Как Google предсказывает запросы в Картах до того, как пользователь открыл приложение или ввел запрос

Термины и определения

Characteristics (Характеристики)

Исторические данные, связанные с устройством. Включают посещенные ранее места, предыдущие поисковые запросы, предыдущие выборы ссылок, временные метки, а также запросы других устройств поблизости.

Intermediary Server (Промежуточный сервер)

Сервер, который получает данные от клиентского устройства, выполняет прогнозирование и выбирает контент.

Launch Application State/Prediction (Состояние/Прогноз запуска приложения)

Оценка вероятности того, что пользователь откроет определенное приложение (например, Карты) в течение заданного периода времени.

Link to a geographic location (Ссылка на географическое местоположение)

Контент, предоставляемый пользователю. В контексте патента — ссылка на географическое положение объекта (geographic location of an entity), часто включающая маршрут до него.

Query Prediction (Прогноз запроса)

Предсказание поискового запроса (строки текста), который пользователь, вероятно, введет в приложение после его запуска.

Set of Identifications (Набор идентификаторов)

Структурированный набор данных (вектор признаков или Feature Vector), включающий текущее местоположение и характеристики устройства. Используется как входные данные для моделей машинного обучения.

Traveling Speed (Скорость движения)

Характеристика, вычисляемая сервером на основе сравнения текущего и предыдущего местоположения и временных меток. Используется для определения контекста пользователя.

Ключевые утверждения (Анализ Claims)

Анализ основан на Granted Claims патента US12141136B2.

Claim 1 (Независимый пункт): Описывает основной метод предоставления контента с низкой задержкой.

1. Сервер получает текущее местоположение устройства.
2. Сервер повторно прогнозирует, откроет ли пользователь приложение карт в течение определенного периода времени, пока прогноз не превысит первый порог (Threshold 1).
3. До получения ввода запроса сервер извлекает характеристики устройства и генерирует Set of Identifications.
4. Сервер прогнозирует запрос, используя этот набор.
5. После того как было предсказано открытие приложения, сервер определяет, превышает ли прогноз запроса (Query Prediction) второй порог (Threshold 2).
6. Если да, выбирается Link (ссылка на географический объект), связанный с прогнозом запроса.
7. В ответ на выбор пользователем приложения карт, сервер передает выбранную ссылку устройству до получения запроса от пользователя.

Ядро изобретения — это двухэтапное прогнозирование (запуск приложения, затем запрос) и предварительный выбор контента на основе контекста для обеспечения мгновенного ответа при фактическом запуске приложения.

Claim 3 и 4 (Зависимые от 2): Уточняют, как используется история местоположений для прогнозирования запуска приложения.

Система сравнивает временные метки и координаты предыдущих и текущих местоположений для вычисления Traveling Speed (Claim 3) или для определения того, что пользователь не двигался в течение определенного периода (Claim 4).

Скорость движения и статус (движется/стоит) являются важными признаками для определения контекста пользователя и вероятности использования карт.

Claim 5 (Зависимый от 1): Определяет состав характеристик (Characteristics).

Характеристики включают: ранее посещенные места, предыдущие поиски, предыдущие выборы ссылок, временные метки поисков, текущее время суток или запросы, связанные с другими клиентскими устройствами.

Это критически важный пункт, указывающий на использование не только персональной истории, но и агрегированных данных о поведении других пользователей (сигналы толпы) для прогнозирования.

Claim 7 (Зависимый от 1): Описывает механизм обучения с подкреплением (Reinforcement Learning).

Если система получает подтверждение выбора пользователем предложенной ссылки, она увеличивает prediction score, связанный с этой ссылкой. Это позволяет системе самообучаться на успешных прогнозах.

Где и как применяется

Изобретение применяется на стыке понимания контекста пользователя и предоставления результатов поиска, минуя этап явного ввода запроса.

INDEXING – Индексирование (Косвенно)
Система использует Characteristic Database для хранения истории местоположений, прошлых запросов и других поведенческих данных, связанных с устройством. Это аналог индексации пользовательских сигналов.

QUNDERSTANDING – Понимание Запросов (Предиктивное)
Это основная область применения патента. Система выполняет функции понимания запроса, но делает это предиктивно, без самого запроса. Вместо анализа текста она анализирует контекст (Set of Identifications), чтобы спрогнозировать намерение (Query Prediction).

RANKING – Ранжирование (Предварительное)
После прогнозирования запроса компонент Link Selector должен выбрать наилучший результат. Этот процесс аналогичен ранжированию, но выполняется заранее. Патент упоминает, что выбор может включать запрос к контент-серверам и выбор ссылки с наивысшей ценностью (highest value), что подразумевает механизм ранжирования или аукциона.

Входные данные:

• Сигналы текущего местоположения (Real-time).
• Исторические данные (История местоположений, поиска, кликов).
• Контекстные данные (время суток, скорость движения, запросы других пользователей).

Выходные данные:

• Launch Application Prediction (Вероятность запуска).
• Query Prediction (Предсказанный запрос).
• Link (Выбранная ссылка на локацию/маршрут).

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на Local SEO, особенно на объекты с физическими адресами (brick-and-mortar) — рестораны, магазины, заправки, развлечения, доступные через Google Maps.
• Специфические запросы: Влияет на запросы, связанные с немедленными потребностями и сильно зависящие от контекста (например, "кофе рядом", маршрут домой, поиск парковки).
• Платформы: Применяется в мобильных приложениях (Google Maps, Google App) и потенциально в Google Assistant.

Когда применяется

Алгоритм работает непрерывно, но активирует выбор и отправку контента только при выполнении условий:

• Триггер активации 1: Когда модель ML определяет, что вероятность запуска приложения (Launch Application State) превышает установленный порог (Threshold 1). Это часто происходит при изменении контекста (например, пользователь сел в машину или остановился).
• Триггер активации 2: Когда уверенность в прогнозе запроса (Query Prediction Confidence Score) превышает второй порог (Threshold 2).

Пошаговый алгоритм

Описание процесса предиктивной доставки контента.

1. Фоновый сбор данных: Сервер периодически получает и сохраняет сигналы о местоположении клиентского устройства с временными метками.
2. Получение текущего контекста и Извлечение Признаков: Сервер получает актуальный сигнал о местоположении. Извлекаются исторические Characteristics устройства (прошлые поиски, посещения, клики).
3. Генерация и обработка признаков (Feature Engineering):
   • Рассчитывается Traveling Speed путем сравнения текущего и предыдущих местоположений.
   • Определяется статус движения (остановился, идет пешком, едет на машине).
   • Формируется Set of Identifications (Вектор признаков), включающий все контекстуальные данные.
4. Этап 1: Прогноз Запуска Приложения (ML Модель 1): Вектор признаков подается в первую модель. Определяется Launch Application Prediction.
5. Проверка Порога 1: Превышает ли вероятность запуска Threshold 1?
   • Если НЕТ: Вернуться к шагу 1 (ожидание новых данных).
   • Если ДА (пользователь скоро откроет приложение): Перейти к Этапу 2.
6. Этап 2: Прогноз Запроса (ML Модель 2): Вектор признаков подается во вторую модель. Определяются Query Predictions и их оценки уверенности.
7. Проверка Порога 2: Превышает ли оценка лучшего прогноза Threshold 2?
   • Если НЕТ: Остановить процесс до получения новых данных.
   • Если ДА: Выбрать лучший прогноз.
8. Выбор Контента (Link Selection): Система (Link Selector) ищет Link (ссылку на локацию), соответствующий прогнозу запроса.
9. Передача Контента: Сервер передает ссылку на клиентское устройство. (В зависимости от реализации, это может произойти до запуска приложения для кэширования (Pre-fetching) или немедленно после запуска (Reactive)).
10. Обучение (Обратная связь): Если пользователь взаимодействует с предложенной ссылкой, сервер увеличивает prediction score для этого результата (обучение с подкреплением).

Какие данные и как использует

Данные на входе

Система использует исключительно контекстуальные и исторические данные, так как фактический запрос отсутствует. Контентные или ссылочные факторы веб-страниц не используются.

• Географические факторы:
  • Текущее местоположение (Current Location).
  • Предыдущие местоположения (Previous Locations).
  • Скорость движения (Traveling Speed), вычисленная на сервере.
• Временные факторы:
  • Текущее время суток (Current time of day).
  • Временные метки (Timestamps) предыдущих локаций и поисков.
• Поведенческие и Пользовательские факторы:
  • История посещенных мест (Previously visited locations).
  • Предыдущие поисковые запросы (Previous Searches).
  • Предыдущие выборы ссылок (клики на предложенный контент).
• Агрегированные данные (Сигналы толпы):
  • Запросы, связанные с другими клиентскими устройствами (queries associated with other client devices) в течение определенного периода времени (Claim 5).

Какие метрики используются и как они считаются

• Traveling Speed (Скорость движения): Рассчитывается путем сравнения расстояния и времени между текущим и предыдущим местоположением.
• Confidence Scores (Оценки уверенности): Выходные данные моделей машинного обучения для Launch Application State и Query Prediction.
• Thresholds (Пороги): Предопределенные значения (Threshold 1 и 2), которые должны превысить оценки уверенности для активации доставки контента.
• Prediction Score (Оценка прогноза): Метрика для обучения с подкреплением. Увеличивается, если пользователь кликнул на предложенную ссылку (Claim 7).
• Алгоритмы машинного обучения: Патент явно упоминает и иллюстрирует использование нейронных сетей (Neural Networks) для прогнозирования. Упоминаются методы обучения, включая back propagation (обратное распространение ошибки).

1. Приоритет контекста над явным запросом: Патент демонстрирует механизм, в котором контекст (место, время, скорость, история) полностью заменяет явный текстовый запрос для генерации и ранжирования локальных результатов.
2. Двухэтапное прогнозирование поведения: Google использует каскад ML-моделей. Сначала прогнозируется действие (запуск приложения), и только при высокой уверенности прогнозируется намерение (запрос). Это оптимизирует использование ресурсов.
3. Критичность данных о перемещении: Скорость движения (Traveling Speed) и статус (движется/остановился) являются ключевыми сигналами для определения немедленного намерения пользователя (Intent).
4. Использование "Сигналов толпы" (Crowd Signals): В патенте явно указано использование запросов других устройств (Claim 5). Популярные запросы поблизости могут влиять на то, что будет предсказано для конкретного пользователя.
5. Обучение с подкреплением (Reinforcement Learning): Система самообучается. Успешные взаимодействия пользователя с предложенным контентом усиливают вес (prediction score) этого результата в будущем для схожих контекстов.
6. Нулевая задержка как цель UX: Вся архитектура построена для того, чтобы результат был готов до того, как он потребуется пользователю, что радикально улучшает пользовательский опыт в мобильных приложениях.

Best practices (это мы делаем)

Патент имеет прямое отношение к Local SEO и оптимизации видимости бизнеса в проактивных предложениях Google Карт.

• Стимулирование реального взаимодействия и повторных визитов: Поскольку система опирается на историю посещений и историю поиска (Previous Searches, Previously visited locations), необходимо стимулировать пользователей искать ваш бизнес, строить к нему маршруты и посещать его. Повторные визиты формируют паттерн, который модель может распознать и начать прогнозировать.
• Усиление контекстуальной релевантности: Необходимо работать над тем, чтобы сущность компании была тесно связана с контекстами, в которых пользователи ее ищут (время, местоположение). Например, кофейня должна иметь сильные сигналы для утреннего контекста. Это достигается через точные данные в GBP (часы работы) и поведенческие сигналы.
• Повышение локальной популярности (Prominence): Так как система может учитывать запросы других пользователей поблизости (queries associated with other client devices), повышение общей популярности и частоты запросов вашего бизнеса в определенном районе может увеличить вероятность его предиктивного показа соседним пользователям.
• Оптимизация сущностей (Entity Optimization): Убедитесь, что Google четко понимает, что представляет собой ваша организация и где она находится. Чем сильнее и однозначнее сигналы сущности в Knowledge Graph, тем выше вероятность быть выбранным системой на основе прогноза.

Worst practices (это делать не надо)

• Игнорирование контекста и поведения: Сосредоточение только на ключевых словах в GBP без учета реального поведения пользователей (перемещения, история поисков). Эта система опирается на контекст, а не только на текстовую оптимизацию.
• Манипуляции с локацией: Попытки казаться релевантными в локациях, где бизнес физически не присутствует или не популярен, будут неэффективны, так как система опирается на реальные данные о местоположении пользователей.
• Неточные геоданные: Ошибки в координатах или часах работы сделают невозможным для системы предложить вашу локацию в релевантное время или место.

Стратегическое значение

Патент подтверждает стратегию Google по переходу от реактивного поиска (ответ на запрос) к проактивному (предсказание потребности). Для SEO это означает переход от парадигмы "ранжирования по ключевому слову" к парадигме "релевантности паттерну жизни пользователя". Долгосрочная стратегия должна фокусироваться на построении сильных сущностей, которые Google может уверенно рекомендовать в различных контекстах, основываясь на поведении пользователей.

Практические примеры

Сценарий 1: Прогноз утреннего кофе (Pre-fetching)

1. Контекст: Пользователь едет на машине (Traveling Speed > 30mph) в будний день в 8:30 утра (Current time).
2. История: Три раза за последнюю неделю пользователь посещал кофейню «CoffeeBean» по этому маршруту в это время (Previous locations).
3. Прогноз запуска: Система определяет высокую вероятность запуска Карт (Launch Application State > Threshold 1).
4. Прогноз запроса: Система генерирует Query Prediction "CoffeeBean" с высокой степенью уверенности (Threshold 2 превышен).
5. Действие: Маршрут до CoffeeBean заранее загружается в кэш устройства (Pre-fetching).
6. Результат: Когда пользователь открывает Карты, маршрут до CoffeeBean отображается мгновенно.

Сценарий 2: Поиск обеда на основе данных толпы (Reactive)

1. Контекст: Пользователь находится в офисном здании в 12:30.
2. Данные толпы: За последние 15 минут много других пользователей в этом же здании искали "Суши" (queries associated with other client devices).
3. Действие: Пользователь открывает Карты. Система получает сигнал о запуске.
4. Прогноз запроса: Система мгновенно (Реактивный режим, как описано в Claim 1) генерирует Query Prediction "Суши" на основе контекста и данных толпы и доставляет результат.
5. Результат: Приложение мгновенно показывает ближайшие суши-рестораны до того, как пользователь начал печатать.