Как Google превращает поисковые подсказки (Autocomplete) в задачи и напоминания, используя персональные данные пользователя

Термины и определения

Additional Information (Дополнительная информация)

Данные, связанные с выполнением задачи (дата, время, местоположение, телефон). Могут быть извлечены из User Data, Entity Database или запрошены у пользователя.

Entity Database (База данных сущностей)

Хранилище данных (например, Knowledge Graph), содержащее информацию о сущностях (люди, компании, места) и их свойствах (адреса, телефоны), а также о связях между ними.

Indicia (Индикатор)

Визуальный элемент интерфейса (иконка, текст «Создать задачу»), отображаемый вместе с Task Suggestion. Выбор этого элемента инициирует создание задачи.

Partial Query (Частичный запрос)

Запрос, введенный пользователем до того, как он указал на его завершение. Используется для генерации подсказок в реальном времени.

Query Suggestion (Поисковая подсказка)

Варианты завершения запроса (Autocomplete), предлагаемые пользователю при вводе.

Task (Задача)

Представление будущего события или предполагаемого действия, которое может быть выполнено человеком (например, оплатить счет, сделать бронирование).

Task Recognition Engine (Механизм распознавания задач)

Компонент системы, который определяет, следует ли ассоциировать задачу с Query Suggestion, и идентифицирует Additional Information.

Task Suggestion (Подсказка-задача)

Query Suggestion, который система идентифицировала как связанный с потенциальной Task.

User Data (Данные пользователя)

Персональная информация: электронные письма, записи календаря, контакты (user contacts), история посещения веб-страниц (user webpage navigation history), местоположение, латентные атрибуты (возраст, профессия).

Ключевые утверждения (Анализ Claims)

Патент содержит два основных независимых пункта (Claim 1 и Claim 23), описывающих разные варианты реализации интерфейса взаимодействия с задачами.

Claim 1 (Независимый пункт): Описывает метод с возможностью двойного выбора (Поиск ИЛИ Задача).

1. Система идентифицирует подсказку как Task Suggestion, связывая ее с задачей (будущим действием).
2. Система получает частичный запрос пользователя и предлагает подсказки в выпадающем меню поля поиска до завершения ввода запроса.
3. Представление Task Suggestion включает ТЕКСТ подсказки и отдельный ИНДИКАТОР (Indicia).
4. Система отслеживает выбор пользователя: ТЕКСТ или ИНДИКАТОР.
5. Если выбран ТЕКСТ: Выполняется поиск по этому тексту, задача НЕ создается.
6. Если выбран ИНДИКАТОР: Задача ассоциируется с пользователем (например, создается напоминание).

Claim 2 и 3 (Зависимые): Уточняют, что индикатор (Indicia) может основываться на типе задачи (Task Type) и быть графическим (например, иконкой телефона для задачи «позвонить»).

Claim 4-8 (Зависимые): Подчеркивают роль User Data. Как сама задача, так и генерация соответствующей ей Task Suggestion могут основываться на персональных данных пользователя.

Claim 9-11 (Зависимые): Система может определять и ассоциировать с задачей Additional Information (например, контакты, историю навигации, данные из писем).

Claim 23 (Независимый пункт): Описывает альтернативный метод, где выбор Task Suggestion предназначен исключительно для создания задачи.

1. Система идентифицирует Task Suggestion и обычные подсказки (non-task suggestions).
2. Они предлагаются в выпадающем меню до завершения ввода запроса.
3. Система отслеживает выбор пользователя.
4. Если выбрана Task Suggestion:
   • Задача ассоциируется с пользователем.
   • Отображается окно ввода (task information prompt) для получения дополнительной информации (дата, время, место).
   • Важно: В этом варианте реализации поисковые результаты в ответ на этот выбор НЕ предоставляются.
5. Если выбрана non-task suggestion: Выполняется стандартный поиск.

Где и как применяется

Изобретение применяется на этапах понимания запроса и взаимодействия с пользователем, используя предварительно обработанные данные.

QUNDERSTANDING – Понимание Запросов

Основной этап применения. Система в реальном времени анализирует Partial Query и генерирует подсказки. Task Recognition Engine работает параллельно с Query Suggestion Engine, чтобы интерпретировать намерение пользователя не только как поиск информации, но и как желание выполнить действие. Для этого используются как текст запроса, так и контекст (приложение, User Data).

INDEXING – Индексирование (Косвенно)

Система должна иметь доступ к индексированным и структурированным User Data (почта, календарь) и к Entity Database (Knowledge Graph), чтобы распознавать сущности и связанные с ними действия (например, распознать название компании и найти ее номер телефона для задачи «позвонить в компанию»).

RANKING (Косвенно)

Механизм влияет на ранжирование самих подсказок. Task Suggestions могут повышаться (boosted) в списке подсказок, если система уверена, что пользователь заинтересован в выполнении задачи (например, на основе недавнего письма о необходимости оплаты счета).

Входные данные:

• Partial Query пользователя.
• Контекст ввода (например, приложение: Поиск, Календарь, Ассистент).
• User Data (почта, календарь, контакты, история, местоположение).
• Данные из Entity Database.

Выходные данные:

• Список Query Suggestions, включающий Task Suggestions с индикаторами (Indicia).
• При выборе пользователем: либо набор поисковых результатов (SERP), либо созданная задача/напоминание в приложении пользователя.

На что влияет

• Специфические запросы: Наибольшее влияние на запросы с четким действенным или транзакционным интентом (Action Queries). Например, начинающиеся с глаголов «купить», «забронировать», «напомнить», «позвонить», «оплатить».
• Конкретные ниши: Влияет на взаимодействие в нишах электронной коммерции, финансов, путешествий, локальных услуг. Система может перехватывать трафик, предлагая выполнить действие напрямую (например, позвонить по номеру из подсказки, минуя сайт).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Триггер активации: Пользователь вводит Partial Query в поле ввода (поиск, календарь и т.д.).
• Условия срабатывания:
  • Текст запроса похож на описание задачи (например, содержит ключевые фразы типа «pay my»).
  • Система обнаруживает в User Data информацию, указывающую на актуальность задачи (например, приближающийся день рождения контакта, неоплаченный счет в почте).
  • Контекст использования предполагает создание задачи (например, ввод запроса в приложении Календарь).
• Пороговые значения: Задача ассоциируется с подсказкой, только если уровень уверенности (confidence level) в том, что задача релевантна запросу и интересует пользователя, превышает определенный порог.

Пошаговый алгоритм

Процесс обработки ввода пользователя в реальном времени

1. Получение ввода: Система идентифицирует Partial Query от пользователя.
2. Генерация кандидатов: Query Suggestion Engine генерирует список потенциальных Query Suggestions.
3. Распознавание задач: Task Recognition Engine анализирует кандидатов и/или генерирует собственные Task Suggestions. Это включает:
   • Сравнение текста подсказки со свойствами известных задач.
   • Анализ User Data (почта, календарь) для поиска актуальных задач, соответствующих запросу.
   • Использование Entity Database для поиска сущностей в запросе и связанных с ними действий.
4. Оценка и Ранжирование: Система рассчитывает уровень уверенности для Task Suggestions и ранжирует общий список подсказок. Task Suggestions могут быть повышены в рейтинге при высокой уверенности.
5. Формирование интерфейса: Система формирует выпадающее меню. Для Task Suggestions добавляются визуальные индикаторы (Indicia), указывающие на тип задачи (например, иконка телефона) и/или дополнительную информацию (например, номер телефона).
6. Предоставление подсказок: Список отображается пользователю до завершения ввода запроса.
7. Обработка выбора (Развилка по Claim 1 и Claim 23):
   • Сценарий А (Claim 1): Пользователь выбирает ТЕКСТ Task Suggestion. Система выполняет стандартный поиск. Задача НЕ создается.
   • Сценарий Б (Claim 1): Пользователь выбирает ИНДИКАТОР (Indicia). Переход к шагу 8.
   • Сценарий В (Claim 23): Пользователь выбирает Task Suggestion (текст или индикатор). Переход к шагу 8. Поиск НЕ выполняется. (Если выбрана non-task suggestion, выполняется поиск).
8. Ассоциация задачи и сбор информации: Задача ассоциируется с пользователем. Система может отобразить task information prompt для ввода дополнительной информации (дата, время) или автоматически заполнить ее из User Data или Entity Database.
9. Создание напоминания: Создается напоминание или запись в соответствующем приложении пользователя.

Какие данные и как использует

Данные на входе

Патент явно указывает на использование широкого спектра персональных данных и данных о сущностях.

• Пользовательские и Поведенческие факторы (User Data): Критически важные данные для работы системы:
  • Электронные письма (E-mails): Для поиска счетов, подтверждений бронирований.
  • Контакты (User contacts): Для идентификации людей/компаний и получения их контактной информации.
  • История посещения страниц (User webpage navigation history): Для понимания контекста и интересов.
  • Записи календаря (Calendar entries): Для идентификации предстоящих событий.
  • Латентные атрибуты: Местоположение пользователя (например, для определения аэропорта вылета), возраст, профессия.
• Данные о сущностях (Entity Database): Свойства сущностей (названия, номера телефонов, адреса, веб-сайты) и связи между сущностями и действиями (например, связь между «Компанией 1» и действием «Оплатить счет» с соответствующим URL).
• Контентные факторы (Query Terms): Текст частичного запроса. Наличие ключевых фраз, указывающих на задачу («pay my», «remind me to»).
• Технические факторы (Контекст): Приложение, в котором вводится запрос (веб-браузер, календарь, приложение задач).

Какие метрики используются и как они считаются

Конкретные формулы в патенте не приводятся, но упоминаются следующие концепции:

• Similarity (Сходство): Метрика сходства между текстом Query Suggestion и свойствами потенциальной Task. Упоминается префиксное совпадение (prefix based matching) и схожесть терминов (term similarity).
• Confidence Level (Уровень уверенности): Вероятностная оценка того, что пользователь заинтересован в задаче. Рассчитывается на основе сходства текста, наличия подтверждающих данных в User Data и контекста. Используется для принятия решения о показе Task Suggestion.
• Ranking Score (Оценка ранжирования подсказок): Метрика для сортировки подсказок. Task Suggestions могут получать повышение (boosting) к этой оценке на основе Confidence Level.

1. От Поиска Информации к Выполнению Задач (Task Completion): Патент демонстрирует стратегический сдвиг Google от роли поисковой системы к роли персонального ассистента. Цель — не просто предоставить информацию о задаче, а помочь выполнить её максимально быстро, прямо из поисковой строки.
2. Критическая роль Персональных Данных (User Data): Эффективность системы напрямую зависит от доступа к Gmail, Календарю, Контактам и Истории поиска. Анализ этих данных позволяет предлагать релевантные и своевременные Task Suggestions.
3. Важность Сущностей (Entities) и их Свойств: Система активно использует Entity Database (Knowledge Graph) для идентификации сущностей в запросе (компаний, людей, мест) и извлечения связанных с ними свойств (телефоны, адреса), которые необходимы для выполнения задачи.
4. Два режима взаимодействия (Claim 1 vs Claim 23): Патент предусматривает гибкость интерфейса. В одном варианте пользователь явно выбирает между поиском и задачей (Claim 1). В другом варианте выбор Task Suggestion однозначно ведет к созданию задачи и не запускает поиск (Claim 23).
5. Усиление тренда на Zero-Click для задач: Этот механизм способствует удовлетворению интента пользователя без перехода на внешние сайты. Если система может предоставить номер телефона или адрес прямо в подсказке и создать напоминание, потребность в посещении сайта снижается.

Best practices (это мы делаем)

Хотя патент не дает прямых рекомендаций по ранжированию, он имеет важное значение для стратегии присутствия в поиске через сущности.

• Оптимизация под Сущности (Entity Optimization): Убедитесь, что ваша компания, продукты и услуги четко распознаются как сущности в Entity Database (Knowledge Graph). Это критически важно для того, чтобы система могла связать вашу сущность с потенциальными задачами пользователя (например, «позвонить в [Ваш Бренд]» или «оплатить счет [Ваш Бренд]»).
• Насыщение Сущности Свойствами: Предоставляйте полную и точную информацию о ключевых свойствах вашей сущности: номера телефонов для разных отделов, адреса, официальные URL для выполнения действий (оплата, бронирование). Используйте Google Business Profile и микроразметку Schema.org (Organization, LocalBusiness) на сайте.
• Разметка Действий (Actions Markup): Используйте микроразметку для обозначения действий, которые можно совершить с вашей сущностью (например, potentialAction в Schema.org, разметка для бронирования, заказа). Это может помочь Task Recognition Engine связать запрос пользователя с вашим сервисом.
• Оптимизация под действенные запросы: Создавайте контент, который четко отвечает на запросы, подразумевающие действие («как оплатить...», «телефон службы поддержки...»). Хотя система может перехватить клик, наличие релевантного контента повышает вероятность того, что ваша сущность будет использована для формирования Task Suggestion.

Worst practices (это делать не надо)

• Сокрытие контактной информации: Размещение телефонов и адресов в изображениях или за скриптами затрудняет их извлечение системой для использования в Task Suggestions.
• Несогласованные данные (NAP): Противоречивая информация о названии, адресе и телефоне компании на сайте, в GBP и каталогах снижает уверенность системы в свойствах вашей сущности, что может препятствовать её использованию в Task Suggestions.
• Игнорирование микроразметки: Отсутствие структурированных данных затрудняет Google понимание того, какие действия (Tasks) связаны с вашим бизнесом и как их можно выполнить.

Стратегическое значение

Патент подтверждает стратегию Google по превращению поисковой системы в персонального ассистента и платформу для выполнения задач (Task Completion Engine). Для SEO это означает усиление тренда на Zero-Click-выдачи для транзакционных и действенных запросов. Стратегия должна смещаться от простого привлечения трафика к обеспечению максимальной видимости и доступности бизнеса через сущности и связанные с ними действия. Присутствие в Графе Знаний становится критически важным.

Практические примеры

Сценарий: Оптимизация контактной информации для Task Suggestions (на основе FIG. 4F)

1. Ситуация: Пользователь хочет связаться со службой поддержки «Компании А». Он начинает вводить в поиске «contact company A».
2. Работа механизма: Task Recognition Engine распознает интент «contact» и сущность «Company A». Система обращается к Entity Database (Knowledge Graph), чтобы найти способы связи.
3. Действия SEO для оптимизации: Компания А обеспечила полное заполнение Google Business Profile и внедрила на сайте микроразметку Organization с четким указанием telephone и email (через contactPoint).
4. Результат: В выпадающем меню поиска пользователю предлагаются Task Suggestions с иконками и данными: «Contact Company A by phone (800-555...)» и «Contact Company A by email (support@...)». Выбор иконки (Indicia) инициирует звонок или создание письма напрямую (согласно Claim 1), минуя переход на сайт.