Как Google использует бездействие пользователя для показа контекстных подсказок и обучения синтаксису поиска (Zero-Query Suggestions)

Термины и определения

Electronic device (Электронное устройство)

Устройство пользователя (например, Google TV, ПК, смартфон), отображающее поле поиска.

Predefined user activity (Предопределенная активность пользователя)

Событие, служащее триггером. В патенте ключевым триггером является User inactivity.

Search suggestion (Поисковая подсказка)

Предлагаемый запрос, отображаемый пользователю до или во время ввода.

Suggested search feature (Предлагаемая функция поиска)

Тип подсказки, демонстрирующий синтаксис поддерживаемого системой запроса (syntax of a system-supported user query). Используется для обучения пользователя расширенным функциям (например, булевым операторам).

Suggested search term (Предлагаемый поисковый термин)

Тип подсказки, связанный с недавней активностью пользователя по просмотру контента (user's recent viewing activity).

Suggestion list (Список подсказок)

Интерфейс (например, выпадающий список), в котором отображаются подсказки автодополнения.

User inactivity (Бездействие пользователя)

Отсутствие взаимодействия пользователя (ввод, движение мыши) с полем поиска в течение определенного периода времени.

User viewing data (Данные о просмотре пользователем)

Информация о медиаконтенте, который пользователь потребляет или недавно потреблял.

Non-actionable (Неактивный/Неисполняемый)

Состояние подсказки (например, отображение серым цветом), при котором ее нельзя выполнить как запрос без дополнительного ввода.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на механизме отображения подсказок при бездействии пользователя и управлении частотой их показа.

Claim 1 (Независимый пункт): Описывает метод предоставления поисковых подсказок с механизмом "остывания".

1. Отображение интерфейса с полем поиска.
2. До того, как пользователь введет запрос, обнаружение предопределенной активности, которой является user inactivity, в течение первого периода времени.
3. В ответ на обнаружение бездействия и при условии, что период времени превышает первый порог (T1), отображение поисковых подсказок. Подсказки включают suggested search feature (демонстрация синтаксиса).
4. После отображения подсказок, обнаружение бездействия пользователя в течение второго периода времени.
5. В ответ на обнаружение бездействия и при условии, что второй период времени превышает второй порог (T2), который больше первого порога (T1), повторное отображение поисковых подсказок.

Ядром изобретения является показ обучающих подсказок до ввода запроса при бездействии пользователя, а также специфический механизм управления повторным показом (T2 > T1) для минимизации раздражения пользователя.

Claim 3 (Зависимый от 1): Детализирует взаимодействие с пользователем.

1. Suggested search feature отображается в поле поиска.
2. Система получает ввод запроса от пользователя.
3. Если первый символ введенного запроса совпадает с первым символом suggested search feature, эта подсказка отображается в suggestion list (выпадающем списке).

Это описывает механизм переноса подсказки из поисковой строки (где она могла быть non-actionable) в список автодополнения, если пользователь начинает следовать предложенному примеру.

Claim 5 (Зависимый от 1): Уточняет критерии выбора подсказки.

• Выбор основывается на (a) времени/дне/дате или (b) истории поиска или профиле пользователя.

Claims 7, 9, 10 (Зависимые от 1): Описывают цели выбора конкретной функции.

• Выбирается функция, неизвестная пользователю или редко им используемая (Claim 7).
• Выбирается функция, которая не показывалась пользователю ранее или в течение определенного времени (Claim 9).
• Выбирается функция, которая была выпущена недавно (Claim 10).

Где и как применяется

Изобретение относится к фронтенд-части поисковой системы и пользовательскому опыту (UX), но взаимодействует с компонентами понимания запросов.

QUNDERSTANDING – Понимание Запросов (Query Understanding)

Основное применение патента, конкретно в модуле автодополнения (Autocomplete/Suggest) на этапе формирования запроса (Query Formulation).

• Генерация Zero-Query Suggestions: Система использует бездействие (user inactivity) как триггер для предоставления подсказок до ввода символов.
• Сбор и анализ данных: Система собирает User viewing data, историю поиска и данные профиля пользователя. Search suggestion provider (на сервере или устройстве) использует эти данные для определения подходящих подсказок.
• Влияние на запрос: Цель — повлиять на следующий запрос пользователя, либо обучив его синтаксису, либо направив на контекстуально релевантную тему.

Входные данные:

• Данные об активности/бездействии пользователя у поисковой строки.
• User viewing data (текущий или недавний медиаконтент).
• История поиска и Профиль пользователя (User profile).
• Статистика показа подсказок (Search suggestion statistics).
• Время и дата.

Выходные данные:

• Search suggestion (либо Suggested search feature, либо Suggested search term), отображаемая пользователю.

На что влияет

• Конкретные ниши или тематики: Наибольшее влияние в нишах развлечений и медиа (фильмы, сериалы, музыка), где система может использовать данные о просмотре для генерации подсказок.
• Специфические запросы: Влияет на информационные запросы, связанные с медиа-сущностями (актеры, сюжеты, факты), и потенциально увеличивает долю запросов с использованием расширенного синтаксиса.
• Устройства: Особенно актуально для устройств, где потребление медиа интегрировано с поиском (Google TV, Smart TV, планшеты).

Когда применяется

• Триггеры активации: Пользователь находится у поля поиска, но не вводит запрос (user inactivity) в течение порогового времени (T1). Поле поиска пустое.
• Временные рамки и частота применения: Применяется в реальном времени. Для повторного показа подсказки требуется более длительный период бездействия (T2 > T1).

Пошаговый алгоритм

Процесс А: Обработка бездействия и показ подсказок

1. Инициализация: Отображение поля поиска. Установка начального порога бездействия T1.
2. Мониторинг активности: Отслеживание взаимодействия пользователя с полем поиска.
3. Обнаружение бездействия: Определение, превышает ли время бездействия текущий порог T (изначально T=T1).
   • Если ДА: Перейти к шагу 4.
4. Сбор контекстных данных (Опционально): Получение User viewing data, истории поиска и профиля.
5. Определение подсказки: Выбор Search suggestion для показа. Система выбирает между:
   1. Обучающей подсказкой (Suggested search feature): Выбор синтаксиса на основе профиля пользователя, новизны функции или редкости использования.
   2. Контекстной подсказкой (Suggested search term): Генерация запросов на основе User viewing data.
6. Отображение подсказки: Показ выбранной подсказки в поле поиска (например, как non-actionable текст) или в списке подсказок.
7. Обновление порога бездействия: Увеличение порога бездействия для следующего показа (T = T2, где T2 > T1).
8. Возврат к мониторингу.

Процесс Б: Обработка ввода пользователя после показа подсказки

1. Получение ввода: Пользователь начинает вводить запрос.
2. Сравнение с подсказкой: Сравнение первых символов ввода с первыми символами отображаемой подсказки.
3. Адаптация интерфейса:
   • Если совпадает: Подсказка переносится из поля поиска в список автодополнения (Suggestion list).
   • Если не совпадает: Отображение подсказки прекращается.

Какие данные и как использует

Данные на входе

Патент упоминает следующие типы данных для определения и отображения подсказок:

• Поведенческие факторы: User activity data – данные о взаимодействии с интерфейсом. Используются для обнаружения user inactivity. История поиска (Search history) используется для оценки осведомленности пользователя о функциях.
• Мультимедиа факторы / Контекст: User viewing data – информация о недавно просмотренном медиаконтенте. Патент явно упоминает извлечение связанных данных:
  • Актер/актриса (actor/actress).
  • Сюжет (plot).
  • Интересные факты (trivia).
  • Жанр (genre).
• Пользовательские факторы: Профиль пользователя (User profile) используется для оценки технической грамотности (например, "computer savvy" или новичок) и адаптации сложности синтаксиса.
• Временные факторы: Время, день недели, дата. Используются для выбора актуальных подсказок (например, связанные с работой днем, с развлечениями вечером).

Какие метрики используются и как они считаются

• Порог бездействия T1 (First predefined amount of time): Минимальное время отсутствия активности для первого показа подсказки.
• Порог бездействия T2 (Second predefined amount of time): Увеличенное время отсутствия активности для повторного показа подсказки. Условие: T2 > T1.
• Совпадение первого символа (First character match): Метрика совпадения между началом ввода пользователя и подсказкой. Используется для переноса подсказки в список автодополнения.
• Частота использования функции (Frequency of use): Метрика, основанная на истории поиска, для выявления неиспользуемых (infrequently used) или неизвестных функций.
• Новизна функции (Recency of release): Метрика для идентификации недавно выпущенных функций.

1. Проактивное формирование спроса (Zero-Query Suggestions): Google использует бездействие пользователя как возможность инициировать поиск. Это не реакция на ввод, а попытка направить пользователя на основе его контекста или обучить его.
2. Двойная цель: Обучение и Контекст. Система имеет два режима: обучение синтаксису (Suggested Search Feature) и предложение контента на основе недавней активности просмотра (Suggested Search Term).
3. Интеграция медиапотребления и поиска: User viewing data является ключевым источником для генерации подсказок. Это подчеркивает связь между потреблением контента (например, на Smart TV/YouTube) и последующим поисковым поведением.
4. Персонализация обучения: Выбор синтаксиса для обучения адаптируется под пользователя (его профиль, историю поиска), продвигая новые или редко используемые функции.
5. Управление UX и механизм "Остывания": Патент детально описывает механизм предотвращения раздражения пользователя: порог бездействия для повторного показа увеличивается (T2 > T1).
6. Интерактивность подсказок: Подсказки могут быть изначально неактивными (non-actionable) и активироваться (перемещаться в список автодополнения), если пользователь начинает им следовать.

Best practices (это мы делаем)

Хотя патент фокусируется на UI, он дает критически важные инсайты для SEO в медиа-нишах.

• Оптимизация под медиа-сущности и связанные интенты: Поскольку система генерирует подсказки на основе User viewing data, необходимо покрывать все связанные интенты для медиаконтента. Патент явно упоминает генерацию подсказок по: Актерам (actor/actress), Сюжету (plot), Интересным фактам (trivia) и Жанру (genre). Создавайте контент под эти направления.
• Использование структурированных данных для медиа: Применяйте разметку (Schema.org для Movie, TVSeries, VideoObject) с максимальным заполнением связанных сущностей. Это поможет Google точнее идентифицировать контент и использовать его для генерации Suggested Search Term.
• Интеграция с видеоконтентом (YouTube SEO): Активность просмотра видео напрямую влияет на поисковые подсказки. Оптимизация метаданных видео (названия, описания) с упоминанием ключевых сущностей критична для того, чтобы ваш контент стал источником этих подсказок.
• Анализ сложных запросов: Поскольку Google может обучать пользователей продвинутому синтаксису, следует отслеживать появление в аналитике запросов с операторами и убедиться, что контент хорошо отвечает на такие точные формулировки.

Worst practices (это делать не надо)

• Игнорирование связанных сущностей в медиа-нишах: Фокусироваться только на названии фильма или сериала недостаточно. Игнорирование связанных сущностей (актеры, сюжеты) приведет к потере трафика, который Google проактивно генерирует через эти подсказки.
• Игнорирование кросс-платформенного влияния: Рассматривать SEO только в контексте веб-поиска. Поведение пользователя на Smart TV или YouTube напрямую влияет на его последующие поисковые сессии.

Стратегическое значение

Патент подтверждает стратегию Google по переходу от реактивного поиска к проактивному и контекстному взаимодействию. Поведение пользователя вне традиционного поиска (потребление медиа) используется для предугадывания его намерений и формирования спроса. Для SEO это усиливает важность оптимизации под Сущности (Entity Optimization) и понимания пути пользователя через разные платформы (видео -> поиск).

Практические примеры

Сценарий: Оптимизация сайта о кино под контекстные подсказки (на основе примера из патента)

1. Ситуация: Пользователь смотрит эпизод сериала "Lost" на Google TV (Пример из FIG. 6C патента). Он открывает поиск и бездействует.
2. Действие системы: Система обнаруживает бездействие (T1 превышен) и идентифицирует контекст просмотра ("Lost").
3. Генерация подсказок: Система генерирует Suggested Search Terms: "Lost bloopers and trivia", "evangeline lily", "dharma initiative".
4. Действия SEO-специалиста: Убедиться, что на продвигаемом сайте есть качественные, оптимизированные страницы для этих сущностей и тем:
   • Страница актрисы Эванджелин Лилли.
   • Статья о "Dharma Initiative".
   • Раздел с интересными фактами (trivia) о сериале.
5. Результат: Сайт имеет высокие шансы получить трафик по запросам, которые Google проактивно предложил пользователю, интересующемуся этим сериалом.