Как Google использует генеративный ИИ для создания динамических и гиперперсонализированных бизнес-профилей

Термины и определения

Business Data (Данные о бизнесе)

Информация, связанная с бизнесом, для которого генерируется профиль. Включает данные с веб-сайта бизнеса, социальных сетей, рекламы, пользовательский контент (UGC) и отзывы клиентов.

Curated Profile (Курируемый профиль)

Динамический бизнес-профиль, генерируемый моделью машинного обучения. Содержит информацию о бизнесе, адаптированную под конкретного пользователя на основе его данных и запроса.

Curated Profile ML Model (Модель МО Курируемого профиля)

Модель машинного обучения (например, NLP, LM, LLM, Diffusion model, GAN), которая принимает данные о пользователе и бизнесе и генерирует Curated Profile.

Personalized Content (Персонализированный контент)

Контент в профиле (ссылки на веб-контент, изображения, видео, статьи, продукты), подобранный на основе запроса и предпочтений пользователя.

Personalized Tabs (Персонализированные вкладки)

Вкладки в Curated Profile, соответствующие категориям информации о бизнесе. Генерируются на основе определения категорий, которые с наибольшей вероятностью заинтересуют пользователя (например, «Overview», «Just In», «Recipes», «Style»).

Service Application (Сервисное приложение)

Приложение, которое предоставляет информацию пользователю в ответ на запрос. Примеры: поисковая система, карты, почтовое приложение, социальное приложение, видеохостинг, магазин приложений.

User Data (Данные пользователя)

Данные, соответствующие пользователю. Включают демографию, местоположение, историю просмотров (browsing history), сохраненные результаты, историю обмена данными, настройки устройства.

User Preferences (Предпочтения пользователя)

Данные, указывающие на предпочтения пользователя, использующего сервисное приложение.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации курируемого контента.

1. Система получает пользовательский запрос, соответствующий бизнесу.
2. Система получает данные, связанные с бизнесом (Business Data), И данные, связанные с пользователем (User Data).
3. Система генерирует Curated Profile для бизнеса на основе обоих наборов данных.
4. Уточняется, что генерация профиля включает генерацию описания бизнеса (business description) с помощью модели машинного обучения.

Ядром изобретения является генерация профиля с помощью ИИ, основанная на персонализации (использовании User Data), а не только на данных бизнеса.

Claim 3 (Зависимый от 1): Уточняет источники Business Data: данные с веб-сайта, социальных сетей или рекламы, связанной с бизнесом.

Claim 4 (Зависимый от 1): Уточняет состав User Data: демография, местоположение или история просмотров пользователя.

Claim 6 (Зависимый от 1): Детализирует процесс генерации профиля.

1. Генерация включает создание Personalized Tabs с помощью ML-модели.
2. Эти вкладки соответствуют категориям информации о бизнесе.
3. Вкладки идентифицируются как представляющие интерес для данного пользователя.

Claim 8 (Зависимый от 1): Уточняет состав профиля.

1. Профиль включает Personalized Content.
2. Контент состоит из ссылок, изображений или мультимедиа.
3. Контент курируется в соответствии с запросом пользователя и/или его предпочтениями.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно собранные данные и влияя на финальное представление результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает и индексирует Business Data из различных источников (веб-сайты, социальные сети, отзывы). Также система накапливает User Data и User Preferences в профиле пользователя.

QUNDERSTANDING – Понимание Запросов
Система интерпретирует запрос пользователя (Query), чтобы понять его интент и контекст, который будет использоваться для персонализации профиля.

METASEARCH – Метапоиск и Смешивание (Формирование SERP Features) / RERANKING – Переранжирование
Основное применение патента. Когда система определяет необходимость показать профиль бизнеса (например, в ответ на брендовый запрос, локальный запрос или при клике на результат), активируется Curated Profile ML Model.

1. Запрос генерации: Service Application отправляет запрос на генерацию профиля.
2. Извлечение данных: Система извлекает актуальные Business Data, User Data и Query.
3. Генерация ИИ: Curated Profile ML Model обрабатывает данные и генерирует персонализированную структуру (вкладки) и контент (текст, медиа).
4. Отображение: Сгенерированный профиль встраивается в интерфейс Service Application.

Входные данные:

• Пользовательский запрос (Query).
• Предпочтения пользователя (User Preferences).
• Данные пользователя (User Data: история, демография, локация и т.д.).
• Данные о бизнесе (Business Data: контент сайта, соцсети, отзывы и т.д.).

Выходные данные:

• Сгенерированный Curated Profile, включающий структуру (Personalized Tabs) и наполнение (Business Description, Personalized Content).

На что влияет

• Конкретные типы контента и форматы: Влияет на отображение бизнес-профилей (аналог GBP), локальных панелей знаний (Knowledge Panels), спонсорских блоков.
• Специфические запросы: Наибольшее влияние на брендовые запросы, локальные запросы (рестораны, услуги рядом) и коммерческие запросы на этапе исследования, где требуется детальная информация о продавце или производителе.
• Конкретные ниши или тематики: E-commerce, локальный бизнес, бренды lifestyle, финансы (упоминается персонализация предложений кредитных карт).
• Service Applications: Поисковые системы, Карты, социальные приложения, магазины приложений, видеохостинги.

Когда применяется

• Триггеры активации: Получение пользовательского запроса, соответствующего бизнесу. Также может активироваться при взаимодействии пользователя с элементом интерфейса, связанным с бизнесом (например, клик на результат поиска, выбор бизнеса на карте).
• Условия работы: Наличие достаточного количества Business Data для генерации профиля и наличие User Data для его персонализации (при условии согласия пользователя на сбор и использование данных).

Пошаговый алгоритм

Процесс генерации Curated Profile

1. Получение запроса: Один или несколько процессоров получают пользовательский запрос, соответствующий одному или нескольким бизнесам (например, от Service Application).
2. Сбор данных о бизнесе: Система получает Business Data (данные с сайта, соцсетей, рекламы, отзывы).
3. Сбор данных о пользователе: Система получает User Data (демография, история поиска) и User Preferences, связанные с запросом.
4. Обработка ML-моделью: Входные данные передаются в Curated Profile ML Model (например, LLM).
5. Генерация описания: Модель генерирует персонализированное Business Description. (Например: «Вам может понравиться Brand A, потому что они фокусируются на натуральных, веганских продуктах, о которых вы обычно заботитесь»).
6. Генерация структуры (Вкладки): Модель определяет категории интересов пользователя и генерирует соответствующие Personalized Tabs.
7. Генерация контента вкладок: Для каждой вкладки генерируется курируемый контент, релевантный запросу и данным пользователя. Модель может извлекать изображения и генерировать текст.
8. Генерация дополнительного контента: Модель генерирует Personalized Content (например, релевантные статьи или продукты).
9. Агрегация и сравнение (Опционально): Если запрос соответствует нескольким брендам, система может сгенерировать сравнительный профиль.
10. Формирование профиля и отображение: Сгенерированные элементы собираются в итоговый Curated Profile и отправляются в Service Application для отображения пользователю.

Какие данные и как использует

Данные на входе

Система использует два основных потока данных: Business Data и User Data.

Business Data (Данные о бизнесе):

• Контентные факторы: Текст, статьи, описания продуктов и услуг с веб-сайта бизнеса. Контент из социальных сетей (посты, описания). Текст рекламных объявлений.
• Мультимедиа факторы: Изображения и видео с сайта и социальных сетей бизнеса. Логотип бизнеса.
• Факторы репутации: Отзывы клиентов (Customer reviews), пользовательский контент (User-generated content).

User Data (Данные пользователя и контекст):

• Поведенческие факторы: История просмотров (browsing history), сохраненные результаты (saved results), история обмена данными (shared history), история покупок.
• Пользовательские факторы: Демографические данные (demographics), предпочтения (User Preferences), настройки устройства (settings, например, размер шрифта, темный режим).
• Географические факторы: Местоположение пользователя (location).

Какие метрики используются и как они считаются

Патент не описывает конкретные метрики ранжирования или формулы, но фокусируется на механизме генерации с помощью ИИ.

• Модели машинного обучения: Ядром системы является Curated Profile ML Model. Упоминаются различные типы генеративных моделей: Natural Language Processing models (NLP), Language Models (LM), Large Language Models (LLM), Трансформеры. Также упоминаются модели для мультимедиа: text-to-image diffusion models и Generative Adversarial Networks (GANs).
• Методы анализа и генерации: Модель обучается определять релевантность различных категорий информации о бизнесе для конкретного пользователя на основе анализа его данных и запроса. На основе этой оценки генерируется структура (вкладки) и контент (текст, выборка продуктов/статей). Релевантность определяется способностью модели связать атрибуты бизнеса с предпочтениями пользователя.

1. Переход от статических профилей к динамической генерации ИИ: Патент описывает эволюцию бизнес-профилей (типа GBP) от статических визиток к динамическим, генерируемым ИИ интерфейсам. Это снижает предсказуемость отображения информации о бизнесе и уменьшает прямой контроль со стороны владельца.
2. Крайняя степень персонализации: Ключевая особенность системы — генерация профиля на основе User Data и User Preferences. Это означает, что два разных пользователя увидят два разных профиля одного и того же бизнеса, с разными акцентами, вкладками и контентом.
3. ИИ (LLM) как куратор и интерпретатор контента: Curated Profile ML Model (LLM) выступает в роли куратора, решая, какая информация о бизнесе (продукты, статьи, отзывы, посты из соцсетей) наиболее релевантна для конкретного пользователя в данный момент, и генерируя персонализированные описания.
4. Зависимость от внешних источников данных (Омниканальность): Для генерации богатого профиля ИИ активно использует данные за пределами стандартного бизнес-профиля: контент веб-сайта, активность в социальных сетях, отзывы. Качество и полнота этих данных критичны для SEO.
5. Интеграция с SGE и новые форматы: Этот механизм идеально вписывается в концепцию Search Generative Experience. Система также поддерживает новые форматы взаимодействия, такие как чат с бизнесом в профиле и сравнительные профили для нескольких бизнесов.

Best practices (это мы делаем)

• Обеспечение полноты, структуры и доступности информации на сайте: Поскольку Business Data с веб-сайта является основным источником для генерации профиля, критически важно иметь качественный, хорошо структурированный (включая микроразметку Schema.org) и легко сканируемый контент. ИИ должен иметь возможность легко извлекать информацию о продуктах, услугах и атрибутах.
• Создание контента под разные сегменты аудитории и интенты (Topical Authority): Так как профиль персонализируется, необходимо иметь контент, отвечающий разным потребностям. Например, четко описывать атрибуты продукта, важные для разных групп (экологичность, цена, простота использования), чтобы ИИ мог выделить нужное для конкретного пользователя.
• Оптимизация сущности и атрибутов (Entity & Attributes): Четко определяйте, что предлагает бизнес и каковы его уникальные атрибуты (например, «веганский», «без жестокости», «дорогой», «для чувствительной кожи»). ИИ использует эти атрибуты для сопоставления с предпочтениями пользователя.
• Активное ведение социальных сетей и публикация разнообразного контента: Патент явно указывает социальные сети как источник Business Data. Актуальные посты, изображения и видео могут быть использованы ИИ для наполнения профиля (например, во вкладке "Just In").
• Стимулирование и мониторинг отзывов (UGC): Отзывы и пользовательский контент также являются источником данных. Наличие свежих и разнообразных отзывов позволит ИИ использовать эту информацию при генерации профиля.

Worst practices (это делать не надо)

• Полагаться только на заполнение стандартных полей в GBP: В новой парадигме стандартная информация может быть заменена или дополнена динамически сгенерированным контентом. Оптимизация только GBP становится недостаточной.
• Иметь скудный, устаревший или плохо структурированный сайт (Thin Content): Если ИИ не сможет найти достаточно информации на сайте бизнеса, сгенерированный Curated Profile будет неполным, нерелевантным или непривлекательным.
• Игнорировать активность в социальных сетях: Отсутствие активности лишает ИИ важного источника свежего контента для генерации профиля.
• Несогласованность информации: Противоречивая информация на сайте, в социальных сетях и отзывах может привести к некорректной генерации Business Description и запутать ML-модель.
• Фокус на узком наборе ключевых слов без учета разнообразия интентов: Стратегии, не учитывающие разнообразие пользовательских потребностей, будут проигрывать, так как ИИ стремится удовлетворить конкретный интент и предпочтения пользователя.

Стратегическое значение

Этот патент сигнализирует о значительном сдвиге в Local SEO и управлении репутацией бренда (ORM/SERM). Контроль над тем, как бренд представлен в экосистеме Google, переходит от владельца бизнеса к алгоритмам ИИ. ИИ интерпретирует все доступные данные о бизнесе через призму персональных данных пользователя. Это требует от SEO-специалистов перехода от тактической оптимизации профилей к стратегическому управлению всеми цифровыми активами бренда (оптимизация для «курирования ИИ» — Optimizing for AI Curation), гарантируя, что ИИ имеет доступ к качественному и разнообразному "сырью" для генерации профилей.

Практические примеры

Сценарий: Персонализация профиля ресторана

Бизнес: Ресторан "The Global Eatery", предлагающий разнообразное меню.

Пользователь А (Веган, интересуется здоровым питанием):

1. Данные пользователя: История поиска включает "веганские рецепты", "здоровое питание". Предпочтения указывают на интерес к органическим продуктам.
2. Генерация профиля: Curated Profile ML Model анализирует меню ресторана и данные пользователя А.
3. Результат (Curated Profile для А):
   • Описание: "The Global Eatery предлагает широкий выбор веганских блюд из органических ингредиентов, которые соответствуют вашему интересу к здоровому питанию."
   • Вкладки: "Overview", "Vegan Menu", "Organic Specials".
   • Контент: Акцент на салатах, смузи. Статьи из блога ресторана о пользе растительного питания.

Пользователь Б (Любитель мяса, ищет место для ужина):

1. Данные пользователя: История поиска включает "лучшие стейк-хаусы", "бары с крафтовым пивом".
2. Генерация профиля: Модель анализирует меню и данные пользователя Б.
3. Результат (Curated Profile для Б):
   • Описание: "The Global Eatery – отличное место для ужина, известное своими фирменными стейками и широким выбором крафтового пива."
   • Вкладки: "Overview", "Steaks & Grill", "Beer Menu", "Happy Hour".
   • Контент: Акцент на мясных блюдах, закусках, информации о бронировании.