Как Google использует выделенный на странице контент для параллельного поиска в специализированных базах данных (приложения, расширения, товары)

Термины и определения

Assisted Search (Ассистированный поиск)

Процесс поиска, инициируемый анализом контента, выбранного пользователем на веб-странице, а не вводом ключевых слов.

Combined Search Result Page (Комбинированная страница результатов поиска)

Интерфейс, отображающий результаты нескольких параллельных поисковых запросов. Результаты группируются по запросам, а не смешиваются в единый ранжированный список.

Confidence Score (Оценка уверенности)

Показатель вероятности того, что конкретный объект (интент) действительно представлен в выбранном пользователем контенте.

Context Items (Элементы контекста)

Дополнительный контент (текст, изображения) на веб-странице, окружающий выбранный контент. Используется для уточнения намерений.

Non-document items (Не-документные элементы)

Элементы в базе данных, которые не являются стандартными веб-документами и имеют ограниченный объем индексируемого текста (например, приложения, расширения, товары).

Object (Объект)

Предполагаемое поисковое намерение (интент), ключевое слово, тема или сущность, извлеченная из выбранного контента и используемая в качестве поискового запроса.

Parallel Search (Параллельный поиск)

Одновременное выполнение нескольких поисковых запросов (для разных объектов), инициированных одним действием пользователя.

Prominence (Приоритет / Выделение)

Визуальное выделение набора результатов для основного (наиболее вероятного) запроса. Может выражаться в отображении выше других результатов, большем размере блока или включении дополнительной информации (rich results).

Saliency Score (Оценка значимости)

Показатель того, насколько важен или актуален объект для выбранного контента (является ли он основной темой или второстепенной).

Search Converter (Конвертер поиска)

Ключевой компонент, который анализирует контент, идентифицирует объекты и преобразует (оптимизирует) их в ключевые слова, релевантные для конкретной целевой базы данных.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ассистированного поиска.

1. Система получает выбранный контент с клиентского устройства.
2. С помощью Search Converter определяются как минимум первый и второй объекты (интенты) для этого контента.
3. Генерируются первые результаты путем поиска в базе данных с использованием первого объекта в качестве запроса.
4. Генерируются вторые результаты путем поиска в базе данных с использованием второго объекта в качестве запроса.
5. Выбирается первый набор из первых результатов и второй набор из вторых результатов. Выбор основан на релевантности объектов выбранному контенту (т.е. на основе их оценок).
6. Предоставляется пользовательский интерфейс, включающий оба набора результатов.

Claim 2, 9, 10 (Зависимые): Детализируют ранжирование интентов и отображение.

Первый набор результатов имеет Prominence над вторым набором (Claim 2). Этот приоритет определяется тем, что оценка (score), рассчитанная Search Converter для первого объекта, выше, чем для второго (Claim 9). Эта оценка является комбинацией Confidence Score и Saliency Score (Claim 10).

Claim 3, 4, 5 (Зависимые): Определяют, как проявляется Prominence.

Приоритет может выражаться в том, что первый набор содержит больше информации (Claim 3), занимает больше места на дисплее (Claim 4) или отображается перед вторым набором (Claim 5).

Claim 6 (Зависимый): Определяет критически важную функцию Search Converter.

Search Converter включает модель обнаружения объектов со специальным слоем, который преобразует (converts) объекты, идентифицированные в контенте, в ключевые слова, релевантные для элементов в целевой базе данных. Это подчеркивает адаптацию запроса под специфику базы.

Claim 8 (Зависимый): Указывает на эффективность процесса.

Запросы для первого и второго объектов отправляются параллельно.

Claim 13 (Зависимый): Подчеркивает важность контекста.

Система получает контекст (context) для выбранного контента (окружающий контент), который используется Search Converter при определении объектов.

Где и как применяется

Этот патент не описывает работу основного веб-поиска. Он применяется к специализированным поисковым системам для конкретных баз данных (например, Google Play, Chrome Web Store, Google Shopping).

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. «Запросом» является выделенный пользователем контент. Search Converter выполняет глубокий анализ этого мультимодального контента: определяет несколько потенциальных интентов (objects), оценивает их вероятность (Confidence) и значимость (Saliency). Затем он выполняет ключевую задачу: преобразует эти интенты в оптимизированные ключевые слова, подходящие для поиска в целевой базе данных non-document items.

RANKING – Ранжирование
Система инициирует параллельное выполнение нескольких поисковых операций в целевой базе данных. Каждая операция ранжирует элементы базы данных по релевантности соответствующему оптимизированному запросу.

METASEARCH – Метапоиск и Смешивание
Система агрегирует результаты параллельных поисков. Вместо традиционного смешивания используется генерация Combined Search Result Page. Результаты группируются по исходным запросам (интентам). Группы упорядочиваются на основе комбинированной оценки (Confidence + Saliency). Группа с наивысшей оценкой получает визуальный приоритет (Prominence).

Входные данные:

• Выделенный пользователем контент (текст, изображение, ссылка).
• Контекстные элементы (Context Items) – окружающий контент на странице.
• Данные о целевой базе данных (используются Search Converter для оптимизации запросов).

Выходные данные:

• Combined Search Result Page с несколькими наборами результатов, сгруппированными по интентам.

На что влияет

• Конкретные типы контента и ниши: Влияет на возможность обнаружения non-document items. Это критически важно для ASO (мобильные приложения), оптимизации браузерных расширений и E-commerce (товары в каталогах). Не влияет на ранжирование стандартных веб-страниц.
• Специфические запросы: Влияет на контекстные запросы, инициированные через специальный интерфейс (например, функции типа Google Lens или Circle to Search), а не на стандартные поисковые запросы, вводимые в строку поиска.

Когда применяется

• Триггеры активации: Алгоритм активируется только тогда, когда пользователь явно использует функцию ассистированного поиска. Это требует наличия специального элемента управления (search control) в браузере или приложении и выполнения пользователем определенного действия (выделение контента + активация контроля, например, через drag-and-drop).
• Условия работы: Применяется при поиске в базах данных, где элементы имеют ограниченное текстовое описание и для которых настроен соответствующий Search Converter.
• Пороговые значения: Система использует пороги для Confidence Score. Если уверенность недостаточна (Sufficient Confidence? - No), система может запросить дополнительный контекст (Obtain additional context) для уточнения интента.

Пошаговый алгоритм

Этап 1: Инициация поиска на клиенте

1. Отображение веб-страницы: Браузер отображает веб-страницу.
2. Выбор контента: Пользователь выделяет часть контента (текст, изображение или их комбинацию).
3. Активация поиска: Пользователь активирует элемент управления поиском.
4. Сбор контекста: Система идентифицирует контекстные элементы (Context Items), окружающие выделенный контент.
5. Отправка запроса: Выделенный контент и контекст отправляются на поисковый сервер.

Этап 2: Обработка на сервере (Assisted Search Interface)

1. Получение данных: Сервер получает выделенный контент и контекст.
2. Анализ и конвертация (Search Converter):
   1. Контент анализируется для идентификации потенциальных объектов (интентов) с помощью моделей машинного обучения (NLP, распознавание изображений).
   2. Для каждого объекта рассчитываются Confidence Score и Saliency Score.
   3. Проверка уверенности: Проверяется, достаточен ли уровень уверенности. При необходимости система может запросить дополнительный контекст и повторить анализ.
   4. Объекты преобразуются в ключевые слова, оптимизированные для целевой базы данных.
3. Выбор и ранжирование объектов: Объекты ранжируются на основе комбинированной оценки. Выбираются Топ-N объектов (например, первый и второй).
4. Параллельный поиск (Parallel Search Module): Система инициирует одновременный поиск в базе данных для каждого выбранного объекта.
5. Генерация результатов: Поисковая система базы данных возвращает ранжированные списки элементов для каждого запроса.
6. Формирование выдачи:
   1. Система выбирает Топ-K элементов из каждого списка результатов. Количество элементов в наборе зависит от оценок объекта и доступного места на дисплее.
   2. Генерируется Combined Search Result Page. Наборы группируются.
   3. Первый набор (соответствующий объекту с наивысшей оценкой) получает Prominence (отображается первым, крупнее или с деталями).
7. Ответ клиенту: Комбинированная страница отправляется на клиентское устройство.

Какие данные и как использует

Данные на входе

Система использует мультимодальные данные, извлеченные из взаимодействия пользователя с контентом.

• Контентные факторы: Текст, выделенный пользователем. Если выделена ссылка, может использоваться анкорный текст и контент по адресу ссылки.
• Мультимедиа факторы: Изображения, выделенные пользователем. Используются модели распознавания изображений.
• Контекстуальные данные: Текст и изображения, расположенные рядом с выделенным контентом на исходной веб-странице (Context Items).

Какие метрики используются и как они считаются

• Confidence Score: Рассчитывается моделями машинного обучения (например, NLP или распознавания изображений) и показывает вероятность того, что объект присутствует в контенте.
• Saliency Score: Рассчитывается моделями и показывает, насколько объект является центральной темой контента (например, объект на переднем плане изображения более значим, чем фон).
• Комбинированная оценка (Score): Агрегация Confidence Score и Saliency Score. Используется для ранжирования выявленных интентов (объектов) и определения приоритета (Prominence) в выдаче.

Методы анализа и машинное обучение:

• Object Identifier: Использует модели машинного обучения (machine learning model), классификаторы (classifier) или регрессионные модели (regression model) для анализа текста и изображений и выявления объектов.
• Search Converter (Специализация): Использует специализированный слой машинного обучения для преобразования идентифицированных объектов в релевантные ключевые слова для конкретной базы данных. Это позволяет адаптировать общие понятия к специфике индекса (например, преобразование «велосипед» в «спорт» для базы данных игр).

1. Фокус на специализированных базах данных, а не на веб-поиске: Патент не описывает механизмы ранжирования основного веб-поиска. Он направлен исключительно на улучшение поиска non-document items (приложений, расширений, товаров), которые плохо индексируются стандартными методами.
2. Контекст вместо ключевых слов: Система переходит от ожидания явных ключевых слов к интерпретации мультимодального контекста (того, что пользователь просматривает в данный момент) для инициации поиска. Это снижает нагрузку на пользователя.
3. Критическая роль «Search Converter»: Самым важным элементом является Search Converter. Он не просто извлекает сущности, но и активно преобразует их в запросы, оптимизированные под язык и структуру конкретной базы данных. Это подтверждает, что Google использует кастомные модели для интерпретации интента в разных вертикалях.
4. Множественные интенты и параллельный поиск: Система признает неоднозначность контекста и обрабатывает несколько возможных интентов одновременно (Parallel Search). Это ускоряет поиск и поддерживает исследовательский подход (exploratory searching).
5. Группировка результатов по интентам: Вместо смешивания результатов в единый список, система группирует их по предполагаемым интентам (Combined Search Result Page), что улучшает пользовательский опыт при неоднозначных запросах. Приоритет (Prominence) отдается наиболее вероятному интенту на основе Saliency и Confidence.

Практическое применение

ВАЖНО: Данный патент не дает практических рекомендаций для Web SEO. Следующие пункты относятся к оптимизации элементов в специализированных базах данных (ASO, каталоги товаров, магазины расширений).

Best practices (это мы делаем)

Для специалистов по ASO и продвижению расширений:

• Оптимизация под преобразованные запросы: Необходимо понять, как Search Converter может интерпретировать контекст пользователя и в какие ключевые слова он его преобразует для вашей вертикали. Оптимизируйте метаданные элемента (название, описание, манифест) под эти предполагаемые преобразованные запросы.
• Фокус на решаемых проблемах: Поскольку пользователи часто инициируют поиск из контента, описывающего проблему, убедитесь, что описание вашего приложения или расширения четко соответствует этим проблемам. Это повышает релевантность для запросов, сгенерированных Search Converter.
• Анализ контекстных триггеров: Изучайте контент (статьи, обзоры), который может служить источником для ассистированного поиска ваших элементов, чтобы лучше понять работу Search Converter в вашей нише.

Для SEO-специалистов (косвенное влияние):

• Создание контента, стимулирующего поиск продуктов: Если вы продвигаете продукт, имеющий приложение или расширение, создавайте веб-контент, который подробно описывает сценарии использования. Это увеличит вероятность того, что пользователи будут использовать этот контент для инициации ассистированного поиска, который приведет к вашему продукту в соответствующем магазине.

Worst practices (это делать не надо)

• Игнорирование специфики базы данных: Попытка оптимизировать элементы (приложения, расширения) под общие высокочастотные запросы может быть неэффективной, если Search Converter преобразует контекст пользователя в более специфические или другие по формулировке запросы.
• Переспам в метаданных: Поскольку поиск основан на ограниченном наборе полей (название, описание), попытка включить туда слишком много ключевых слов может снизить общую релевантность для любого конкретного запроса, сгенерированного Search Converter.
• Применение выводов к веб-поиску: Ошибочно предполагать, что эти механизмы параллельного поиска и группировки результатов применяются в основном органическом поиске Google.

Стратегическое значение

Патент подтверждает стратегию Google на развитие контекстного и мультимодального поиска (подобно Google Lens), применяя его к своим специализированным экосистемам. Для платформ с ограниченным индексируемым контентом (таких как магазины приложений) способность интерпретировать внешний контекст пользователя становится ключевым фактором обнаружения. Это снижает зависимость от точного совпадения ключевых слов и повышает важность понимания реальных сценариев использования продукта.

Практические примеры

Сценарий: Поиск расширения для повышения продуктивности

1. Контекст пользователя: Пользователь читает статью «Как бороться с прокрастинацией и отвлекающими факторами в Интернете».
2. Действие пользователя: Пользователь выделяет абзац, описывающий технику Pomodoro, и активирует инструмент ассистированного поиска для Chrome Web Store.
3. Работа системы: Search Converter анализирует текст. Он определяет два основных объекта: «Pomodoro» (Объект 1, высокая уверенность и значимость) и «Блокировка отвлекающих сайтов» (Объект 2, средняя уверенность).
4. Конвертация и Поиск: Система конвертирует их в запросы для магазина расширений и выполняет параллельный поиск по запросам [Pomodoro timer extension] и [Website blocker focus].
5. Результат: Пользователь видит Combined Search Result Page. Первая группа (с приоритетом Prominence) показывает Топ-3 таймера Pomodoro. Вторая группа показывает Топ-2 блокировщика сайтов. Пользователь находит нужное расширение без ручного ввода запросов в поиске магазина.