Как Google обнаруживает неэффективные последовательности запросов и обучает пользователей контекстному поиску

Термины и определения

Aspect (Аспект)

Термин в запросе, который не идентифицирован как сущность (non-entity term). Используется для определения контекста и паттерна запроса. Например, в запросе [obama white house speech] слово "speech" может быть аспектом.

Context (Контекст)

Часть последовательности запросов (набор Сущностей или Аспектов), которая остается неизменной (consistent) в каждом запросе серии. Система стремится научить пользователя не повторять этот контекст вручную.

Entity (Сущность)

Человек, место, организация, событие, произведение искусства и т.д., распознанное в запросе и обычно связанное с графом знаний (Entity Graph). Запрос может иметь первичные и вторичные сущности.

Query Pattern (Паттерн запроса)

Характеристика последовательности запросов, основанная на согласованности (consistency) или несогласованности (inconsistency) Сущностей и Аспектов, а также на длине запросов. Определенные паттерны запускают TMI.

Series of Queries (Последовательность запросов)

Два или более запроса, введенных пользователем последовательно, например, в течение одной поисковой сессии.

Teachable Moment (Обучающий момент)

Ситуация, определенная системой как возможность помочь пользователю взаимодействовать с поисковой системой более эффективно, основываясь на текущей последовательности запросов.

Teachable Moment Interface (TMI) (Интерфейс обучающего момента)

Пользовательский интерфейс, отображаемый вместе с результатами поиска, содержащий контент (например, советы, примеры), который обучает пользователя более эффективному взаимодействию с поиском.

Teachable Moment System (TMS)

Система, которая обрабатывает последовательности запросов, определяет паттерны, решает, следует ли отображать TMI, и выбирает контент для TMI.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы по выявлению и использованию контекста для обучения пользователя.

1. Система получает последовательность запросов (series of queries) с пользовательского устройства.
2. Определяется Query Pattern этой последовательности. Этот процесс включает детальный анализ:
   • Для каждого запроса определяются набор Сущностей (E) и набор Аспектов (A).
   • Наборы E и A сравниваются между всеми запросами в последовательности.
   • Система определяет, что либо набор Аспектов, либо набор Сущностей (или оба) является неизменным (consistent) в каждом запросе серии.
   • Эта неизменная часть (E или A) идентифицируется как Context, и этот контекст определяет Query Pattern.
3. На основе этого Context, определяющего Query Pattern, принимается решение о показе Teachable Moment Interface (TMI).
4. Система передает контент для отображения в TMI. Ключевой момент: контент содержит инструкции, которые явно указывают пользователю, что ему не нужно включать этот идентифицированный Context в последующие запросы.

Claim 9 (Зависимый от 8, эквивалент Claim 2 в методе): Уточняет условия показа TMI.

Решение о показе TMI включает определение того, связан ли данный Query Pattern с индикацией того, что TMI *может* быть показан. Это означает, что не все паттерны с повторяющимся контекстом запускают TMI, а только те, которые заранее определены как неэффективные и подходящие для обучения.

Claim 10 (Зависимый от 8, эквивалент Claim 3 в методе): Вводит механизм троттлинга (ограничения частоты).

Решение о показе TMI также включает определение того, что количество показов TMI данному пользователю меньше порогового значения. Это предотвращает раздражение пользователя частыми подсказками.

Где и как применяется

Изобретение применяется на этапе взаимодействия с пользователем и обработки входящего потока запросов.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Система (Search Assistance System или Teachable Moment System) анализирует поток запросов от пользователя в реальном времени в рамках сессии.

• Аннотирование: Каждый запрос обрабатывается Аннотатором Сущностей (Entity Annotator) и Аннотатором Аспектов (Aspect Annotator) для извлечения семантической информации.
• Анализ последовательности: Система сравнивает аннотации последовательных запросов для выявления Query Patterns и определения повторяющегося Context.
• Принятие решения: Система определяет, наступил ли Teachable Moment, и проверяет историю пользователя (User Info) на предмет троттлинга.

METASEARCH – Метапоиск и Смешивание
На этом этапе происходит интеграция TMI в выдачу. Если TMS решает показать подсказку, данные TMI передаются системе формирования SERP для отображения вместе со стандартными результатами поиска.

Входные данные:

• Последовательность запросов (Series of Queries).
• Идентификатор пользователя (для троттлинга).
• Данные из Графа Сущностей (Entity Graph) (используются аннотаторами).

Выходные данные:

• Данные для отображения Teachable Moment Interface (TMI), включая обучающий контент.

На что влияет

• Специфические запросы: Влияет в первую очередь на информационные запросы, задаваемые в рамках одной сессии, где сохраняется контекст (например, исследовательские сессии). Менее релевантно для изолированных навигационных или транзакционных запросов.
• Типы ввода: Патент упоминает голосовой (voice input) и тактильный (tactile input) ввод. Механизм особенно важен для голосового поиска, где естественно использовать диалоговый формат и где повторение длинных фраз утомительно.

Когда применяется

Алгоритм применяется при выполнении строго определенных условий в рамках сессии:

• Триггеры активации: Когда распознается специфический Query Pattern, указывающий на неэффективность. Патент приводит примеры таких паттернов:
  • Паттерн 1: Относительно длинные, похожие запросы об одной и той же сущности (Пример: [who hosted the world cup in 1990], [who hosted the world cup in 1994]).
  • Паттерн 2: Относительно длинные, разные запросы об одной и той же сущности, но о разных ее аспектах (Пример: [how tall is the empire state building], [when was the empire state building built]).
• Исключения: Алгоритм НЕ применяется, если паттерн не квалифицируется как обучающий момент. Пример: короткие, похожие запросы о разных сущностях ([dog pictures], [cat pictures]).
• Условия применения: Паттерн должен быть предварительно определен как подходящий для TMI (Триггер), И не должны быть превышены пользовательские пороги троттлинга (например, TMI не показывался пользователю слишком часто или слишком недавно).

Пошаговый алгоритм

Процесс работы Teachable Moment System:

1. Получение данных: Система получает последовательность запросов от пользователя.
2. Аннотирование запросов: Для каждого запроса в последовательности определяются:
   • Набор Сущностей (E).
   • Набор Аспектов (A).
   • Длина запроса (L) (например, количество символов).
3. Определение паттерна запроса: Система сравнивает E и A между запросами для определения согласованности. Идентифицируется неизменная часть (Context). На основе контекста и длины L определяется Query Pattern.
4. Проверка квалификации паттерна: Система проверяет, соответствует ли данный Query Pattern условиям для запуска Teachable Moment (например, запросы длинные, контекст повторяется).
   • Если НЕТ: Предоставить результаты поиска без TMI.
5. Получение информации о пользователе: Система извлекает историю взаимодействия пользователя с TMI (когда и какие подсказки он видел).
6. Проверка троттлинга: Система определяет, следует ли показать TMI данному пользователю сейчас, основываясь на порогах частоты показов.
   • Если НЕТ (превышен порог): Предоставить результаты поиска без TMI.
7. Выбор контента TMI: Система получает соответствующий обучающий контент. Контент может быть общим, специфичным для паттерна или специфичным для текущих запросов (например, показывать примеры на основе текущего контекста).
8. Предоставление результатов: Система передает результаты поиска вместе с контентом TMI для отображения пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных, связанных с сессией пользователя и семантикой запросов.

• Пользовательские факторы: История пользователя, в частности, история просмотров Teachable Moment Interfaces (количество показов, время показов, типы показанных паттернов). Идентификатор пользователя.
• Данные запросов: Текст последовательности запросов, введенных пользователем в рамках сессии.
• Семантические данные (косвенно): Entity Graph используется аннотаторами для идентификации сущностей в запросах.

Какие метрики используются и как они считаются

• Аннотирование Сущностей и Аспектов: Идентификация Entities и Aspects в каждом запросе.
• Длина запроса (L): Количество символов или слов в запросе. Используется для классификации паттернов (например, порог Y для определения «относительно длинного» запроса).
• Метрики согласованности (Consistency Metrics): Сравнение наборов Сущностей и Аспектов между последовательными запросами для определения неизменного Context.
• Пороги троттлинга (Throttling Thresholds): Максимальное количество раз, когда TMI (в целом, в течение определенного периода времени, например, 24 часа, или для конкретного паттерна) может быть показан пользователю.

1. Это патент про UX и эффективность, а не про ранжирование: Основная цель изобретения — улучшить взаимодействие пользователя с поиском и снизить нагрузку на инфраструктуру (bandwidth, processing) за счет сокращения длины запросов. Он не дает прямых указаний по улучшению позиций сайта.
2. Google активно отслеживает последовательности запросов на уровне сессии: Система анализирует не только отдельные запросы, но и их последовательность для выявления паттернов поведения пользователей и определения общего контекста сессии.
3. Цель — продвижение диалогового поиска: Google стремится обучить пользователей полагаться на способность системы поддерживать контекст (Context), поощряя использование коротких последующих запросов или местоимений (например, "how tall is he?" или "in 1994").
4. Зависимость от распознавания Сущностей и Аспектов: Корректная работа механизма критически зависит от способности системы точно идентифицировать Entities и Aspects в запросах для определения контекста.
5. Учет пользовательского опыта (Анти-раздражение): Наличие механизмов троттлинга (ограничения частоты показов) указывает на то, что Google стремится балансировать обучение с предотвращением раздражения пользователя частыми подсказками.

Практическое применение в SEO

Патент в значительной степени ориентирован на инфраструктуру и пользовательский опыт (UX) и предлагает ограниченное количество прямых, применимых рекомендаций для SEO-продвижения и ранжирования. Однако он дает важное понимание того, как Google интерпретирует контекст сессии.

Best practices (это мы делаем)

• Четкое определение сущностей в контенте: Поскольку система полагается на идентификацию Entities для понимания контекста сессии, крайне важно убедиться, что контент четко структурирован вокруг распознаваемых сущностей. Используйте разметку Schema.org и обеспечьте связь с Knowledge Graph. Это фундаментально важно для того, чтобы контент мог быть использован в контекстном поиске, который Google продвигает.
• Покрытие ключевых аспектов сущности (Topical Authority): При создании контента о сущности убедитесь, что вы охватываете все релевантные аспекты (характеристики, история, местоположение и т.д.). Это увеличивает вероятность того, что ваш контент будет соответствовать серии контекстных запросов, которые Google поощряет (например, пользователь ищет сущность, а затем задает короткие вопросы о ее различных Aspects).
• Оптимизация под диалоговый формат: Структурируйте контент так, чтобы он отвечал на конкретные вопросы (FAQ, четкие заголовки разделов). Это облегчает системе извлечение ответов на уточняющие вопросы в рамках диалоговой сессии.

Worst practices (это делать не надо)

• Патент не направлен на борьбу со спамом или манипуляциями с ранжированием. Он не делает какие-либо конкретные SEO-тактики неэффективными или опасными.

Стратегическое значение

Патент подтверждает стратегические инвестиции Google в диалоговый поиск и контекстное понимание на уровне сессии. SEO-стратегии должны учитывать, что пользователи могут находить контент не через один идеально сформулированный запрос, а через серию все более конкретных, коротких запросов. Это повышает важность понимания всего пути пользователя (user journey) и построения авторитетности в теме (topical authority), а не только оптимизации под отдельные ключевые слова.

Практические примеры

Сценарий: Структурирование контента для поддержки контекстного поиска

Google стремится научить пользователей задавать вопросы так: Q1: [how tall is the empire state building], Q2: [when was it built], Q3: [what restaurants are nearby]. SEO-специалист должен убедиться, что контент поддерживает такой формат.

1. Объект оптимизации: Страница об Эмпайр-стейт-билдинг.
2. Действия: Вместо одного блока неструктурированного текста, разделите контент на четкие разделы, посвященные ключевым аспектам (Высота и размеры, История строительства, Рестораны и удобства). Используйте структурированные данные (Schema.org) для определения фактов о сущности.
3. Ожидаемый результат: Когда пользователь задает последовательность контекстных запросов, Google может легко идентифицировать основную Сущность (Entity: Эмпайр-стейт-билдинг) и различные Аспекты (Aspects: высота, история, рестораны) в вашем контенте, что повышает его релевантность для удовлетворения интента пользователя в рамках диалогового поиска.