Как Google использует фасетную навигацию для поиска данных на носимых устройствах (HMD)

Термины и определения

Attribute (Атрибут)

Характеристика или свойство, связанное с элементом данных. Примеры включают тип данных (data-item-type), местоположение (location attribute), время (time attribute), контакты, погоду и т.д.

Attribute Value (Значение атрибута)

Конкретное значение, которое принимает атрибут для данного элемента данных. Например, для атрибута "местоположение" значением может быть "New York City".

Context Signals (Контекстные сигналы)

Данные об окружении и состоянии пользователя, используемые для определения атрибутов новых элементов данных. Включают время, дату, местоположение, погоду, данные календаря, информацию из социальных сетей, уровень шума, состояние здоровья пользователя и т.д.

Data Item (Элемент данных)

Единица контента в базе данных. Это может быть файл (изображение, видео, аудио, документ, электронное письмо), часто связанный с опытом пользователя и захваченный носимым устройством.

Data Item-Attribute Database (База данных элементов и атрибутов)

Хранилище, содержащее элементы данных и связанные с ними метаданные (атрибуты и их значения).

Data Item Cluster (Кластер элементов данных)

Группа элементов данных, объединенных на основе одного или нескольких общих атрибутов или значений атрибутов. Результат применения фильтра или фасета.

HMD (Head-Mounted Display)

Носимый дисплей, закрепляемый на голове пользователя (например, очки или шлем). Упоминается как основное устройство для реализации описанного интерфейса.

Physiological Data (Физиологические данные)

Данные о состоянии пользователя (например, гальваническая реакция кожи, движение глаз, движение головы), которые могут использоваться для управления интерфейсом (прокрутка, выбор) или как триггер для добавления новых данных.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основную систему для динамического поиска данных.

1. Система поддерживает базу данных Data Item-Attribute Database.
2. Получается первый ввод, указывающий на выбор одного или нескольких атрибутов.
3. Система группирует первое подмножество данных в First Data Item Cluster. Каждый элемент в кластере имеет по крайней мере один из выбранных атрибутов.
4. Система отображает первое визуальное представление кластера, включающее graphical icons, представляющие общие атрибуты элементов в кластере.
5. Получается второй ввод, указывающий на выбор одного или нескольких из этих графически представленных атрибутов, связанных с элементами в первом кластере.
6. Система группирует второе подмножество данных в Second Data Item Cluster. Каждый элемент имеет по крайней мере один из атрибутов, выбранных во втором вводе.
7. Система отображает второе визуальное представление второго кластера.

Это точное определение системы фасетной навигации. Ключевым моментом является итеративный процесс: выбор атрибутов (шаг 2) приводит к формированию набора результатов (шаг 3), интерфейс отображает доступные для дальнейшего уточнения атрибуты/фасеты, релевантные этому набору (шаг 4), пользователь выбирает фасет (шаг 5), и система уточняет набор результатов (шаг 6).

Claim 4 (Зависимый от 3): Детализирует процесс навигации и выбора внутри кластера.

1. Перед получением второго ввода система получает данные о прокрутке (scrolling input data) для навигации по визуальному представлению первого кластера к конкретному элементу данных.
2. Затем система получает данные о выборе (selection input data), указывающие на выбор атрибутов этого конкретного элемента.

Описывает взаимодействие пользователя с интерфейсом: прокрутку галереи результатов и выбор элемента или его атрибута для дальнейшего фильтрования.

Claims 5-9 (Зависимые): Уточняют, что ввод для прокрутки и выбора может быть основан на Physiological State пользователя.

• Это может быть осевое движение системы (например, поворот головы) (Claim 6).
• Это могут быть данные отслеживания взгляда (eye-tracking data) (Claims 7, 9).

Подчеркивает ориентацию патента на носимые устройства (HMD), где традиционные методы ввода (мышь, клавиатура) заменяются отслеживанием движений пользователя.

Claim 14 (Зависимый от 1): Описывает добавление новых данных.

1. Система получает сенсорные данные (sensory-input data), указывающие на новый элемент данных.
2. Система ассоциирует новый элемент данных с атрибутами из набора.

Описывает процесс сбора данных (например, захват фото/видео через HMD) и их индексацию путем присвоения метаданных (атрибутов).

Где и как применяется

Этот патент описывает интерфейс и логику представления данных пользователю, а не базовые механизмы сканирования или ранжирования веб-контента.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит извлечение Attributes и Attribute Values из Data Items. Система должна проанализировать контент (будь то пользовательские файлы или данные из сети) и структурировать его метаданные для хранения в Data Item-Attribute Database. Также на этом этапе используются Context Signals для обогащения данных, собранных носимыми устройствами.

QUNDERSTANDING – Понимание Запросов
Если процесс начинается с запроса (как показано в одном из примеров: "What song did I hear in New York last week?"), система должна разобрать запрос, чтобы определить начальный набор атрибутов и значений (например, Тип=Песня, Место=Нью-Йорк, Время=Прошлая неделя) для формирования первого кластера.

METASEARCH – Метапоиск и Смешивание (Presentation Layer)
Основное применение патента. Он описывает логику организации и представления результатов поиска пользователю. Вместо (или в дополнение к) традиционному списку результатов система использует механизм кластеризации и предоставляет интерфейс для фасетной навигации, позволяя пользователю динамически исследовать и уточнять набор результатов.

Входные данные:

• База данных Data Item-Attribute Database.
• Пользовательский ввод (запрос или выбор атрибута/значения).
• Данные управления интерфейсом (включая Physiological Data для HMD).
• Sensory-input data и Context Signals (при добавлении новых элементов).

Выходные данные:

• Визуальное представление Data Item Cluster (галерея результатов).
• Визуальные индикаторы доступных атрибутов/фасетов для уточнения.

На что влияет

• Типы контента: Влияет на представление любого типа контента, который может быть структурирован по атрибутам: изображения, аудио, видео, документы, электронные письма, контакты.
• Специфические запросы: Наиболее полезен для исследовательских запросов (exploratory search), где пользователь не ищет конкретный документ, а исследует набор данных и сужает его.
• Устройства: Патент явно фокусируется на носимых устройствах (HMD) и предлагает специфические для них методы взаимодействия (управление взглядом, движением головы).

Когда применяется

Алгоритм применяется в момент, когда пользователю необходимо представить набор результатов поиска или организовать доступ к базе данных, содержащей большое количество элементов с разнообразными метаданными.

• Условия работы: Наличие структурированной базы данных, где элементы размечены атрибутами.
• Триггеры активации: Запрос пользователя или активация интерфейса просмотра данных. Механизм фасетной навигации активируется после формирования первичного набора результатов для предоставления возможностей уточнения.

Пошаговый алгоритм

Процесс А: Обработка и навигация (Real-Time)

1. Инициализация: Система получает первый ввод (запрос или выбор атрибута).
2. Первичная кластеризация: Система обращается к Data Item-Attribute Database и группирует First Data Item Cluster, выбирая элементы, соответствующие первому вводу.
3. Визуализация кластера и фасетов: Система генерирует визуальное представление кластера (например, галерею). Одновременно она определяет релевантные атрибуты, общие для элементов кластера, и отображает их как доступные фильтры (фасеты), часто в виде графических иконок.
4. Получение ввода пользователя: Система ожидает второго ввода. Это может включать:
   • Прокрутку (scrolling) галереи для просмотра элементов.
   • Выбор (selection) конкретного элемента данных для выполнения действия (Переход к Шагу 7).
   • Выбор атрибута/фасета для уточнения поиска.
   (Ввод может осуществляться через тачпад, голосовые команды или Physiological Data).
5. Вторичная кластеризация: Если выбран атрибут/фасет, система формирует Second Data Item Cluster, уточняя предыдущий набор результатов.
6. Обновление интерфейса: Система обновляет визуальное представление, показывая новый кластер и новый набор доступных фасетов. Процесс возвращается к Шагу 4.
7. Выполнение действия: При выборе конкретного элемента данных система выполняет связанное с ним действие (например, открывает файл, инициирует звонок, отправляет сообщение).

Процесс Б: Сбор и индексация данных (Offline или Background)

1. Сбор данных: Система получает sensory-input data (например, с камеры или микрофона HMD). Это может быть инициировано пользователем или автоматически (например, при обнаружении интересного физиологического состояния).
2. Анализ контекста: Система собирает Context Signals (время, местоположение, погода и т.д.) в момент сбора данных.
3. Извлечение атрибутов: Система анализирует собранные данные и контекст для определения Attributes и Attribute Values.
4. Индексация: Новый Data Item и его атрибуты сохраняются в Data Item-Attribute Database.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании метаданных для организации интерфейса.

• Структурные/Контентные факторы (Метаданные): Критически важные данные. Система использует Attributes и Attribute Values, связанные с каждым Data Item. Это включает:
  • Тип данных: Музыка, Фото, Документ, Контакт, Сообщение.
  • Временные факторы: Дата, время, день недели, сезон, связь с событиями календаря.
  • Географические факторы: Местоположение (город, адрес, GPS-координаты), связанные с созданием или потреблением контента.
  • Контекстуальные факторы: Погода, температура, уровень шума, социальные связи (кто был рядом).
• Пользовательские факторы (Взаимодействие):
  • Ввод запросов (текстовый или голосовой).
  • Данные о взаимодействии с интерфейсом: прокрутка, выбор фильтров, выбор элементов.
  • Physiological Data (движение глаз, головы) для управления интерфейсом на HMD.

Какие метрики используются и как они считаются

Патент не описывает метрики ранжирования (например, Ranking Scores). Он описывает логику группировки и представления.

• Группировка (Grouping): Процесс выбора элементов из базы данных, которые удовлетворяют выбранному набору атрибутов и значений. Это булева операция фильтрации.
• Выбор фасетов (Facet Selection): Алгоритм должен определять, какие атрибуты доступны для дальнейшего уточнения в рамках текущего кластера. Это включает анализ всех элементов в кластере и идентификацию общих атрибутов и их значений.

В патенте не указаны конкретные формулы, пороги или весовые коэффициенты, так как он описывает механизм взаимодействия, а не алгоритм оценки качества или релевантности.

1. Фокус на UI/UX и носимых устройствах: Патент в первую очередь описывает пользовательский интерфейс для поиска информации на устройствах типа HMD (Google Glass), включая специфические методы ввода (отслеживание взгляда, движения головы). Он не имеет прямого отношения к алгоритмам ранжирования веб-поиска Google.
2. Фасетная навигация как основа: Ядром изобретения является реализация фасетной навигации (Faceted Search) — метода, позволяющего пользователям исследовать коллекцию информации путем итеративного применения фильтров (атрибутов). Это стандартный и мощный механизм в Information Retrieval.
3. Организация по атрибутам: Система полностью полагается на способность извлекать и структурировать метаданные (Attributes и Attribute Values) из контента. Без качественных метаданных система работать не сможет.
4. Контекстуализация данных: Патент подчеркивает важность обогащения данных контекстом (Context Signals), таким как время, место, погода и социальное окружение, что позволяет создавать более богатые возможности для поиска и фильтрации.
5. Косвенное значение для SEO: Хотя патент не о ранжировании, он подтверждает долгосрочную стратегию Google по пониманию структурированных данных. Для того чтобы контент мог быть представлен в подобных фасетных интерфейсах (которые Google использует в вертикалях, таких как Покупки, Картинки, Локальный поиск), он должен быть размечен так, чтобы его атрибуты были легко извлекаемы.

Best practices (это мы делаем)

Учитывая, что патент описывает механизм представления результатов, а не их ранжирования, прямые SEO-рекомендации ограничены и касаются в основном структурирования данных.

• Внедрение детальной микроразметки (Schema.org): Обеспечьте максимально полное и точное описание контента с помощью микроразметки. Это позволяет поисковым системам извлекать Attributes и Attribute Values, которые могут быть использованы для фасетной навигации в различных вертикалях поиска (например, цена и наличие для Product; дата и место для Event; ингредиенты для Recipe).
• Структурирование контента для извлечения атрибутов: Даже без микроразметки организуйте контент так, чтобы ключевые характеристики были очевидны. Используйте таблицы, списки и четкую иерархию для представления спецификаций или характеристик. Это облегчает системам извлечение данных для формирования фасетов.
• Оптимизация под вертикали с фасетной навигацией: Сосредоточьтесь на предоставлении всех необходимых атрибутов в нишах, где Google активно использует фильтры (E-commerce, Local, Travel, Media). Убедитесь, что данные в фидах (например, Google Merchant Center) полны и точны.

Worst practices (это делать не надо)

• Игнорирование структурированных данных: Предоставление информации исключительно в виде неструктурированного текста затрудняет извлечение атрибутов. Это может привести к тому, что ваш контент не будет отображаться при применении пользователем фильтров в поиске.
• Предоставление неточных или спамных метаданных: Попытка манипулировать атрибутами (например, указание неверной цены или ложного местоположения) приведет к плохому пользовательскому опыту и потенциальным санкциям, так как контент не будет соответствовать ожиданиям пользователя после применения фильтров.

Стратегическое значение

Стратегическое значение этого патента для SEO заключается в подтверждении того, что организация информации через атрибуты (структурированные данные) является фундаментальным элементом современных поисковых систем. Хотя конкретная реализация в патенте ориентирована на HMD, базовый принцип универсален. SEO-стратегия должна учитывать не только ранжирование по ключевым словам, но и видимость контента при использовании пользователями инструментов уточнения поиска (фильтров). Это требует перехода от оптимизации страниц к оптимизации сущностей и их атрибутов.

Практические примеры

Сценарий: Оптимизация карточки товара для фасетного поиска

Представим, что Google использует механизм, подобный описанному, для организации результатов в Google Shopping.

1. Задача: Обеспечить видимость товара "Кроссовки Nike Air Max 270" при использовании различных фильтров.
2. Действия (на основе патента): Необходимо убедиться, что система может извлечь все ключевые Attributes и Attribute Values.
   • Микроразметка: Использовать Schema.org/Product, указав brand (Nike), model (Air Max 270), color, size, material. В блоке Offer указать price, availability, condition.
   • Фиды данных: Передать эти же атрибуты в Google Merchant Center.
3. Ожидаемый результат: Когда пользователь ищет "Кроссовки" (Первый кластер), система отображает фасеты: Бренд, Цвет, Размер (Визуализация атрибутов). Если пользователь выбирает фасет "Бренд=Nike" (Второй ввод), товар попадает во Второй кластер и остается видимым в выдаче. Если атрибуты не были бы предоставлены, товар исчез бы из отфильтрованной выдачи.