Как Google динамически меняет поисковые подсказки в зависимости от того, что пользователь видит на экране (Viewport)

Термины и определения

Viewport (Область просмотра)

Видимая область на экране устройства, в которой отображается контент. На мобильном телефоне это, как правило, весь экран.

Content Identifier (Идентификатор контента)

Данные, позволяющие системе определить, какой контент просматривает пользователь (например, URL, копия документа) и статус его видимости в Viewport.

Search Suggestion (Поисковая подсказка)

Предлагаемый поисковый запрос, сущность или действие, отображаемое пользователю при взаимодействии со строкой поиска.

Entity Database (База данных сущностей)

Хранилище данных, содержащее список известных сущностей (люди, места, вещи, концепции), их описания, связанные с ними цели (User Purposes) и действия (Actions). Упоминается в описании патента.

Referent Entity (Referent) (Референтная сущность)

Сущность, на которую ссылается определенный фрагмент контента.

First Weight (W1)

Наивысший вес. Присваивается подсказкам из контента, который в данный момент находится в Viewport.

Second Weight (W2)

Средний вес (меньше W1). Присваивается подсказкам из контента, который уже прошел через Viewport (был просмотрен).

Third Weight (W3)

Наименьший вес (меньше W2). Присваивается подсказкам из контента, который еще не входил в Viewport.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления поисковых подсказок на основе видимости контента.

1. Система получает информацию о контенте, отображаемом (rendered) на устройстве. Эта информация включает указание на то, вошла ли часть контента в Viewport.
2. На основе этого контента идентифицируется как минимум одна подсказка (suggestion).
3. Подсказка взвешивается в зависимости от того, вошла ли связанная с ней часть контента в Viewport.
4. Определена строгая иерархия весов:
   • First Weight: Присваивается, если контент в данный момент находится в Viewport.
   • Second Weight: Присваивается, если контент прошел через Viewport. Second Weight меньше, чем First Weight.
   • Third Weight: Присваивается, если контент еще не входил в Viewport. Third Weight меньше, чем Second Weight.
5. Подсказка предоставляется для отображения вместе с полем поиска.

Ключевым защищаемым элементом является именно механизм динамического взвешивания, основанный на статусе Viewport.

Claim 6 (Зависимый): Уточняет порядок отображения.

Подсказка с большим весом отображается на более заметной (высокой) позиции, чем подсказка с меньшим весом.

Claim 9 (Зависимый): Описывает альтернативный метод идентификации.

Подсказка может быть идентифицирована на основе частоты (frequency) её идентификатора (например, термина) в контенте, находящемся в данный момент в Viewport.

Где и как применяется

Изобретение применяется на стыке пользовательского интерфейса и системы понимания запросов, используя данные, сформированные на этапе индексирования.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно проанализировать контент, извлечь сущности и поддерживать Entity Database. Это необходимо для последующей идентификации подсказок, как описано в патенте.

QUNDERSTANDING – Понимание Запросов (в реальном времени)
Это основная фаза применения патента. Система работает как генератор подсказок (Suggester) до того, как пользователь ввел запрос. Когда пользователь взаимодействует с полем поиска во время просмотра контента:

1. Анализ контекста: Система анализирует текущий контекст просмотра, включая идентификатор контента и данные Viewport.
2. Генерация подсказок: На основе этого контекста генерируется набор релевантных подсказок (сущностей, действий).
3. Взвешивание: Применяется динамическое взвешивание на основе видимости (W1/W2/W3).

Входные данные:

• Content Identifier (например, URL или сам контент).
• Данные о статусе Viewport (какие части контента видимы, какие пролистаны, какие еще нет).
• Контекстуальные данные (местоположение, история поиска, тип устройства – используются для уточнения сущностей).

Выходные данные:

• Взвешенный список поисковых подсказок (Search Suggestions), готовый к отображению пользователю.

На что влияет

• Конкретные типы контента: Наибольшее влияние на лонгриды, длинные списки (например, обзоры нескольких продуктов, новостные ленты, каталоги), где фокус пользователя постоянно смещается по мере прокрутки.
• Пользовательские факторы: Особенно актуально для мобильных устройств (смартфоны, планшеты), где область просмотра ограничена и прокрутка является основным способом навигации по контенту.

Когда применяется

• Условия работы алгоритма: Алгоритм активируется в момент, когда пользователь демонстрирует намерение выполнить поиск во время просмотра контента.
• Триггеры активации: Установка курсора в поле поиска, наведение указателя на поле поиска, использование жеста или горячих клавиш для вызова поиска.
• Пороговые значения: Подсказки с весом ниже определенного порога (например, если Third Weight равен нулю или слишком мал) могут быть отброшены (Claims 4 и 5).

Пошаговый алгоритм

Процесс обработки взаимодействия пользователя

1. Загрузка контента и мониторинг: Контент загружается на устройстве. Система (браузер или приложение) отслеживает положение Viewport относительно всего документа.
2. Триггер взаимодействия: Пользователь взаимодействует с полем ввода поиска.
3. Сбор и передача данных: Формируется Content Identifier, включающий ссылку на контент и текущий статус Viewport (идентифицируются фрагменты, попадающие в категории W1, W2, W3). Данные передаются в систему генерации подсказок.
4. Идентификация кандидатов: Система анализирует контент для идентификации потенциальных подсказок. Это может включать извлечение сущностей (Entity Extraction) и определение связанных действий (Actions), или анализ частотности терминов.
5. Динамическое взвешивание: Каждому кандидату присваивается вес на основе его видимости:
   • Кандидаты из текущего Viewport получают First Weight (W1).
   • Кандидаты из пролистанного контента получают Second Weight (W2).
   • Кандидаты из еще не просмотренного контента получают Third Weight (W3).
6. Фильтрация и ранжирование: Подсказки сортируются по итоговому весу. Те, чей вес ниже определенного порога, могут быть отброшены.
7. Отображение результатов: Топ-N подсказок отображаются пользователю в интерфейсе поиска.
8. Обновление: Если пользователь продолжает прокручивать страницу, процесс может повторяться с обновленными данными Viewport, что приводит к изменению списка подсказок в реальном времени.

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст, изображения и структура загруженного документа. Используются для идентификации сущностей (Referent Entities) и тем.
• Технические факторы: URL или другой уникальный идентификатор контента.
• Поведенческие факторы (Ключевые): Данные о прокрутке и статусе Viewport. Это главный входной сигнал для механизма взвешивания, описанного в патенте.
• Пользовательские и Географические факторы: Местоположение пользователя, история поиска, тип устройства. Патент упоминает, что эти контекстные данные могут использоваться для уточнения идентификации сущностей (например, выбор между рестораном и станцией метро с одинаковым названием).

Какие метрики используются и как они считаются

• Weights (W1, W2, W3): Основные метрики для ранжирования подсказок. Патент определяет их иерархию: $W1 > W2 > W3$. Конкретные значения не указаны, но они определяют приоритет видимости.
• Entity Probability/Score: Вероятность того, что данный фрагмент текста ссылается на конкретную сущность в Entity Database.
• Frequency of terms: Упоминается как возможный метод идентификации подсказок (Claim 9), особенно если система работает на стороне клиента без доступа к серверу.
• Thresholds (Пороговые значения): Пороговое значение веса, необходимое для того, чтобы подсказка была показана пользователю. Патент упоминает, что подсказки с весом ниже порога не отображаются.

1. Контекст в реальном времени критичен: Google активно использует контекст просмотра в реальном времени для предугадывания намерений пользователя. То, на что смотрит пользователь в данный момент (содержимое Viewport), является самым сильным сигналом его следующего шага.
2. Иерархия видимости: Патент четко определяет иерархию важности контента: Текущий фокус (W1) значительно важнее прошлого фокуса (W2), который, в свою очередь, важнее потенциального будущего фокуса (W3).
3. Зависимость от распознавания сущностей: Эффективность системы во многом зависит от качества распознавания сущностей (Entity Recognition) в контенте и полноты Entity Database. Подсказки часто генерируются на основе идентифицированных сущностей и связанных с ними действий.
4. Фокус на User Experience: Изобретение направлено на улучшение пользовательского опыта путем предоставления более точных и своевременных подсказок, минимизируя усилия пользователя по вводу запроса.
5. Косвенное влияние на SEO: Хотя патент не о ранжировании, он показывает, как Google анализирует потребление контента. Структура и логика изложения материала на странице влияют на то, какие подсказки увидит пользователь и куда он перейдет дальше.

Best practices (это мы делаем)

• Обеспечение распознавания сущностей: Использовать четкие и недвусмысленные названия для ключевых сущностей (продуктов, услуг, локаций, персон). Внедрение микроразметки (Schema.org) может помочь системе лучше идентифицировать эти сущности и связанные с ними действия (например, покупка, звонок, маршрут), которые затем могут быть использованы как Search Suggestions.
• Логическое структурирование лонгридов: Организовывать длинный контент в тематически целостные разделы. Пользователь, остановившийся на определенном разделе, должен получить подсказки, релевантные именно этому разделу, а не предыдущему или следующему. Используйте ясные заголовки (H2, H3) и переходы.
• Анализ мобильного отображения (Mobile Viewport): Учитывать, как контент отображается и потребляется на маленьких экранах. Важно, чтобы ключевая информация раздела (например, название продукта и его описание) одновременно попадала в Viewport, усиливая сигнал для генерации подсказок с First Weight.
• Анкорные ссылки и навигация: Использование четкой навигации по странице (например, Table of Contents) может помочь пользователям быстро перемещаться к нужным разделам, тем самым фокусируя Viewport на релевантном контенте и генерируя соответствующие подсказки.

Worst practices (это делать не надо)

• Размытие тематики разделов: Смешивание разных тем и сущностей в одном блоке контента может привести к генерации нерелевантных или слишком общих подсказок, так как системе будет сложнее определить текущий фокус пользователя в Viewport.
• Перегрузка видимой области неключевой информацией: Если Viewport занят второстепенным контентом, рекламой или вводными элементами, а ключевые сущности смещены, система может генерировать подсказки на основе этой второстепенной информации.

Стратегическое значение

Патент подтверждает стратегию Google, направленную на глубокое понимание контекста взаимодействия пользователя с контентом. Для SEO это означает, что важно не только привлечь пользователя на страницу, но и управлять его вниманием внутри нее. Структура контента напрямую влияет на то, как Google интерпретирует текущие намерения пользователя и какие следующие шаги ему предлагает. Это подчеркивает важность UX и информационной архитектуры как неотъемлемых частей современной SEO-стратегии.

Практические примеры

Сценарий: Чтение статьи "Топ-10 смартфонов 2025 года"

Пользователь читает длинную статью-обзор на мобильном устройстве.

1. Начало чтения (Viewport на Смартфоне №1): Пользователь открывает статью и видит описание Смартфона №1. Если он активирует поиск, система присвоит максимальный вес (W1) подсказкам: "Смартфон №1 купить", "Характеристики Смартфон №1". Подсказки о Смартфоне №2 получат минимальный вес (W3).
2. Прокрутка до Смартфона №5: Пользователь пролистал первые 4 модели и сейчас читает о Смартфоне №5. При активации поиска:
   • "Смартфон №5 отзывы" получает W1 (в Viewport).
   • "Смартфон №1 купить" получает W2 (был просмотрен).
   • "Смартфон №10 цена" получает W3 (еще не дошел).
3. Результат для SEO: Если страница четко структурирована (каждый смартфон в своем разделе), система сможет точно определить, какой именно моделью интересуется пользователь в данный момент, и предоставить релевантную подсказку, увеличивая вероятность перехода по ней.