самих запросов-кандидатов.
3. Два столпа интерпретации: Популярность и Семантика: Система валидирует интерпретации, проверяя, насколько популярен результат (Popularity Measure, Query Patterns) и насколько логична замена с семантической точки зрения (Category Score, Related Concept Measure).
4. Критичность категоризации (E-E-A-T и Сущности): Способность системы правильно определять категории терминов (например, цвет, дата, локация) напрямую влияет на точность интерпретации. Это подчеркивает важность четкой структуры данных о сущностях.
5. Система консервативна (Защита от ошибок): Патент включает защитный механизм: бустинг исходного текущего запроса. Это гарантирует, что переписывание произойдет только при высокой степени уверенности.
6. Приоритет голосового поиска: Голосовой ввод явно указан как сильный индикатор намерения уточнения, что делает этот механизм критически важным для Voice Search.

Best practices (это мы делаем)

• Оптимизация под популярные шаблоны запросов (Query Patterns): Изучайте, как пользователи ищут и уточняют информацию в вашей нише. Структурируйте контент и URL так, чтобы они соответствовали этим естественным и популярным шаблонам (например, [Продукт] + [Атрибут], [Услуга] + [Локация]). Это повышает вероятность соответствия Submission Query.
• Четкая категоризация и использование структурированных данных: Используйте Schema.org и логичную архитектуру сайта для четкого определения сущностей, их категорий и атрибутов (цвета, размеры, даты). Это напрямую помогает Google при расчете Category Score, когда пользователи уточняют свои запросы.
• Обеспечение тематического покрытия и совместной встречаемости (Co-occurrence): Убедитесь, что связанные концепции, которые пользователи могут заменять друг другом, естественно встречаются в вашем контенте. Это коррелирует с Related Concept Measure.
• Оптимизация для локального поиска: Учитывая бустинг при совпадении локаций (Location Measure), критически важно четко указывать географическую привязку и использовать названия локаций для бизнеса и услуг.

Worst practices (это делать не надо)

• Оптимизация под короткие уточняющие фразы: Не пытайтесь оптимизировать страницы под фразы типа "[а как насчет синего]" или "[а завтра]". Система перепишет их в полные запросы до этапа ранжирования контента.
• Использование неестественных формулировок: Создание контента с формулировками, которые не соответствуют популярным Query Patterns, снижает вероятность того, что система выберет соответствующую интерпретацию запроса.
• Игнорирование структуры сущностей: Отсутствие четкой структуры атрибутов (например, в E-commerce) затрудняет для Google использование Category Score, что может привести к неправильной интерпретации уточняющих запросов о ваших товарах.

Стратегическое значение

Патент подтверждает стратегический сдвиг в сторону контекстного и диалогового поиска (Conversational Search). SEO-стратегии должны учитывать весь путь пользователя и то, как Google интерпретирует намерения в рамках целой сессии. Понимание того, что запрос пользователя может быть полностью переписан на основе предыдущего контекста, меняет подход к анализу трафика и ключевых слов. Фокус смещается на оптимизацию под семантически структурированный контент, который соответствует естественному поведению пользователей.

Практические примеры

Сценарий 1: Уточнение запроса в E-commerce

1. Предыдущий запрос (Q1): Пользователь ищет [купить синие nike air max].
2. Текущий запрос (Q2): Пользователь следом вводит [а красные].
3. Действия системы: Система распознает намерение уточнения. Modification N-gram: [красные].
4. Генерация и Оценка: Кандидат [купить красные nike air max] (замена [синие]) получает наивысшую оценку, потому что:
   • [синие] и [красные] принадлежат к одной категории "Цвет" (Высокий Category Score).
   • Шаблон [купить <цвет> nike air max] очень популярен (Высокий Query Pattern Popularity Score).
5. Результат: Google автоматически выполняет поиск по запросу [купить красные nike air max].

Сценарий 2: Локальный поиск

1. Предыдущий запрос (Q1): [пиццерия в центре города].
2. Текущий запрос (Q2): [а в северном районе?].
3. Действия системы: Modification N-gram: [в северном районе]. Substituted N-gram: [в центре города].
4. Оценка: Система определяет, что обе фразы являются локациями. Применяется бустинг на основе Location Measure. Category Score высокий.
5. Результат: Google выполняет поиск по запросу [пиццерия в северном районе].