Как Google отслеживает активность пользователя для прогнозирования его потребностей и проактивного предоставления результатов поиска

Описание

Какую задачу решает

Патент решает проблему фрагментации информации при выполнении сложных задач, таких как планирование путешествий. Пользователи часто выполняют серию связанных действий (поиск, чтение писем, просмотр сайтов) в разное время и на разных устройствах. Система призвана распознать эту связанную активность, предсказать дальнейшие информационные потребности пользователя и предоставить релевантную информацию проактивно, избавляя пользователя от необходимости вручную возобновлять поиск.

Что запатентовано

Запатентована система «автоматического продолженного поиска». Она отслеживает Activity Indications (индикаторы активности) пользователя, связывает их через общие Entities (сущности), определяет фокус интереса пользователя (например, местоположение) и вычисляет оценку интереса (например, Travel-related Score). Если интерес подтверждается, система проактивно предоставляет связанную информацию или результаты автоматически сгенерированных запросов после прекращения исходной активности и независимо от новых запросов пользователя.

Как это работает

Система функционирует следующим образом:

• Сбор данных: Собираются Activity Indications (запросы, посещения страниц, электронные письма) с разных устройств.
• Извлечение сущностей: Из активностей извлекаются Entities.
• Связывание активностей: Location Determination Engine группирует активности на основе общих или связанных сущностей.
• Определение интереса: Scoring Engine вычисляет оценку (например, Travel-related Score), указывающую на вероятность того, что пользователь заинтересован в этой теме/месте. Учитываются тип активности, время, атрибуты пользователя.
• Генерация контента: Система может автоматически формулировать новый поисковый запрос на основе предыдущих запросов (Claim 8) или синтезировать информацию из разных источников.
• Проактивная доставка: Travel Information Engine предоставляет эту информацию пользователю позже (часто на другом устройстве), независимо от ввода нового запроса.

Актуальность для SEO

Высокая. Патент напрямую описывает механизмы, лежащие в основе проактивных сервисов Google, таких как Google Discover, Google Assistant и функции прогнозирования путешествий. Мониторинг активности пользователей для понимания контекста и намерений, а также доставка информации без явного запроса являются центральными элементами современной стратегии Google.

Важность для SEO

Влияние на SEO высокое (8/10), но специфическое. Патент не описывает традиционные факторы ранжирования, но критически важен для понимания того, как контент попадает в проактивную выдачу (например, Discover). Он подчеркивает важность четкой связи контента с сущностями (Entities) и учета атрибутов пользователя (User Attributes) для соответствия прогнозируемым потребностям. Для SEO-специалистов это означает смещение фокуса с оптимизации под ключевые слова на оптимизацию под сущности и намерения для обеспечения видимости в беззапросном поиске.

Детальный разбор

Термины и определения

Activity Indication (Индикатор активности)

Запись о предыдущих действиях пользователя. Примеры включают отправку поискового запроса, доступ к документу, отправку/получение сообщения, создание записи в календаре или списка задач. Включает тип активности, связанные сущности и время активности (Activity Time).

Automatic Continued Search (Автоматический продолженный поиск)

Механизм предоставления информации, связанной с предыдущей активностью пользователя, после прекращения этой активности и без ввода нового явного запроса.

Entity (Сущность)

Темы, люди, места, концепции или вещи, которые можно идентифицировать и различить. Извлекаются из Activity Indications и используются для связывания различных действий пользователя.

Location Determination Engine (Механизм определения местоположения)

Компонент, который идентифицирует набор связанных Activity Indications на основе общих или связанных сущностей и определяет потенциальное местоположение (или другую сущность), интересующее пользователя.

Scoring Engine (Механизм оценки)

Компонент, вычисляющий Travel-related Score (или общую оценку интереса) для определенного местоположения/сущности.

Travel-related Score (Оценка, связанная с путешествием)

Метрика, указывающая на вероятность того, что пользователь заинтересован в поездке в определенное местоположение. Используется как триггер для предоставления информации.

User Attributes (Атрибуты пользователя)

Информация о пользователе, такая как предпочтения, история путешествий, демография, «домашнее» или «рабочее» местоположение.

User Interface Indication (Индикация пользовательского интерфейса)

Идентифицируемое взаимодействие пользователя с устройством, которое НЕ связано с отправкой поискового запроса (например, разблокировка телефона, открытие приложения).

Likely travel time (Вероятное время поездки)

Предполагаемая дата и/или время, когда пользователь может иметь интерес к поездке в определенное место.

Ключевые утверждения (Анализ Claims)

Хотя в описании патента основное внимание уделяется путешествиям, формулы изобретения описывают более общие механизмы автоматического продолженного поиска.

Claim 1 (Независимый пункт): Описывает механизм проактивной доставки информации на основе отслеживания активности между устройствами и персонализации.

1. Система определяет интерес пользователя к определенной сущности (given entity) на основе компьютерной активности на первом устройстве.
2. Идентифицируются атрибуты пользователя (User Attributes).
3. Из коллекции информационных индикаторов, связанных с сущностью, выбирается как минимум один индикатор. Выбор основан на атрибутах пользователя.
4. В более позднее время, после прекращения исходной активности на первом устройстве:
5. Система предоставляет выбранный информационный индикатор пользователю через второе (дополнительное) устройство.
6. Предоставление происходит независимо от отправки пользователем нового поискового запроса, связанного с этой сущностью.

Claim 8 (Независимый пункт): Описывает механизм автоматической генерации и выполнения нового запроса на основе предыдущих запросов.

1. Система определяет, что первый и второй поисковые запросы пользователя связаны с одной и той же сущностью.
2. В ответ на это система автоматически формулирует новый поисковый запрос (new search query) на основе первого и второго запросов.
3. Идентифицируются новые результаты поиска для этого сформулированного запроса.
4. В более позднее время, после предоставления результатов для первого и второго запросов:
5. Система предоставляет как минимум один из новых результатов поиска пользователю.
6. Предоставление происходит независимо от отправки пользователем нового поискового запроса.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, фокусируясь на понимании намерений пользователя и проактивной доставке информации. Это основа для систем типа Google Discover.

INDEXING – Индексирование и извлечение признаков (Пользовательские данные)
На этом этапе система собирает и индексирует данные о пользователе: Activity Indications (история поиска, просмотров, данные из почты/календаря) и User Attributes. Из этих данных извлекаются Entities.

QUNDERSTANDING – Понимание Запросов (и Понимание Пользователя)
Основной этап работы системы. Происходит анализ индексированных данных пользователя (часто в фоновом режиме):

• Группировка связанных Activity Indications на основе общих Entities.
• Определение фокуса интереса (например, местоположения).
• Вычисление оценки интереса (Travel-related Score).
• Автоматическое формулирование новых запросов на основе предыдущих (Claim 8).

RANKING – Ранжирование
Система выполняет автоматически сформулированные запросы или ищет контент, соответствующий прогнозируемому интересу пользователя. Ранжирование этого контента персонализируется на основе User Attributes (Claim 1).

METASEARCH / RERANKING (Проактивная доставка)
Финальный этап, где результаты предоставляются пользователю. Ключевая особенность — доставка происходит независимо от нового запроса пользователя, часто в ответ на User Interface Indication (например, разблокировка телефона) или через ленты (Discover).

Входные данные:

• Activity Indications (запросы, посещенные URL, содержание писем/календаря).
• User Attributes (предпочтения, демография, история местоположений).
• База данных сущностей (связи между сущностями).

Выходные данные:

• Коллекция проактивно предоставленных информационных индикаторов (ссылки, сниппеты, синтезированная информация).

На что влияет

• Специфические запросы и активность: Влияет на пользователей, выполняющих сложные задачи, требующие нескольких сессий поиска или действий (планирование путешествий, крупные покупки, исследования).
• Конкретные ниши: Наиболее подробно описано применение в нише путешествий (Travel), но механизм применим к любой тематике, где можно выявить устойчивый интерес пользователя к определенной сущности.
• Форматы контента: Влияет на видимость контента в беззапросных интерфейсах (например, Google Discover). Предпочтение отдается контенту, который хорошо связан с сущностями и соответствует атрибутам пользователя.

Когда применяется

• Триггеры активации: Система активируется, когда обнаруживается набор связанных Activity Indications и когда вычисленная оценка интереса (Travel-related Score) превышает определенный порог.
• Временные рамки: Информация предоставляется после прекращения исходной активности пользователя («at a later time»). Оценка интереса может снижаться со временем (time decay), если активность не возобновляется (FIG. 4A), или повышаться по мере приближения прогнозируемой даты события/поездки (likely travel time) (FIG. 4B).
• Условия доставки: Доставка может происходить в ответ на User Interface Indication (например, открытие приложения Google) и всегда независимо от ввода нового поискового запроса по этой теме.

Пошаговый алгоритм

Процесс А: Идентификация интереса и подготовка контента

1. Сбор и индексация активностей: Система непрерывно собирает Activity Indications пользователя с разных устройств и приложений.
2. Извлечение и связывание сущностей: Из активностей извлекаются Entities. Location Determination Engine ищет связи между сущностями.
3. Группировка активностей: Идентифицируются наборы связанных активностей на основе общих сущностей и временной близости.
4. Определение фокуса интереса: На основе доминирующих сущностей в группе определяется фокус интереса. Может быть определено прогнозируемое время (likely travel time), например, из бронирования в письме.
5. Вычисление оценки интереса: Scoring Engine вычисляет Travel-related Score. Учитываются: количество и типы активностей, сила связи с сущностями, атрибуты пользователя, удаленность от текущего/домашнего местоположения, время с момента последней активности.
6. Генерация и выбор информации: Если оценка превышает порог:
   1. (Вариант по Claim 8): Система автоматически формулирует новый запрос, комбинируя термины из предыдущих запросов в наборе.
   2. (Вариант по Claim 1): Система выбирает существующий контент или синтезирует информацию. Выбор персонализируется на основе User Attributes.
7. Ранжирование контента: Сгенерированные результаты или выбранный контент ранжируются (например, на основе релевантности сущностям и предпочтений пользователя).

Процесс Б: Проактивная доставка

1. Мониторинг триггеров доставки: Система ожидает подходящего момента для доставки (например, User Interface Indication или приближение likely travel time).
2. Предоставление информации: Подготовленная информация предоставляется пользователю (часто на другом устройстве, например, мобильном) без ввода нового запроса. Это может быть уведомление или элемент в ленте.

Какие данные и как использует

Данные на входе

Система в первую очередь полагается на данные о поведении и атрибутах пользователя.

• Поведенческие факторы (Activity Indications):
  • Поисковые запросы пользователя.
  • Посещенные веб-страницы (Webpage Access).
  • Данные из электронной почты (Email), например, подтверждения бронирований.
  • Записи календаря (Calendar entry).
• Пользовательские факторы (User Attributes):
  • Предпочтения пользователя.
  • История предыдущих путешествий.
  • Знакомые местоположения (familiar location), такие как дом или работа.
  • Текущее местоположение пользователя.
• Временные факторы:
  • Время выполнения действий (Activity Time).
  • Прогнозируемое время события/поездки (Likely travel time).
• Контентные факторы:
  • Текст и сущности, извлеченные из документов, писем и запросов, связанных с активностью пользователя.

Какие метрики используются и как они считаются

• Travel-related Score (Оценка интереса): Агрегированная метрика вероятности интереса пользователя к теме/месту. Факторы, влияющие на оценку:
  • Тип активности: Запись в календаре или письмо с бронированием могут иметь больший вес, чем просмотр веб-страницы.
  • Количество активностей и сущностей: Большее количество связанных действий повышает оценку.
  • Сила связи сущностей: Вес ассоциации между активностью и сущностью.
  • Familiarity Measure (Мера знакомства): Оценка может быть выше для незнакомых мест или сущностей, которые редко встречаются в активности пользователя («outliers»).
  • Расстояние: Расстояние между знакомым местоположением пользователя и предполагаемым пунктом назначения.
  • Time Decay: Оценка снижается по мере увеличения времени с момента последней активности (FIG. 4A).
  • Likely Travel Time: Оценка может повышаться по мере приближения к прогнозируемому времени и снижаться после его прохождения (FIG. 4B).
• Ранжирование проактивного контента: Метрики для определения того, какой контент показать. Основано на:
  • Релевантности контента сущностям, связанным с активностью пользователя.
  • Соответствии контента атрибутам пользователя (User Attributes).
  • Истории взаимодействия других пользователей с похожими атрибутами с этим контентом.

Выводы

1. Проактивный поиск как ключевой механизм: Патент описывает инфраструктуру для беззапросного (проактивного) поиска. Google активно инвестирует в прогнозирование потребностей пользователей на основе их поведения и предоставление информации до того, как они ее запросят.
2. Кросс-платформенное и кросс-приложенческое отслеживание: Система собирает сигналы из разных источников (Поиск, Веб-просмотр, Почта, Календарь) и с разных устройств (Claim 1). Это позволяет строить целостную картину намерений пользователя.
3. Автоматическая генерация запросов: Система может самостоятельно формулировать и выполнять новые поисковые запросы, комбинируя информацию из предыдущих запросов пользователя (Claim 8), чтобы найти более релевантный контент для продолжения задачи.
4. Сущности как связующее звено: Entities являются ядром системы. Они используются для связывания разрозненных действий пользователя и определения фокуса его интереса.
5. Персонализация на основе атрибутов: Выбор контента для проактивной доставки глубоко персонализирован и зависит от User Attributes (предпочтения, история, демография) (Claim 1).
6. Важность контекста и времени: Оценка интереса пользователя динамична и зависит от времени (Time Decay, приближение события) и контекста (местоположение пользователя, знакомство с темой).

Практика

Best practices (это мы делаем)

• Оптимизация под сущности (Entity Optimization): Убедитесь, что ваш контент четко связан с релевантными сущностями. Используйте структурированные данные (Schema.org) для однозначной идентификации мест, событий, продуктов и тем. Это поможет системе понять, что ваш контент релевантен интересу пользователя, выявленному через Activity Indications.
• Создание контента для всех этапов пути пользователя: Поскольку система отслеживает активность во времени и пытается продолжить поиск, важно иметь контент, отвечающий на последующие вопросы пользователя. Например, в тематике путешествий нужны не только обзоры отелей, но и путеводители, списки достопримечательностей, информация о транспорте.
• Фокус на контенте, релевантном во времени (Evergreen и Timely): Система учитывает likely travel time. Предоставляйте актуальную информацию о событиях, расписаниях и новостях, связанных с сущностью, чтобы повысить шансы на показ в нужное время.
• Понимание аудитории (User Attributes): Создавайте контент, ориентированный на конкретные сегменты аудитории. Если система определяет, что пользователь интересуется семейным отдыхом (атрибут), она предпочтет контент, соответствующий этому атрибуту (Claim 1).

Worst practices (это делать не надо)

• Фокус только на ключевых словах без контекста: Оптимизация под изолированные ключевые слова неэффективна для этой системы. Если контент не связан с четкими сущностями или не соответствует более широкому намерению пользователя, он не будет выбран для проактивной доставки.
• Игнорирование структурированных данных: Отсутствие разметки затрудняет идентификацию сущностей и их свойств (например, дат событий, местоположения), что снижает вероятность использования контента системой автоматического продолженного поиска.
• Создание поверхностного контента: Контент, который не помогает пользователю продвинуться в выполнении задачи, вряд ли будет выбран для продолжения поиска, поскольку система стремится предоставить полезную дополнительную информацию.

Стратегическое значение

Этот патент подтверждает стратегический переход Google от реактивного поиска (пользователь спрашивает — Google отвечает) к проактивному (Google анализирует поведение — Google предсказывает потребность — Google предоставляет информацию). Для SEO это означает, что значительная часть трафика будет поступать из беззапросных источников (Discover, Assistant). Стратегия должна включать оптимизацию под эти каналы, что требует глубокого понимания семантического поиска, важности сущностей и учета персонализации на основе поведения и атрибутов пользователя.

Практические примеры

Сценарий: Оптимизация сайта о путешествиях для проактивной выдачи

1. Действия пользователя (Отслеживание Google): Пользователь ищет «рейсы в Чикаго на май» на компьютере (Activity 1). Позже он получает письмо с бронированием отеля «Vacation Inn» в Чикаго (Activity 2). На телефоне он ищет «лучшая пицца в Чикаго» (Activity 3).
2. Анализ Google: Система связывает эти действия через сущность «Чикаго». Она определяет likely travel time (май) из письма и User Attributes (интерес к пицце). Travel-related Score превышает порог.
3. Автоматическая генерация контента (Google): Система может автоматически сгенерировать запрос типа «рестораны рядом с Vacation Inn Чикаго» или искать контент, соответствующий сущностям «Чикаго», «Vacation Inn», «Пицца» и датам в мае.
4. Действия SEO-специалиста: Убедиться, что на сайте есть страница «Путеводитель по Чикаго». Она должна включать:
   • Разметку Schema.org для местных бизнесов (ресторанов), включая отзывы и тип кухни (пицца).
   • Информацию о достопримечательностях и событиях в мае (с разметкой Event).
   • Четкие упоминания районов и ориентиров (например, близость ресторанов к популярным отелям, таким как Vacation Inn).
5. Ожидаемый результат: Через день после последней активности, когда пользователь разблокирует телефон (User Interface Indication), система проактивно покажет ему ссылку на этот путеводитель в ленте Discover или через Assistant, как релевантное продолжение его планирования.

Вопросы и ответы