Как Google определяет и предлагает следующие шаги в голосовом поиске для построения разговорного диалога

Термины и определения

Audio Command / Audio Instruction (Голосовая команда / Аудио инструкция)

Речевой ввод пользователя. В патенте Audio Instruction часто относится к предложенным ключевым словам, которые были временно активированы как прямые команды (hotwords).

Conversational Searching (Разговорный поиск)

Многоэтапный диалог между пользователем и поисковой системой, где каждый последующий запрос связан с предыдущим.

Frequency of Submission (Частота отправки)

Метрика, указывающая, как часто определенный поисковый запрос использовался ранее пользователями. Используется для определения популярных следующих шагов в поиске.

Head-Mountable Device (HMD) (Головной дисплей)

Носимое устройство (например, умные очки) с дисплеем в поле зрения пользователя. Основное устройство, рассматриваемое в патенте.

Keywords (Ключевые слова)

В данном контексте — слова или короткие фразы, предлагаемые системой как варианты для следующего шага в диалоговом поиске.

Prior Search Queries (Предыдущие поисковые запросы)

История поисковых запросов пользователей, используемая для анализа и определения популярных связанных тем.

Semantic Mapping Data (Данные семантического маппинга)

Данные, определяющие отношения между поисковыми запросами и ключевыми словами. Используются для определения релевантных предложений. Могут включать данные из семантических сетей и анализ частоты запросов.

Semantic Network / Knowledge Database (Семантическая сеть / База знаний)

Структура данных (например, Граф Знаний), описывающая семантические отношения между сущностями (Subject Matters).

Speech Recognition System (Система распознавания речи)

Компонент устройства, который динамически переконфигурируется для распознавания отображаемых ключевых слов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает полный цикл многошагового голосового поиска на HMD.

1. HMD получает голосовую команду для поискового запроса.
2. В ответ система использует Semantic Mapping Data для определения первого набора ключевых слов.
3. На дисплее HMD отображается первое меню с этими ключевыми словами и результатами поиска.
4. Speech Recognition System конфигурируется для распознавания этих отображаемых ключевых слов как голосовых инструкций для последующих запросов.
5. HMD получает голосовую инструкцию (пользователь произносит одно из ключевых слов).
6. В ответ система использует Semantic Mapping Data для определения второго набора ключевых слов.
7. На дисплее отображается второе меню с новыми ключевыми словами и новыми результатами.
8. Speech Recognition System переконфигурируется: (i) для распознавания второго набора ключевых слов и (ii) для прекращения распознавания (to no longer recognize) как минимум одного ключевого слова из первого меню.

Ядром изобретения является динамическая перенастройка словаря голосовых команд на основе текущего контекста поиска. Критически важно, что система обновляет активные команды на каждом шаге, деактивируя предыдущий набор, чтобы избежать путаницы и поддерживать актуальность контекста.

Claim 2 (Зависимый от 1): Уточняет метод определения ключевых слов.

Выбор ключевого слова может основываться на определении того, что Frequency of Submission (частота отправки) одного или нескольких предыдущих поисковых запросов по этому ключевому слову превышает пороговое значение.

Это подтверждает, что анализ популярности и общего поведения пользователей при последующих поисках является ключевым методом генерации предложений, наряду с семантическими данными.

Где и как применяется

Изобретение затрагивает этапы понимания запросов и взаимодействия с пользователем (UI/UX).

QUNDERSTANDING – Понимание Запросов
На этом этапе система выполняет основную работу по генерации предложений. Это включает:

• Обращение к Semantic Mapping Data (например, к Графу Знаний) для поиска связанных сущностей и тем.
• Анализ Prior Search Queries (логов запросов) и расчет Frequency of Submission для определения наиболее вероятных следующих шагов пользователя.
• Управление контекстом сессии и определение, какие Audio Instructions должны быть активны.

Presentation Layer (Уровень представления, после RERANKING)
Механизм напрямую влияет на то, как формируется итоговая выдача (SERP) на устройстве и как пользователь с ней взаимодействует:

• Отображение: Включение меню ключевых слов в интерфейс выдачи.
• Взаимодействие: Активация и динамическая перенастройка системы распознавания речи для работы с этими ключевыми словами как с командами (hotwords).

Входные данные:

• Голосовая команда пользователя (начальная и последующие).
• Semantic Mapping Data (включая данные о семантических связях и частоте запросов).
• Метаданные, связанные с тематикой запроса.

Выходные данные:

• Результаты поиска.
• Меню предложенных ключевых слов (Keywords).
• Сконфигурированный набор активных аудио инструкций (Audio Instructions).

На что влияет

• Специфические запросы: Наиболее сильно влияет на информационные и исследовательские запросы, где пользователь углубляется в тему (например, изучение биографии, фильмографии, научных концепций).
• Устройства: Патент ориентирован на носимые устройства (HMDs) и другие устройства, где голосовой ввод является основным (умные колонки, смарт-дисплеи).

Когда применяется

• Триггеры активации: Механизм активируется после выполнения поискового запроса, инициированного голосовой командой на поддерживаемом устройстве.
• Условия работы: Применяется, когда система может найти релевантные связанные ключевые слова через семантические данные или анализ истории запросов. Работает в рамках текущей поисковой сессии.

Пошаговый алгоритм

Процесс обработки диалогового поиска

1. Получение ввода и Инициация сессии: Устройство получает начальную голосовую команду (например, «Найти Актера X»). Начинается сессия диалогового поиска.
2. Определение тематики: Система определяет Subject Matter запроса («Актер X»).
3. Генерация ключевых слов (Набор 1): Система ищет связанные ключевые слова.
   1. Анализ семантики: Используются Semantic Mapping Data для поиска связанных сущностей (например, «Фильмы», «Награды»).
   2. Анализ истории запросов: Анализируются Prior Search Queries. Выбираются термины, чья Frequency of Submission превышает порог (например, «День рождения»).
4. Конфигурация распознавания речи (Активация 1): Первый набор сгенерированных ключевых слов конфигурируется как активные аудио инструкции (hotwords).
5. Отображение результатов: На дисплее отображаются результаты поиска и меню активных ключевых слов.
6. Получение последующей команды: Пользователь произносит одно из ключевых слов (например, «Фильмы»).
7. Деактивация старых команд: Система прекращает распознавание ключевых слов из Набора 1.
8. Выполнение нового запроса: Выполняется поиск по выбранному ключевому слову («Фильмы Актера X»).
9. Генерация ключевых слов (Набор 2): Генерируется новый набор ключевых слов для нового контекста (например, «Фильм 1», «Фильм 2»).
10. Конфигурация распознавания речи (Активация 2) и Отображение: Новые ключевые слова активируются, результаты и новое меню отображаются. Процесс повторяется с шага 6.

Какие данные и как использует

Данные на входе

Патент фокусируется на источниках данных для генерации предложений:

• Семантические данные (Semantic Data): Используются Semantic Mapping Data, которые описывают отношения между запросами и ключевыми словами. В описании упоминаются семантические сети (Semantic Network) и базы знаний (Knowledge Database).
• Поведенческие факторы (Behavioral Factors): Критически важными являются данные о предыдущих поисковых запросах (Prior Search Queries). Система анализирует историю запросов, связанных с текущей темой.
• Структурные факторы (Structural Factors): Упоминаются метаданные (Metadata), связанные с тематикой. Например, для сущности "Актер X" метаданные (дата рождения, рост) могут стать предложенными ключевыми словами.

Какие метрики используются и как они считаются

• Frequency of Submission (Частота отправки): Основная метрика для анализа истории запросов. Подсчитывается, как часто определенные термины или запросы появляются в логах после исходного запроса.
• Пороговое значение (Threshold): Используется для фильтрации популярных запросов. Ключевое слово предлагается, если его Frequency of Submission превышает заданный порог (Claim 2). Порог может быть предопределенным или динамическим.
• Semantic Relationships (Семантические отношения): Система использует наличие семантически описанных связей между тематиками в Semantic Network для определения релевантности ключевого слова.

1. Разговорный поиск как навигация по графу: Патент описывает Conversational Searching как процесс перемещения пользователя по семантической сети (графу). Каждый запрос — это узел, а предлагаемые Keywords — это связи со следующими узлами.
2. Два источника для прогнозирования намерений: Google использует два ключевых механизма для определения связанных тем:
   1. Структурированные знания (Semantic Mapping): Использование баз знаний для выявления связей между сущностями и темами.
   2. Поведение пользователей (Query Frequency): Анализ того, что пользователи чаще всего ищут дальше (Frequency of Submission).
3. Тематическая авторитетность и охват: Для SEO это означает, что контент должен соответствовать этим двум источникам. Сайт должен подтверждать семантические связи и удовлетворять популярные последующие интенты, чтобы быть релевантным на протяжении всей поисковой сессии.
4. Динамическое управление интерфейсом: Ключевая техническая особенность UI — динамическая активация и деактивация голосовых команд в зависимости от контекста. Система слушает только то, что актуально для текущего шага диалога.

Best practices (это мы делаем)

Хотя патент фокусируется на UI, выводы о генерации предложений имеют прямое отношение к контент-стратегии и построению тематического авторитета.

• Оптимизация под путь пользователя (Search Journey): Проектируйте контент так, чтобы он охватывал не только первичный интент, но и наиболее вероятные последующие шаги пользователя. Используйте данные из блока "People Also Ask" (PAA) и "Related Searches" как индикаторы высокой Frequency of Submission.
• Построение тематического авторитета (Topical Authority): Создавайте кластеры контента, которые полностью покрывают тему и все ключевые подтемы. Это увеличивает вероятность того, что ваш контент будет соответствовать как семантическим связям (Semantic Mapping), так и популярным путям пользователей.
• Оптимизация под Knowledge Graph: Используйте структурированные данные (Schema.org) для четкого определения сущностей, их атрибутов (метаданных) и связей между ними. Это помогает укрепить Semantic Mapping Data, которые Google использует для генерации предложений.
• Внутренняя перелинковка, соответствующая интенту: Используйте внутренние ссылки для направления пользователей к следующему логическому шагу в изучении темы. Структура ссылок должна отражать естественные семантические связи между темами.

Worst practices (это делать не надо)

• Создание изолированного контента: Создание страниц, оптимизированных под один узкий запрос без учета более широкого контекста и последующих интентов. Такой контент не поддерживает диалоговый поиск.
• Игнорирование связанных запросов: Не анализировать популярные связанные запросы и вопросы пользователей. Это приводит к упущенным возможностям покрыть темы, которые Google считает важными на основе Frequency of Submission.
• Противоречие семантическим связям: Создание контента, который пытается связать несвязанные темы искусственно. Система полагается на устоявшиеся Semantic Mapping Data.

Стратегическое значение

Патент подтверждает стратегическую важность перехода от оптимизации под ключевые слова к оптимизации под темы и пути пользователя. Google стремится быть участником диалога. Для долгосрочной SEO-стратегии это означает необходимость глубокого понимания интентов пользователей и структуры знаний в вашей нише. Успешными будут ресурсы, которые могут поддержать пользователя на протяжении всего пути исследования темы, предвосхищая его следующие вопросы, основываясь на данных о поведении и структурированных знаниях.

Практические примеры

Сценарий: Оптимизация контент-кластера "Цифровые Зеркальные Камеры" (DSLR)

Цель: Сделать сайт авторитетным источником, соответствующим диалоговому поиску по этой теме.

1. Анализ источников данных (по патенту):
   • Semantic Mapping: Изучить структуру Графа Знаний для "DSLR". Связанные сущности: бренды (Canon, Nikon), компоненты (сенсор, объектив), типы (Full-frame), альтернативы (Mirrorless).
   • Frequency of Submission: Проанализировать "Related Searches" и PAA для запроса "лучшие DSLR камеры". Популярные следующие шаги: "DSLR для начинающих", "сравнение Canon vs Nikon", "как выбрать объектив для DSLR".
2. Создание контента: Разработать хаб-страницу "Все о DSLR камерах". Создать страницы для каждой идентифицированной подтемы (бренды, типы, выбор объективов, сравнения).
3. Обеспечение связности: Хаб-страница должна четко линковаться на подтемы, имитируя меню предложенных ключевых слов из патента. Использовать Schema.org (Product, ItemList) для структурирования данных.
4. Ожидаемый результат: Сайт лучше соответствует естественному пути пользователя. Google распознает сайт как тематически авторитетный, так как он покрывает множество связанных подтем, подтвержденных как семантическими данными, так и поведением пользователей.