Как Google использует выделенный контент (текст и изображения) для параллельного поиска в специализированных базах данных (App Store, Chrome Web Store)

Описание

Какую задачу решает

Патент решает проблему сложности поиска в базах данных «не-документных элементов» (Non-Document Items), таких как мобильные приложения, расширения браузера или товары в каталогах. В отличие от веб-документов, эти элементы имеют ограниченный объем индексируемого текста (название, краткое описание, манифест). Это создает разрыв между тем, как пользователи ищут (описывая проблему или контекст), и тем, как элементы индексируются (по конкретным функциям или названиям). Это вынуждает пользователей многократно переформулировать запросы вручную (цикл search-retry).

Что запатентовано

Запатентована система вспомогательного (assisted) и исследовательского (exploratory) поиска, инициируемого выделением контента (текста, изображений) на веб-странице, а не вводом ключевых слов. Ключевым компонентом является «Трансформатор поиска» (Search Transformer), который анализирует выделенный контент, определяет несколько потенциальных намерений («Объектов»), адаптирует их под целевую базу данных и выполняет параллельные поиски. Результаты объединяются в единый интерфейс с группировкой по намерениям.

Как это работает

Ключевой механизм работы системы:

• Триггер: Пользователь выделяет контент и активирует поиск (например, перетаскивая контент на специальный значок).
• Анализ Контента и Контекста: Search Transformer анализирует выделенный контент и окружающий его контекст.
• Определение Намерений (Объектов): Используя ML-модели, система идентифицирует как минимум два Объекта (предполагаемых намерения).
• Адаптация Запроса (Трансляция): Критический шаг. Search Transformer адаптирует распознанные объекты в ключевые слова, релевантные для целевой базы данных (например, распознав лицо на фото, система может преобразовать его в запрос «приложение для селфи» для магазина приложений).
• Параллельный Поиск: Система одновременно выполняет отдельные поиски для каждого Объекта.
• Комбинированная Выдача: Результаты группируются по запросам. Выдача для наиболее вероятного намерения (определяется по показателям уверенности и значимости) отображается более заметно (Prominence) — например, выше, крупнее или с большим количеством деталей.

Актуальность для SEO

Высокая. Патент подан недавно (2022) и соответствует глобальному тренду Google на развитие мультимодального и контекстного поиска (например, Google Lens, Circle to Search). Он описывает конкретное применение этих технологий для улучшения обнаружения контента в специализированных репозиториях (Google Play, Chrome Web Store).

Важность для SEO

Влияние на традиционное Web SEO минимальное (2/10). Патент НЕ описывает ранжирование веб-документов.

Однако он имеет критическое значение (9/10) для оптимизации в специализированных поисковых системах (Specialized Search Optimization) и App Store Optimization (ASO). Он описывает новый путь контекстного обнаружения контента в экосистемах Google. Понимание того, как Search Transformer интерпретирует и транслирует намерения, необходимо для эффективной оптимизации приложений, расширений и товаров.

Детальный разбор

Термины и определения

Assisted Search (Вспомогательный поиск)

Процесс поиска, инициируемый анализом выделенного пользователем контента, а не ручным вводом ключевых слов.

Combined Search Results (Комбинированные результаты поиска)

Интерфейс, отображающий результаты нескольких параллельных поисков. Результаты группируются по соответствующим запросам (Объектам).

Confidence Score (Оценка уверенности)

Метрика, указывающая на вероятность того, что Объект корректно идентифицирован в выделенном контенте.

Context (Контекст)

Дополнительная информация, окружающая выделенный контент на исходной веб-странице. Используется для уточнения намерений.

Non-document items (Не-документные элементы)

Элементы в базе данных с ограниченным индексируемым текстом (например, приложения, расширения, товары в каталоге).

Object (Объект)

Предполагаемое намерение пользователя, сущность или тема, идентифицированная в выделенном контенте. Используется как основа для запроса.

Parallel Search (Параллельный поиск)

Одновременное выполнение нескольких поисковых запросов (по разным Объектам) для снижения задержки и поддержки исследовательского поиска.

Prominence (Приоритет, Заметность)

Визуальное выделение набора результатов для наиболее вероятного Объекта. Может выражаться в позиции (выше), размере (больше места) или детализации (больше информации).

Saliency Score (Оценка значимости)

Метрика, указывающая, насколько центральным или важным является Объект для выделенного контента (например, является ли он основной темой).

Search Transformer (Трансформатор поиска)

Ключевой компонент (часто на основе ML), который анализирует контент и транслирует (преобразует) идентифицированные Объекты в ключевые слова, релевантные для конкретной целевой базы данных.

Ключевые утверждения (Анализ Claims)

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

1. Система получает выделенный контент с клиентского устройства.
2. Используется Search Transformer для определения как минимум Первого Объекта и Второго Объекта.
3. Выполняется Первый поиск по базе данных, используя Первый Объект как запрос.
4. Выполняется Второй поиск, используя Второй Объект как запрос.
5. Выбирается Первый набор результатов и Второй набор результатов на основе релевантности соответствующим Объектам.
6. Предоставляется пользовательский интерфейс, включающий Первый и Второй наборы результатов.

Claim 2, 3, 4, 5 (Зависимые): Определяют реализацию Приоритета (Prominence).

Первый набор отображается более заметно, чем Второй (Claim 2). Это может означать: больше информации (Claim 3), больше места на дисплее (Claim 4) или отображение перед Вторым набором (Claim 5).

Claim 6, 7 (Зависимые): Объясняют основание для Приоритета.

Заметность определяется тем, что оценка (score), рассчитанная Search Transformer для Первого Объекта, выше, чем для Второго (Claim 6). Эта оценка является комбинацией Confidence Score и Saliency Score (Claim 7).

Claim 10 (Зависимый): Запросы для Первого и Второго Объектов отправляются параллельно.

Claim 11 (Зависимый): Система получает и использует контекст выделенного контента для определения Объектов.

Claim 14 (Зависимый): Критически важная функция Search Transformer.

Search Transformer включает модель обнаружения объектов со слоями, которые преобразуют (convert/translate) идентифицированные объекты в ключевые слова, связанные с элементами в базе данных. Это подтверждает функцию адаптации запроса под специфику базы.

Где и как применяется

Изобретение применяется в интерфейсе между пользователем и специализированной базой данных (например, магазином приложений). Оно не относится к стандартному веб-поиску.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения. «Запросом» является выделенный контент (изображение/текст). Search Transformer выполняет глубокий анализ этого ввода и его контекста. Он идентифицирует несколько намерений (Объектов), оценивает их (Confidence, Saliency) и, что критически важно, адаптирует (транслирует) их в формат запросов, понятных целевой специализированной базе данных.

RANKING – Ранжирование
Система инициирует несколько параллельных процессов ранжирования внутри целевой базы данных. Каждый процесс обрабатывает один из сгенерированных запросов (Объектов).

METASEARCH / RERANKING – Метапоиск, Смешивание и Переранжирование
Система агрегирует результаты из параллельных потоков. Затем она определяет финальный состав выдачи (Combined Search Results). Результаты группируются по запросам, а не смешиваются. Применяется логика Приоритета (Prominence): результаты для Объекта с наивысшей оценкой получают визуальный приоритет.

Входные данные:

• Выделенный контент (изображения, текст, ссылки).
• Контекст (содержимое, окружающее выделенный фрагмент на исходной странице).

Выходные данные:

• Комбинированный интерфейс результатов поиска (UI), сгруппированный по нескольким интерпретациям намерения.

На что влияет

• Конкретные типы контента: Влияет на не-документные элементы: приложения, расширения браузера, товары в каталогах. Не влияет на ранжирование стандартных веб-документов.
• Конкретные ниши: Наибольшее влияние в экосистемах, где Google контролирует специализированные базы данных: Google Play Store, Chrome Web Store, потенциально Google Shopping.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда пользователь явно инициирует вспомогательный поиск путем выделения контента и активации поискового элемента управления (например, перетаскивание на значок или нажатие кнопки).
• Условия работы: Применяется только для поиска в специализированных базах данных, для которых настроен Search Transformer.
• Пороговые значения: Система должна идентифицировать объекты с достаточным уровнем Confidence и Saliency. Если уверенность низкая, система может запросить дополнительный контекст.

Пошаговый алгоритм

Этап 1: Инициация и Сбор Данных

1. Получение выделенного пользователем контента и, опционально, окружающего контекста с клиентского устройства.

Этап 2: Анализ и Преобразование (Search Transformer)

1. Анализ типа контента (текст, изображение, смешанный).
2. Применение соответствующих моделей (NLP, Object Detection) для идентификации кандидатов в Объекты.
3. Расчет Confidence Score и Saliency Score для каждого Объекта. Использование контекста для уточнения оценок.
4. Фильтрация и Ранжирование Объектов по комбинированной оценке. Выбор Топ-N (минимум два) Объектов.
5. Трансляция (Адаптация): Преобразование высокоуровневых Объектов в ключевые слова, оптимизированные для целевой базы данных.

Этап 3: Параллельный Поиск

1. Одновременная отправка сформированных запросов в поисковую систему базы данных.
2. Получение независимых наборов результатов для каждого запроса.

Этап 4: Формирование Комбинированной Выдачи

1. Выборка и Группировка: Выбор подмножества лучших результатов для каждого запроса. Количество выбираемых результатов динамически зависит от оценки Объекта, релевантности результатов и доступного места на экране (Claim 9).
2. Генерация UI и Применение Приоритета (Prominence): Формирование комбинированной выдачи. Результаты для Объекта с наивысшим рейтингом отображаются более заметно (выше, крупнее, с деталями).
3. Отображение пользователю.

Какие данные и как использует

Данные на входе

• Контентные и Мультимедиа факторы: Система напрямую использует выделенный текст и/или пиксели выделенных изображений как основной ввод для анализа.
• Контекстуальные данные: Текст и изображения, физически расположенные рядом с выделенным фрагментом на исходной странице. Используются для разрешения неоднозначностей и повышения точности (Claim 11).
• Пользовательские факторы: Размер дисплея (Display Size) может учитываться при определении количества отображаемых результатов в каждом наборе (Claim 9).

Какие метрики используются и как они считаются

• Confidence Score (Оценка уверенности): Вычисляется моделями ML. Указывает вероятность присутствия Объекта в контенте.
• Saliency Score (Оценка значимости): Вычисляется моделями ML. Указывает на важность или центральную роль Объекта в контенте.
• Combined Score (Комбинированная оценка): Агрегация Confidence Score и Saliency Score (Claim 7). Используется для ранжирования интерпретаций (Объектов) и определения визуального приоритета (Prominence).
• Relevance Score (Оценка релевантности): Стандартная оценка, возвращаемая поисковой системой целевой базы данных, указывающая, насколько элемент соответствует запросу (Объекту).
• Количество элементов в наборе: Динамический расчет. Зависит от комбинации как минимум двух факторов из: Confidence Score Объекта, Saliency Score Объекта, общего количества найденных результатов, размера дисплея или релевантности результатов Объекту (Claim 9).
• Методы анализа: Используются модели машинного обучения (ML models), классификаторы и регрессионные модели (Claim 13). Патент подчеркивает использование специализированных слоев в Search Transformer для адаптации результатов к базе данных (Claim 14).

Выводы

1. Специализированный поиск, не Web SEO: Этот патент не описывает работу основного веб-поиска. Он сфокусирован исключительно на поиске не-документных элементов в специализированных базах данных (магазины приложений, расширений, каталоги товаров). Выводов для Web SEO нет.
2. Контекст как запрос («Поиск без ключевых слов»): Google развивает технологии, позволяющие использовать любой контент (текст, изображение) как источник поискового намерения, минуя этап формулирования текстового запроса.
3. Критическая роль Трансляции (Search Transformer): Ключевым элементом является не просто распознавание объектов, а их адаптация под контекст базы данных. Система транслирует общее намерение в специфический запрос (например, изображение велосипеда может быть транслировано в запрос «спортивные приложения», если поиск ведется в App Store).
4. Множественные интерпретации и Параллелизм: Система признает неоднозначность контента и обрабатывает несколько интерпретаций (Объектов) одновременно для поддержки исследовательского поиска и снижения задержки.
5. Динамический UI и Приоритет (Prominence): Интерфейс выдачи адаптируется в реальном времени. Приоритет отдается результатам той интерпретации, которую система считает наиболее вероятной и важной (на основе Confidence и Saliency).

Практика

ВАЖНО: Патент не имеет прямого отношения к традиционному веб-SEO. Он критически важен для специалистов по ASO (App Store Optimization), оптимизации расширений для Chrome и E-commerce (Google Shopping).

Best practices (это мы делаем)

Для ASO и специализированного поиска:

• Оптимизация метаданных под транслированные намерения: При оптимизации ограниченных текстовых полей (заголовков, описаний) необходимо учитывать, какие запросы может сгенерировать Search Transformer из контекста. Метаданные должны соответствовать не только прямым ключевым словам, но и связанным концепциям и проблемам пользователя, которые система может извлечь из внешнего контента.
• Анализ контекста обнаружения: Изучайте, какой контент пользователи просматривают, когда у них возникает потребность в вашем продукте. Убедитесь, что ваш элемент релевантен тем Объектам, которые система может извлечь из этого контекста.
• Четкость функционала в описаниях: Используйте язык, который Search Transformer сможет легко смаппить на категорию вашего продукта. Чем точнее описание соответствует сценариям использования, тем выше вероятность обнаружения через вспомогательный поиск.

Worst practices (это делать не надо)

• Игнорирование контекстного обнаружения: Считать, что пользователи находят приложения или товары только через ввод ключевых слов в строку поиска магазина. Данный патент открывает новый путь обнаружения из внешнего контента.
• Переспам ключевыми словами (Keyword Stuffing) в ASO: Поскольку система использует сложные ML-модели для интерпретации и трансляции намерений, простой переспам может быть неэффективен. Система ищет релевантность намерению, а не только совпадение слов.
• Использование узкоспециализированной терминологии: Использование жаргона в описании, который Search Transformer не сможет связать с общим контекстом пользователя, снизит эффективность обнаружения.

Стратегическое значение

Патент подтверждает стратегию Google по интеграции поиска в пользовательский опыт на лету, используя мультимодальные данные. Для бизнеса, зависящего от экосистем Google (ASO, E-commerce), это означает необходимость адаптации стратегий продвижения под контекстное обнаружение. Стратегия смещается с манипулирования ключевыми словами на обеспечение максимальной семантической связи между проблемой пользователя (контекстом) и вашим продуктом (решением).

Практические примеры

Сценарий: Поиск расширения для продуктивности из статьи

1. Ситуация: Пользователь читает статью о тайм-менеджменте и выделяет фразу: «Мне сложно сосредоточиться из-за постоянных уведомлений в социальных сетях».
2. Действие пользователя: Пользователь использует инструмент вспомогательного поиска (например, перетаскивание на иконку Chrome Web Store).
3. Анализ системы (Search Transformer): Система анализирует фразу.
   • Объект 1: «Блокировщик уведомлений социальных сетей» (Высокая значимость и уверенность).
   • Объект 2: «Инструмент для концентрации внимания» (Средняя значимость).
4. Адаптация и Поиск: Система транслирует объекты в запросы и выполняет параллельный поиск.
5. Результат (Комбинированный UI): Интерфейс показывает:
   • Группа 1 (Prominence: выше, крупнее): 3 лучших расширения для блокировки уведомлений.
   • Группа 2 (Ниже, компактнее): 2 лучших расширения для повышения концентрации (например, таймеры Pomodoro).

Вопросы и ответы