Как Google определяет, когда показывать пользователю его личные данные (Gmail, Контакты) вместо результатов веб-поиска

Термины и определения

Annotations (Аннотации)

Метки, присваиваемые терминам (n-граммам) в User Model, которые указывают на контекст использования термина. Примеры: имя, фамилия, адрес, человек, объект, тема, дата, время, местоположение.

Freshness (Свежесть)

Метрика, связанная с n-граммами в User Model, указывающая на актуальность данных. Основана на возрасте исходного контента. Свежесть влияет на Intent Score.

General Intent (Общее намерение)

Намерение пользователя получить результаты поиска, которые не зависят от его личных данных (агностичны к пользователю). Соответствует стандартному веб-поиску.

Implicit Intent Trigger (Триггер неявного намерения)

Компонент системы, который анализирует запрос и User Model для вычисления Intent Score и определения типа намерения (персональное или общее).

Intent Score (Оценка намерения)

Числовая метрика, указывающая на вероятность того, что намерение пользователя является персональным (Personal Intent).

Interest Window (Окно интереса)

Период времени, связанный с определенным событием в User Model (например, бронирование рейса). Запросы, попадающие в это окно (например, за 24 часа до вылета), с большей вероятностью считаются персональными.

N-grams (N-граммы)

Последовательности из одного или нескольких терминов, извлеченные из контента пользователя и сохраненные в User Model.

Personal Intent (Персональное намерение)

Намерение пользователя получить результаты поиска, специфичные для его личных данных (например, из его почты или контактов).

Query Annotator (Аннотатор запросов)

Компонент, который использует User Model для аннотирования терминов входящего запроса, помогая устранить неоднозначность и сформировать точный персональный запрос (Personal Query).

User-Generated Content (Контент, созданный пользователем)

Данные, генерируемые пользователем при использовании различных сервисов (электронная почта, чат, контакты, социальные сети). Является источником для построения User Model.

User Model (Модель пользователя)

Структура данных, специфичная для конкретного пользователя. Содержит n-граммы, извлеченные из его User-Generated Content, вместе с аннотациями, указывающими на контекст этих терминов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения намерения пользователя для активации персонального поиска.

1. Система получает поисковый запрос от пользователя.
2. Система обращается к User Model, специфичной для этого пользователя. Модель содержит n-граммы, причем термины в этих n-граммах аннотированы. Аннотации указывают на контекст, в котором эти термины использовались.
3. Система определяет намерение пользователя (User Intent) для этого запроса путем сравнения терминов запроса с терминами n-грамм в User Model.
4. Система получает результаты поиска, которые отвечают запросу и соответствуют определенному намерению пользователя.

Claim 5 (Зависимый от 1): Детализирует процесс определения намерения с помощью оценки.

1. Определение Intent Score на основе запроса и User Model.
2. Сравнение Intent Score с одним или несколькими пороговыми значениями.

Claim 7 и 8 (Зависимые от 5): Определяют условия для разных типов намерений.

• Если Intent Score превышает пороговое значение, намерение определяется как Personal Intent (Claim 7).
• Если Intent Score находится между первым (высоким) и вторым (низким) пороговыми значениями, намерение определяется как смешанное (Personal Intent и General Intent) (Claim 8).

Claim 9 (Зависимый от 5): Перечисляет факторы, используемые для расчета Intent Score.

Intent Score определяется на основе одного или нескольких из следующих факторов: свежесть (freshness) конкретных n-грамм в User Model, близость (точность) совпадений между терминами запроса и n-граммами в модели, качество результатов поиска, которые могут быть показаны пользователю, и история поиска пользователя.

Где и как применяется

Изобретение в первую очередь связано с пониманием запросов и персонализацией поиска для аутентифицированных пользователей.

INDEXING – Индексирование и извлечение признаков
На этом этапе система обрабатывает не публичный веб-контент, а User-Generated Content. Происходит индексация личных данных пользователя (User Content Index). Параллельно работает User Model Generator, который извлекает n-граммы, аннотирует их и строит User Model в офлайн-режиме.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Когда поступает запрос от аутентифицированного пользователя, система (Intent System) активирует Implicit Intent Trigger. Этот компонент обращается к User Model, чтобы определить контекст запроса и вычислить Intent Score. На этом же этапе может работать Query Annotator для устранения неоднозначностей в запросе на основе личного контекста пользователя.

RANKING – Ранжирование
Результат работы Intent System определяет, какие индексы будут использоваться для поиска. Если определен General Intent, используется стандартный Search Index. Если определен Personal Intent, используется User Content Index.

METASEARCH / RERANKING – Метапоиск и Переранжирование
Если намерение смешанное, результаты из разных индексов объединяются. На финальном этапе результаты могут корректироваться в зависимости от уровня уверенности (Intent Score). Если уверенность в Personal Intent высока, персональные результаты показываются заметно (prominently).

Входные данные:

• Поисковый запрос пользователя.
• User Model (аннотированные n-граммы, данные о свежести).
• User-Generated Content (для построения модели офлайн).
• История поиска пользователя (Historical Data).

Выходные данные:

• Определение намерения (Personal Intent, General Intent или смешанное).
• Intent Score.
• Аннотированный персональный запрос (Personal Query), если применимо.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы, которые могут относиться как к публичной информации, так и к личным данным пользователя. Например, запросы, содержащие имена контактов, названия авиакомпаний, ресторанов или адреса, по которым у пользователя есть бронирования или переписка.
• Конкретные типы контента: Влияет на отображение электронных писем, событий календаря, контактов и документов пользователя в результатах поиска. Косвенно влияет на видимость органических результатов, которые могут быть вытеснены персональными блоками.

Когда применяется

• Условия работы алгоритма: Алгоритм применяется только к аутентифицированным пользователям, для которых существует User Model.
• Триггеры активации: Активация персонального поиска происходит, когда Intent Score, рассчитанный путем сравнения запроса с User Model, превышает заданный порог.
• Особые случаи (Interest Window): Система учитывает временную близость к событию. Например, запрос [consolidated airlines] за 3 дня до рейса может быть расценен как General Intent, а за 24 часа до рейса — как Personal Intent (поиск информации о конкретном бронировании), так как он попадает в Interest Window.

Пошаговый алгоритм

Процесс А: Построение модели пользователя (Офлайн/Непрерывный)

1. Сбор данных: Получение доступа к User-Generated Content из различных сервисов (почта, соцсети, контакты и т.д.).
2. Извлечение информации: Идентификация терминов и концепций, представляющих потенциальный интерес. Фильтрация стоп-слов.
3. Генерация N-грамм: Формирование n-грамм из извлеченных терминов.
4. Аннотирование: Присвоение контекстных меток (Annotations) терминам в n-граммах на основе источника и контекста использования (например, термин из поля "Отправитель" аннотируется как 'Person' и 'Sender').
5. Оценка свежести: Присвоение метрики Freshness каждой n-грамме на основе возраста исходного документа.
6. Сохранение модели: Запись аннотированных n-грамм в User Model, специфичную для пользователя.
7. Обновление модели: Периодическое обновление модели при появлении нового контента или удаление устаревших n-грамм (чья свежесть ниже порога или если исходный документ удален).

Процесс Б: Обработка запроса и определение интента (Онлайн)

1. Получение запроса: Получение поискового запроса от аутентифицированного пользователя.
2. Доступ к модели: Загрузка соответствующей User Model.
3. Сравнение: Сравнение терминов запроса с n-граммами в User Model.
4. Расчет оценок: Вычисление промежуточных оценок на основе:
   • Близости совпадения (точное совпадение оценивается выше, чем синоним).
   • Свежести (Freshness) совпадающих n-грамм.
   • Истории поиска (какие результаты, приватные или публичные, пользователь выбирал ранее по схожим запросам).
   • Окна интереса (Interest Window) – близость ко времени события.
5. Вычисление Intent Score: Агрегация промежуточных оценок (возможно, с весовыми коэффициентами) в единую Intent Score.
6. Определение намерения: Сравнение Intent Score с порогами (Personal, Mixed, General).
7. Аннотирование запроса (если применимо): Если намерение персональное или смешанное, Query Annotator использует аннотации из User Model для уточнения запроса (например, для устранения неоднозначности) и формирования Personal Query. Запрос может быть сопоставлен с грамматическими шаблонами (например, [emails from /Sender/]).
8. Выполнение поиска: Направление запроса в соответствующий индекс (веб-индекс и/или персональный индекс) в зависимости от определенного намерения.
9. Предоставление результатов: Получение и отображение результатов, приоритизируя их в зависимости от типа намерения и уровня уверенности.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании личных данных пользователя для определения его намерений.

• Контентные факторы (User-Generated Content): Основной источник данных для построения User Model. Включает текст писем (тема, тело), посты в социальных сетях, данные контактной книги, события календаря. Анализируются термины (n-граммы) и контекст их использования.
• Поведенческие факторы: История поиска пользователя используется для расчета Intent Score. Учитывается, выбирал ли пользователь ранее персональные (private documents) или общие (public documents) результаты при схожих запросах (качество предыдущих результатов).
• Временные факторы: Возраст (Freshness) контента, из которого были извлечены n-граммы, критически важен. Также учитывается время запроса относительно времени событий в модели (Interest Window).
• Пользовательские факторы: Система требует аутентификации пользователя для доступа к его специфической User Model.

Какие метрики используются и как они считаются

• Intent Score (Оценка намерения): Основная метрика патента. Указывает на вероятность персонального намерения. Рассчитывается как комбинация (например, взвешенная сумма) нескольких факторов, описанных ниже.
• Freshness Score (Оценка свежести): Оценка актуальности n-граммы на основе возраста исходного документа. Более свежие данные получают более высокую оценку.
• Closeness of Match (Близость совпадения): Оценка того, насколько точно термины запроса совпадают с n-граммами в модели (точное совпадение vs. синонимы).
• Quality of Search Results (Качество результатов поиска): Исторические данные о релевантности и кликах по результатам (персональным или общим) для схожих запросов.
• Пороговые значения Intent Score: Система использует как минимум один, а чаще два порога для классификации намерения (Personal, General, Mixed).
• Interest Window Thresholds (Пороги окна интереса): Предопределенные периоды времени для разных типов событий (например, 24 часа для рейсов, несколько часов для ужина), используемые для оценки актуальности запроса.

Патент описывает внутренние процессы Google, связанные с инфраструктурой персонального поиска, и не дает прямых рекомендаций для SEO публичных сайтов.

1. Определение интента до поиска: Ключевая идея патента — определить намерение пользователя (персональное или общее) до выполнения ресурсоемкого поиска по личным данным. Это оптимизирует использование вычислительных ресурсов.
2. Глубокое профилирование пользователя (User Model): Google строит сложные модели пользователей на основе их личного контента. Эти модели — не просто набор ключевых слов, а структурированные данные (аннотированные n-граммы), где сохраняется контекст использования терминов.
3. Контекст и свежесть как ключевые сигналы интента: Свежесть (Freshness) данных в модели и временная близость к событию (Interest Window) являются критически важными факторами для определения того, ищет ли пользователь что-то актуальное и личное.
4. Устранение неоднозначности через личный контекст: User Model используется для disambiguation. Система может понять значение неоднозначного термина в запросе, опираясь на то, как этот термин использовался в личном контенте пользователя (например, отличая имя человека от общего термина).
5. Конкуренция за SERP: Хотя механизмы не влияют на ранжирование в публичном веб-индексе, они определяют структуру выдачи. Персональные результаты могут вытеснять органические, что влияет на видимость и CTR публичных сайтов.

Хотя патент описывает инфраструктуру персонального поиска и не дает прямых рекомендаций для оптимизации публичных сайтов, он предоставляет важный контекст для Senior SEO-специалистов по взаимодействию с экосистемой Google.

Best practices (это мы делаем)

• Оптимизация транзакционного контента (Email-маркетинг): Это ключевая практическая рекомендация. Поскольку User-Generated Content (включая входящие письма) является основой для User Model, необходимо обеспечить максимальную понятность транзакционных писем для парсеров Google. Используйте микроразметку Schema.org (например, для бронирований, заказов, рейсов) в электронных письмах. Это облегчает Google извлечение данных и их корректное аннотирование в User Model пользователя.
• Четкое позиционирование сущностей (Entity Recognition): Работайте над тем, чтобы Google четко идентифицировал ваш бренд, продукты и услуги как сущности. Это повышает вероятность того, что система корректно свяжет публичную информацию о вашем бренде с личными взаимодействиями пользователя (например, его чеками или бронированиями).
• Учет персонализации в аналитике: При анализе трафика и позиций учитывайте, что для аутентифицированных пользователей выдача может радикально отличаться. Если у пользователя есть активное взаимодействие с вашим брендом (например, недавний заказ), система может показать персональные результаты выше публичных, особенно если запрос попадает в Interest Window.

Worst practices (это делать не надо)

• Попытки манипулировать User Model через публичный контент: Невозможно и нецелесообразно пытаться повлиять на User Model пользователя через публичный контент. Система построена на анализе личных, непубличных данных.
• Игнорирование микроразметки в коммуникациях: Отправка транзакционных писем в виде неструктурированного текста или изображений усложняет Google понимание взаимодействия пользователя с вашим бизнесом, что может ухудшить пользовательский опыт при персональном поиске.
• Анализ SERP только в режиме инкогнито: Оценка позиций без учета глубокой персонализации, основанной на личных данных, не дает полной картины видимости сайта для реальных пользователей.

Стратегическое значение

Патент подтверждает стратегический фокус Google на глубокой персонализации и понимании индивидуального контекста пользователя. Для SEO это означает, что стандартная органическая выдача все чаще становится лишь одним из возможных ответов. В ситуациях, когда Intent Score высок, публичные результаты могут быть значительно понижены в пользу персональных данных. Стратегия должна учитывать весь путь пользователя (Customer Journey), включая пост-транзакционные взаимодействия, которые формируют User Model.

Практические примеры

Сценарий: Улучшение видимости бронирований авиакомпании в персональном поиске

1. Задача: Авиакомпания хочет, чтобы пользователи легко находили информацию о своем предстоящем рейсе, просто введя название авиакомпании в Google.
2. Действие (на основе патента): Авиакомпания внедряет микроразметку Schema.org (FlightReservation) в электронные письма с подтверждением бронирования.
3. Как это работает (по патенту):
   • Google парсит письмо (User-Generated Content) и извлекает данные о рейсе.
   • User Model Generator добавляет n-граммы (название авиакомпании, номер рейса) в User Model пользователя и аннотирует их как 'Flight', 'Airline', а также устанавливает дату (Freshness).
   • Когда пользователь вводит название авиакомпании за 24 часа до вылета (попадание в Interest Window), Implicit Intent Trigger вычисляет высокий Intent Score.
4. Ожидаемый результат: Система определяет Personal Intent и отображает детали предстоящего рейса пользователя на первой позиции в выдаче, выше стандартной ссылки на сайт авиакомпании.