Как Google оптимизирует отображение поисковых подсказок (Autocomplete) на маленьких экранах, показывая только следующие слова

Термины и определения

Phrase Segment (Сегмент фразы)

Часть фразы (часто одно слово), которая следует сразу за введенным пользователем текстом в идентифицированной фразе-кандидате. Это то, что отображается пользователю в качестве подсказки.

Received Text (Полученный текст)

Текст, введенный пользователем в вычислительную систему (например, в поисковую строку).

Concatenated Text (Конкатенированный/объединенный текст)

Новый текст, сформированный путем объединения Received Text с выбранным пользователем Phrase Segment.

Web Activity (Веб-активность)

Данные о поведении пользователя, используемые для ранжирования предлагаемых сегментов фраз. Включает историю поиска, посещенные сайты, а также (согласно патенту) текстовые сообщения и электронную почту.

Ranks (Ранги)

Порядок сортировки предлагаемых сегментов фраз, определенный на основе Web Activity.

Head-Wearable Display Device (Носимое наголовное устройство отображения)

Устройство типа очков (например, Google Glass), для которого данный метод оптимизации интерфейса особенно актуален.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод управления подсказками для завершения фраз.

1. Система получает введенный текст.
2. Идентифицируется первое множество фраз, которые начинаются с этого текста и содержат следующий за ним сегмент фразы.
3. Критический шаг: На основе веб-активности (web activity) вычислительной системы определяются ранги (ranks), связанные с этими фразами.
4. На основе этих рангов отображается первый список сегментов фраз без отображения полученного текста (without displaying the received text).
5. Система получает ввод, определяющий выбор одного из отображенных сегментов.

Ядро изобретения заключается в комбинации двух аспектов: (1) экономия места за счет отображения только следующего сегмента и (2) использование web activity для персонализированного ранжирования этих сегментов.

Claim 2 (Зависимый от 1): Описывает итеративный процесс формирования запроса.

1. Полученный текст объединяется с выбранным сегментом, формируя конкатенированный текст.
2. Идентифицируется второе множество фраз, начинающихся с этого нового текста.
3. Отображается второй список следующих сегментов без отображения конкатенированного текста.

Этот пункт описывает механизм поэтапного построения длинных запросов путем последовательного выбора следующего слова.

Claim 7 (Зависимый от 1): Уточняет источники данных для идентификации фраз.

Поисковая система может быть настроена на поиск по отправленным и полученным текстовым сообщениям для идентификации фраз. Это указывает на глубокий уровень персонализации, выходящий за рамки истории веб-поиска.

Где и как применяется

Изобретение применяется на стороне клиента, на этапе взаимодействия пользователя с интерфейсом ввода, до отправки финального запроса на ранжирование.

QUNDERSTANDING – Понимание Запросов (Этап формирования запроса / Query Formulation)

Механизм применяется в пользовательском интерфейсе (например, в веб-браузере или приложении для обмена сообщениями) для оптимизации работы системы подсказок (Autocomplete/Suggest).

• Взаимодействие: Локальное приложение взаимодействует с Search Engine (внешним или локальным) для получения списка фраз и использует данные профиля пользователя для их ранжирования.
• Входные данные:
  • Текст, вводимый пользователем в реальном времени (Received Text).
  • Данные об активности пользователя (Web Activity, история поиска, сообщения, email).
• Выходные данные:
  • Список ранжированных сегментов фраз (Phrase Segments), отображаемый без повторения введенного текста.
  • Конкатенированный текст (Concatenated Text) для следующего шага.

На что влияет

• Устройства: Влияет на UX на устройствах с ограниченным размером экрана: смартфоны, PDA и особенно носимые устройства (Head-Wearable Display Device).
• Специфические запросы: Облегчает формирование длинных, многословных запросов (long-tail queries), позволяя пользователям строить их поэтапно.
• Приложения: Веб-браузеры, приложения для обмена текстовыми сообщениями и электронной почты.

Когда применяется

• Триггеры активации: Алгоритм активируется в реальном времени, когда пользователь начинает вводить текст в поле ввода (search field). Ввод может обрабатываться посимвольно или пословно.
• Условия: Применяется, когда система может идентифицировать фразы, начинающиеся с введенного текста, и когда активен данный режим отображения для экономии места.

Пошаговый алгоритм

1. Получение текста: Система фиксирует текст (Received Text), введенный пользователем.
2. Идентификация фраз: Введенный текст передается в Search Engine. Идентифицируется набор фраз, которые начинаются с этого текста.
3. Ранжирование фраз: Система определяет ранги (ranks) для идентифицированных фраз. Ранжирование основывается на данных об активности пользователя (web activity).
4. Извлечение сегментов: Из высокоранжированных фраз извлекается следующий сегмент (Phrase Segment), следующий сразу за введенным текстом.
5. Отображение (оптимизированное): Система отображает список ранжированных сегментов в интерфейсе. Уже введенный текст не повторяется в списке подсказок.
6. Обработка выбора: Система получает от пользователя выбор одного из предложенных сегментов.
7. Конкатенация: Выбранный сегмент добавляется к ранее введенному тексту, формируя Concatenated Text.
8. Итерация: Полученный Concatenated Text используется как новый ввод, и процесс повторяется с шага 2, предлагая следующие сегменты для расширенной фразы.

Какие данные и как использует

Данные на входе

Патент фокусируется на интерфейсе, но четко определяет данные, используемые для ранжирования подсказок:

• Контентные факторы (Текстовые данные): Текст, вводимый пользователем в реальном времени (Received Text).
• Пользовательские и Поведенческие факторы (Web Activity): Это ключевые данные для ранжирования подсказок (Claim 1). Патент детализирует источники этих данных:
  • Предыдущие поисковые запросы (prior search entries, historical user search activities).
  • Избранные веб-сайты (favorite web sites).
  • Ранее просмотренные документы.
  • Текстовые сообщения (text messaging, sent and received text messages).
  • Электронная почта (emailing).

Какие метрики используются и как они считаются

• Ранги (Ranks): Основная метрика, используемая для сортировки предлагаемых сегментов фраз. Патент утверждает, что ранги определяются на основе web activity. Конкретные формулы или алгоритмы расчета этих рангов в документе не описаны.

1. Патент описывает оптимизацию UI/UX, а не алгоритм ранжирования поиска: Основная цель патента — улучшение опыта ввода запросов на устройствах с маленькими экранами. Он не дает рекомендаций для SEO по оптимизации контента.
2. Механизм отображения подсказок: Ключевая идея — не показывать уже введенный текст в списке подсказок, а показывать только следующие возможные сегменты (слова) для экономии места.
3. Поэтапное формирование запроса: Патент описывает итеративный механизм, который позволяет пользователям строить длинные запросы шаг за шагом. Это может направлять пользователей к более специфичным формулировкам.
4. Глубокая персонализация подсказок (Web Activity): Важнейший вывод для понимания работы Google Suggest/Autocomplete — предлагаемые сегменты ранжируются на основе web activity пользователя.
5. Широкие источники для персонализации: Патент указывает, что для ранжирования подсказок могут использоваться не только история поиска, но и личные данные, такие как текстовые сообщения и электронная почта.

Best practices (это мы делаем)

Хотя патент ориентирован на UI, он дает важные косвенные инсайты для исследования ключевых слов и понимания работы Google Autocomplete:

• Анализ структуры Autocomplete (Suggest Optimization): Тщательно анализируйте, какие слова естественно следуют за вашими основными ключевыми терминами. Создавайте контент, который отражает эти естественные языковые паттерны и цепочки запросов. Если пользователи строят запросы итеративно, ваш контент должен соответствовать этим популярным путям.
• Учет персонализации при Keyword Research: Помните, что подсказки сильно персонализированы (на основе Web Activity, включая историю поиска и даже переписку). При исследовании ключевых слов используйте режим инкогнито или специализированные инструменты для сбора агрегированных, неперсонализированных данных о подсказках.
• Фокус на естественных словосочетаниях (Collocations): Сосредоточьтесь на использовании естественных фраз в контенте. Это увеличивает вероятность того, что ваш контент будет релевантен запросам, сформированным с помощью системы подсказок.

Worst practices (это делать не надо)

Данный патент не направлен против каких-либо SEO-манипуляций и не делает какие-либо SEO-тактики неэффективными, так как он описывает интерфейс ввода.

Стратегическое значение

Патент подтверждает стратегическую важность Mobile UX и адаптации интерфейсов под различные устройства (включая носимые гаджеты). Для SEO это подтверждение того, что процесс формирования запроса активно управляется Google. Понимание механизмов Autocomplete и того факта, что подсказки ранжируются и персонализируются, является ключевым для эффективного исследования ключевых слов и понимания интента пользователей.

Практические примеры

Практических примеров применения для SEO нет, так как патент описывает интерфейс ввода. Ниже приведен пример работы интерфейса, описанного в патенте (из FIG. 5A-5E).

Сценарий: Ввод запроса "san francisco giants tickets" на маленьком экране

1. Действие пользователя: Вводит "san".
2. Отображение (согласно патенту): Система показывает сегменты: "jose", "francisco", "santana", "santa". (Слово "san" не повторяется).
3. Действие пользователя: Выбирает "francisco". Текущий ввод: "san francisco".
4. Отображение (согласно патенту): Система показывает сегменты: "weather", "chronicle", "zoo", "giants", "ballet" и т.д.
5. Действие пользователя: Выбирает "giants". Текущий ввод: "san francisco giants".
6. Отображение (согласно патенту): Система показывает сегменты: "schedule", "tickets", "2011", "showtime" и т.д.