Как Google использует контекст пользователя в реальном времени и машинное обучение для переранжирования результатов поиска

Термины и определения

Contextual Information (Контекстная информация)

Любые данные, используемые для определения средовых или поведенческих характеристик пользователя/устройства. Включает местоположение, движение, интересы пользователя, использование приложений, историю покупок, состояние устройства и др.

Environmental Information (Информация об окружающей среде)

Подмножество контекстной информации, указывающее на характеристики физического окружения устройства (например, местоположение, погода, время суток, тип места). Является обязательной частью контекста в Claim 1.

Intent (Намерение)

Прогнозируемая цель поиска с использованием определенного запроса в определенном контексте.

Log Data (Лог-данные)

Агрегированные исторические данные о действиях пользователей на группе устройств. Включают Application usage data (использование приложений) и Search feature data (взаимодействие с поисковыми функциями). Используются для обучения модели.

Machine-learning model (Модель машинного обучения)

Модель (упоминается deep-learning model), обученная на Log Data, которая обрабатывает запрос и контекст для прогнозирования намерения.

Search Feature (Поисковая функция / Курируемый контент)

Элемент результатов поиска, связанный с курируемым контентом (curated content). Примеры: локальный блок, расписание сеансов, обзоры, функции перевода. Система продвигает или понижает эти элементы на основе прогнозируемого намерения.

User-Initiated Actions (Действия, инициированные пользователем)

Наблюдаемые действия (например, запуск приложения, клик по Search Feature), используемые моделью для обучения и вывода о намерении.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод прогнозирования намерения и корректировки результатов.

1. Система получает поисковый запрос от устройства пользователя.
2. Система получает контекстную информацию, которая обязательно включает environmental information (характеристики физической среды устройства).
3. Система выбирает подмножество (subset) контекстной информации, определяющее текущий контекст (particular current context). Ключевое ограничение: это подмножество должно включать часть environmental information и явно исключает информацию из истории поиска самого пользователя (excludes information from a search history of the user).
4. Система определяет намерение (intent) запроса, специфичное для этого контекста.
5. Механизм определения намерения: Обработка выбранного подмножества контекста с использованием machine learning model. Эта модель основана на прошлых действиях (past user-initiated actions), выполненных группой других пользователей.
6. Система получает стандартные результаты поиска.
7. Перед отправкой результатов пользователю, система корректирует (adjusting) их, продвигая (promoting) ту часть, которая удовлетворяет намерению.
8. Система отправляет скорректированные результаты.

Ключевым элементом является использование модели, обученной на агрегированном поведении других пользователей, для интерпретации текущей физической среды пользователя (при этом игнорируя его собственную историю поиска в рамках этого конкретного механизма) с целью переранжирования выдачи в реальном времени.

Claim 6 (Зависимый от 1): Детализирует механизм корректировки результатов с использованием Search Features.

Результаты поиска включают Search Features (курируемый контент). Корректировка включает идентификацию конкретной Search Feature, соответствующей намерению, и повышение ее рейтинга (increasing a respective ranking) относительно других Search Features.

Где и как применяется

Изобретение затрагивает несколько этапов поисковой архитектуры, включая офлайн-обработку данных и онлайн-корректировку ранжирования.

INDEXING / QUNDERSTANDING (Офлайн-процессы)
На этих этапах происходит сбор и хранение исторических данных (Logs Data Store, Context History Data Store). Training Module использует эти данные для обучения модели машинного обучения и генерации правил прогнозирования намерений (Intent Rules Data Store). Это процесс понимания того, как контекст влияет на намерение в глобальном масштабе.

QUNDERSTANDING – Понимание Запросов (Онлайн)
При получении запроса Context Module определяет текущий контекст устройства. Prediction Module уточняет этот контекст до релевантного подмножества (узкого контекста).

RANKING – Ранжирование (Онлайн)
Search Module генерирует первоначальный набор результатов поиска на основе запроса.

RERANKING – Переранжирование / METASEARCH – Метапоиск и Смешивание (Онлайн)
Основное применение патента. Prediction Module использует обученную модель и уточненный контекст для прогнозирования намерения. Затем он корректирует ранжирование полученных результатов (включая Search Features), чтобы выделить информацию, соответствующую намерению.

Входные данные (Онлайн):

• Поисковый запрос.
• Текущая контекстная информация устройства (локация, время, среда, состояние устройства, недавние действия).
• Обученная модель прогнозирования намерений.

Выходные данные (Онлайн):

• Скорректированный набор результатов поиска с измененным ранжированием.

На что влияет

• Специфические запросы: Наибольшее влияние на неоднозначные запросы, где намерение сильно зависит от ситуации (например, запрос [пицца] в офисе днем против запроса [пицца] дома вечером).
• Конкретные типы контента: Влияет на ранжирование Search Features (курируемого контента) – локальные блоки, блоки покупки билетов, переводы, обзоры, расписания.
• Конкретные ниши: Локальный поиск, путешествия (Travel), развлечения (Entertainment), E-commerce – ниши, где контекст (время, место, предыдущие действия) критически важен.

Когда применяется

• Условия работы: Алгоритм применяется в реальном времени во время обработки запроса.
• Триггеры активации: Активируется, когда доступна контекстная информация об устройстве и когда модель может предсказать конкретное намерение. В патенте упоминается возможность использования порога уверенности (minimum scoring threshold); если оценка намерения ниже порога (например, 50%), система может воздержаться от корректировки.

Пошаговый алгоритм

Процесс А: Обучение модели (Офлайн)

1. Сбор лог-данных: Получение Log Data (использование приложений, взаимодействие с Search Features) от группы устройств.
2. Сбор контекстной информации: Получение контекстной информации (время, местоположение, среда), связанной с этими действиями.
3. Обучение модели: Тренировка модели машинного обучения (например, deep-learning model) для прогнозирования действий пользователей на основе корреляции между Log Data и контекстом.

Процесс Б: Обработка запроса (Онлайн)

1. Получение запроса и контекста: Система получает запрос и определяет широкий текущий контекст устройства.
2. Уточнение контекста: Система определяет подмножество контекста (particular context), наиболее релевантное запросу. Согласно Claim 1, из этого подмножества исключается история поиска пользователя и включается информация об окружающей среде.
3. Прогнозирование намерения: Используя обученную модель, система прогнозирует намерение поиска для данного запроса в уточненном контексте.
4. Получение результатов поиска: Система получает стандартный набор результатов.
5. Корректировка результатов: Система корректирует результаты, чтобы выделить (продвинуть) информацию, удовлетворяющую намерению, часто путем повышения рейтинга релевантных Search Features.
6. Отправка результатов: Отправка скорректированных результатов пользователю.

Какие данные и как использует

Данные на входе

Система использует данные для обучения (агрегированные исторические) и данные реального времени (текущий контекст).

Исторические данные (Aggregate Log Data) - для обучения:

• Поведенческие факторы: Application usage data (какие приложения использовались в разных контекстах). Search feature data (взаимодействие с блоками курируемого контента в разных контекстах).

Данные реального времени (Contextual Information) - для прогнозирования:

• Географические и Средовые факторы (Environmental Information): Текущее местоположение, движение (скорость, направление), тип места, погодные условия, трафик.
• Временные факторы: Время суток, день недели.
• Технические факторы (Состояние устройства): Запущенные приложения, уровень заряда батареи, режим работы.
• Пользовательские факторы: События календаря, недавние покупки (например, билеты в кино или на самолет), интересы пользователя (user interest graph).

Примечание: Хотя система имеет доступ к истории поиска пользователя, Claim 1 указывает, что в рамках данного механизма она исключается из подмножества контекста, используемого для прогнозирования намерения.

Какие метрики используются и как они считаются

• Алгоритмы машинного обучения: Используется machine-learning model (в частности, deep-learning model). Модель обучается выявлять корреляции между контекстами и наблюдаемыми действиями пользователей.
• Определение релевантного контекста: Модель определяет, какие характеристики контекста наиболее важны для вывода о намерении для конкретного запроса (фильтрация шума).
• Оценка уверенности (Confidence Score): Модель генерирует оценку (score) или вероятность того, что прогнозируемое намерение верно. Может использоваться minimum scoring threshold.
• Метрики корректировки: Повышение рейтинга (increasing a respective ranking) информации или Search Features, удовлетворяющих намерению.

1. Намерение динамично и контекстуально: Google не рассматривает намерение запроса как статичное. Оно активно прогнозируется в реальном времени на основе текущей ситуации пользователя (место, время, среда, недавние действия).
2. Агрегированное поведение определяет индивидуальный контекст: Система использует исторические данные о том, как ведут себя другие пользователи в аналогичных ситуациях (Log Data), чтобы предсказать, что нужно текущему пользователю.
3. Уточнение контекста (Context Refinement): Система не использует весь доступный контекст, а активно определяет его релевантное подмножество (узкий контекст) для конкретного запроса, фильтруя нерелевантную информацию.
4. Переранжирование на основе ситуации: Если намерение определено, система переранжирует выдачу. Это механизм, позволяющий ситуационной релевантности преобладать над стандартной релевантностью.
5. Фокус на Search Features (Курируемый контент): Механизм корректировки часто фокусируется на продвижении или понижении Search Features. Это подчеркивает важность структурированных данных для попадания в эти блоки.
6. Специфика Claim 1: В описанном механизме подмножество контекста, используемое для прогнозирования, должно включать физическую среду (Environmental Information), но явно исключает собственную историю поиска пользователя, фокусируясь на немедленной ситуации и поведении других.

Best practices (это мы делаем)

• Анализ микро-интентов и контекстов: Необходимо выйти за рамки анализа ключевых слов и понять, в каких контекстах пользователи ищут вашу тематику. Анализируйте, как меняется интент в зависимости от времени суток, местоположения (мобильный vs десктоп) и сезонности.
• Оптимизация под Search Features и структурированные данные: Поскольку система активно продвигает Search Features, соответствующие контекстному намерению, использование релевантной микроразметки (Schema.org) критически важно. Это помогает Google использовать ваш контент в курируемых блоках (расписания, цены, обзоры, наличие товара, локальные данные).
• Создание контента для ситуативных потребностей: Разрабатывайте контент, который удовлетворяет немедленные потребности пользователей в специфических контекстах. Например, для пользователей в пути (мобильный контекст) предоставляйте краткие ответы, контактную информацию и инструкции "как добраться".
• Локальное SEO: Контекст местоположения (Environmental Information) является сильным сигналом для определения намерения. Для локальных бизнесов качественная проработка локальных сигналов становится еще более приоритетной.

Worst practices (это делать не надо)

• Игнорирование контекста и вариативности интента: Создание "универсального" контента в надежде, что он будет ранжироваться во всех ситуациях. Если контент не соответствует прогнозируемому контекстному намерению, он может быть понижен.
• Фокус только на текстовой релевантности: Оптимизация исключительно под совпадение ключевых слов без учета того, какую задачу пользователь пытается решить в данный момент.
• Игнорирование мобильного опыта: Контекстные сигналы часто поступают с мобильных устройств. Медленные или неадаптированные сайты не смогут удовлетворить немедленное намерение пользователя.

Стратегическое значение

Патент подтверждает стратегический курс Google на гипер-персонализированный и ситуативный поиск. Выдача становится динамической, адаптируясь к задаче пользователя в реальном времени. SEO-стратегия должна учитывать взаимодействие между запросом, контекстом и намерением. Понимание того, как Google использует машинное обучение для интерпретации поведения пользователей в масштабе (aggregate user behavior), позволяет лучше адаптироваться к изменениям в ранжировании. Приоритет отдается контенту, полезному "здесь и сейчас".

Практические примеры

Сценарий 1: Контекстная адаптация локального запроса (из патента)

1. Запрос: "Греческий" (Greek)
2. Контекст: Пользователь только что прилетел и находится в аэропорту в Греции (Environmental Information).
3. Прогноз системы: Основываясь на действиях других пользователей (Log Data) в аэропортах, система прогнозирует намерение — перевод языка, а не поиск ресторана.
4. Действие: Система корректирует выдачу, агрессивно продвигая Search Feature "Переводчик" на первую позицию и понижая блоки с ресторанами.

Сценарий 2: Адаптация на основе недавних действий (из патента)

1. Запрос: Название фильма (например, "Мстители").
2. Контекст: Система знает, что пользователь уже купил билет на этот фильм на будущий сеанс (Contextual Information - покупка).
3. Прогноз системы: Намерение не связано с покупкой билета. Анализ Log Data показывает, что в таком контексте пользователи ищут обзоры или информацию об актерах.
4. Действие: Система понижает Search Feature с расписанием сеансов и покупкой билетов, продвигая блоки с обзорами и информацией об актерском составе.