Как Google делает поиск «сессионным» (stateful), объединяя параметры из последовательных запросов пользователя

Описание

Какую задачу решает

Патент решает проблему «поиска без сохранения состояния» (stateless search). В традиционном поиске каждый запрос обрабатывается изолированно, что вынуждает пользователей вручную повторять параметры из предыдущих запросов при постепенном уточнении поиска. Это неэффективно и особенно сложно при использовании голосовых интерфейсов и виртуальных ассистентов, где ручное управление фильтрами затруднено.

Что запатентовано

Запатентована система для создания «поиска с сохранением состояния» (stateful search). Система определяет, когда текущий и предыдущие запросы пользователя относятся к общей «линии исследования» (shared line of inquiry). Если связь обнаружена, система автоматически формулирует «комбинированный поисковый запрос» (combined search query), который агрегирует параметры из всех связанных запросов, тем самым сохраняя контекст сессии.

Как это работает

Система сравнивает текущий запрос с одним или несколькими предыдущими запросами. Связь определяется двумя основными способами:

• Семантическая схожесть: Запросы преобразуются в векторные представления (embeddings). Если расстояние между ними в латентном пространстве (latent space) меньше порогового значения, запросы считаются семантически связанными.
• Лингвистические сигналы: Система использует «связующие грамматики» (linking grammars) для обнаружения фраз (link back phrase), которые явно указывают на уточнение (например, «На самом деле, я имел в виду…»).

Близость запросов по времени усиливает сигнал о наличии связи. После объединения параметров система может предоставить пользователю интерактивные элементы (tokens) для управления активными условиями поиска.

Актуальность для SEO

Высокая. Понимание контекста сессии, обработка итеративных уточнений и развитие диалогового поиска (Conversational Search) являются приоритетными направлениями для Google. Этот механизм напрямую связан с тем, как современные поисковые системы интерпретируют эволюционирующий интент пользователя, особенно в голосовом поиске.

Важность для SEO

Патент имеет высокое стратегическое значение (7.5/10) для Понимания Запросов (Query Understanding). Он демонстрирует, что Google стремится интерпретировать не изолированные запросы, а целые поисковые сессии. Для SEO это подчеркивает необходимость оптимизации под «путь пользователя» (User Journey) и прогрессивное уточнение интента. Контент должен удовлетворять комбинированным, более сложным запросам, которые система генерирует автоматически в ходе сессии.

Детальный разбор

Термины и определения

Combined Search Query (Комбинированный поисковый запрос)

Запрос, автоматически сформулированный системой, который включает поисковые параметры из двух или более связанных запросов пользователя (текущего и предыдущих).

Embeddings (Векторные представления, Эмбеддинги)

Числовые векторные представления запросов, используемые для оценки их семантической схожести.

Latent Space (Латентное пространство)

Многомерное пространство, в котором размещаются embeddings. Расстояние между векторами в этом пространстве используется как прокси для семантической схожести.

Linking Grammar / Link Back Phrase (Связующая грамматика / Фраза обратной связи)

Лингвистические конструкции или конкретные фразы (например, «Actually, I meant…»), которые сигнализируют о том, что текущий запрос является уточнением или модификацией предыдущего.

Search Parameter (Поисковый параметр)

Термины и/или модификаторы (например, NOT), извлеченные из запросов. В комбинированном запросе они могут быть обязательными, опциональными или взвешенными.

Shared Line of Inquiry (Общая линия исследования)

Последовательность из двух или более поисковых запросов, которые система идентифицирует как часть одной исследовательской задачи или сессии.

Similarity Learning (Обучение схожести)

Процесс обучения функции схожести (например, модели машинного обучения, генерирующей embeddings) на основе обратной связи пользователя о качестве комбинированных запросов.

Stateful Search (Поиск с сохранением состояния)

Режим поиска, при котором система поддерживает контекст («состояние») между несколькими запросами в рамках одной сессии.

Tokens (Токены)

Интерактивные элементы пользовательского интерфейса, представляющие активные Search Parameters или элементы результатов поиска, с которыми пользователь может взаимодействовать (например, вычеркивать) для уточнения запроса.

Ключевые утверждения (Анализ Claims)

Патент содержит несколько независимых пунктов (Claims 1, 6, 7, 8, 9), описывающих разные аспекты и методы реализации системы.

Claim 1 (Независимый пункт): Метод семантической схожести.

1. Получение данных голосового ввода, содержащих текущий запрос.
2. Сравнение текущего запроса с предыдущим. Сравнение включает определение расстояния в latent space между первым embedding (текущий запрос) и вторым embedding (предыдущий запрос).
3. На основе сравнения определяется наличие общей shared line of inquiry.
4. Формулируется combined search query с параметрами из обоих запросов.
5. Выполняется поиск.

Claim 6 (Независимый пункт): Метод связующих грамматик.

1. Получение данных голосового ввода (текущий запрос).
2. Сравнение с предыдущим запросом. Сравнение включает применение одной или нескольких grammars к текущему запросу для идентификации фразы, указывающей на связь (relate-back) с предыдущим запросом.
3. Определение наличия общей shared line of inquiry.
4. Формулируется и выполняется combined search query.

Claim 7 (Независимый пункт): Режим Stateful Search с подтверждением.

1. Определение наличия общей shared line of inquiry.
2. В ответ на это пользователю предоставляется запрос (prompt) на вход в поисковую сессию, в которой запросы будут модифицироваться на основе отслеживаемого состояния (tracked state).
3. Получение ответа пользователя.
4. Формулирование combined search query происходит только после определения связи И получения положительного ответа пользователя.

Claim 8 (Независимый пункт): Отображение параметров.

1. После определения связи и формулирования combined search query.
2. Система предоставляет пользователю список активных search parameters, включающий параметры как из текущего, так и из предыдущего запроса.

Claims 9 и 10 (Независимый/Зависимый): Интерактивное уточнение через результаты.

1. Предоставление результатов поиска по combined search query.
2. Получение индикации взаимодействия пользователя с одним или несколькими tokens одного из результатов поиска.
3. Формулирование обновленного combined search query на основе этого взаимодействия.
4. (Claim 10) Уточняется, что взаимодействие может быть «вычеркиванием» (striking through) токенов, и обновленный запрос формулируется так, чтобы исключить результаты, соответствующие этим токенам.

Где и как применяется

Изобретение является ключевым компонентом этапа понимания запросов и управления сессией.

QUNDERSTANDING – Понимание Запросов
Это основная область применения. Query Processing Engine анализирует текущий запрос в контексте истории сессии.

1. Анализ контекста: Сравнение текущего запроса с предыдущими (полученными из Historical Query Database) с использованием семантических и грамматических моделей.
2. Переписывание запроса (Query Reformulation): Если обнаружена shared line of inquiry, система извлекает параметры и генерирует Combined Search Query. Это происходит до этапа ранжирования.

RANKING – Ранжирование
Системы ранжирования (Search Engine, Ranking Engine) получают на вход уже переписанный Combined Search Query. Веса параметров (обязательные/опциональные), установленные на этапе QUNDERSTANDING, используются при определении релевантности.

Интерфейс (Presentation Engine):
Presentation Engine отвечает за отображение результатов и интерактивных элементов (tokens). Взаимодействие пользователя с этими элементами обрабатывается и возвращается в Query Processing Engine для дальнейшего уточнения запроса.

Входные данные:

• Текущий поисковый запрос (текст или аудио).
• История недавних запросов пользователя/сессии.
• Временные метки запросов.
• Данные о взаимодействии пользователя с интерфейсом (например, вычеркивание токенов).

Выходные данные:

• Combined Search Query, отправляемый в систему ранжирования.
• Интерактивные элементы UI (tokens), отображающие активные параметры поиска.

На что влияет

• Специфические запросы: Наибольшее влияние на исследовательские (informational) и сложные коммерческие (transactional) запросы, где пользователь итеративно сужает область поиска или добавляет критерии (поиск товаров, планирование, решение проблем).
• Конкретные ниши: E-commerce, путешествия, недвижимость и любые ниши, требующие многофакторного выбора.
• Интерфейсы: Критически важно для голосового поиска и виртуальных ассистентов, где ожидается диалоговый контекст.

Когда применяется

Алгоритм активируется при выполнении условий, указывающих на продолжение поисковой сессии:

• Триггер 1 (Семантический): Когда рассчитанная семантическая схожесть между текущим и предыдущим запросом превышает порог. Это измеряется расстоянием между их embeddings в latent space.
• Триггер 2 (Лингвистический): Когда система обнаруживает linking grammar или link back phrase в текущем запросе (например, пользователь говорит «А как насчет красных?» после поиска «кроссовки Nike»).
• Вспомогательное условие (Временная близость): Если запросы поданы последовательно или в течение короткого интервала времени, это усиливает сигнал о наличии связи, даже если семантическая схожесть умеренная.

Пошаговый алгоритм

Процесс обработки запроса и поддержания состояния

1. Получение текущего запроса: Система получает новый запрос от пользователя (например, голосовой ввод).
2. Извлечение предыдущих запросов: Система извлекает один или несколько самых последних запросов из истории сессии.
3. Сравнение и анализ схожести:
   • Метод А (Семантический): Генерация embeddings для запросов. Расчет расстояния в latent space.
   • Метод Б (Грамматический): Применение linking grammars для поиска фраз обратной связи.
   • Учет времени: Корректировка порогов схожести на основе временной близости.
4. Определение Shared Line of Inquiry: Принятие решения о связи запросов (превышение порога схожести или наличие грамматической связи).
5. (Опционально) Запрос подтверждения: Система может спросить пользователя о входе в режим stateful search.
6. Извлечение и взвешивание параметров: Идентификация ключевых терминов и ограничений из всех связанных запросов. Система может назначать веса (обязательный, опциональный, высокая/низкая важность).
7. Формулирование Combined Search Query: Объединение параметров в единый запрос.
8. Выполнение поиска: Отправка комбинированного запроса в поисковую систему.
9. Отображение результатов и интерфейса: Предоставление результатов и (опционально) интерактивных tokens, представляющих активные параметры.
10. Обработка взаимодействия и Обучение (Уточнение): Мониторинг действий пользователя с tokens (например, вычеркивание). Эта обратная связь используется для формулирования обновленного запроса и для обучения функции схожести (Similarity Learning).

Какие данные и как использует

Данные на входе

• Лингвистические данные: Текст текущего и предыдущих запросов. Анализируется семантика терминов и грамматические структуры (linking grammars).
• Поведенческие факторы (Сессия и Взаимодействие): История поисковых запросов в рамках текущей сессии. Взаимодействие пользователя с интерфейсом (манипуляции с tokens — добавление, удаление/вычеркивание). Эта обратная связь используется для немедленного уточнения запроса и для машинного обучения.
• Временные факторы: Время, прошедшее между последовательными запросами. Временная близость используется как сигнал для определения связи.

Какие метрики используются и как они считаются

• Measure of Semantic Similarity (Мера семантической схожести): Ключевая метрика для определения связи между запросами.
• Distance in Latent Space (Расстояние в латентном пространстве): Основной способ расчета семантической схожести. Запросы преобразуются в embeddings с помощью моделей (например, энкодера). Вычисляется расстояние между ними; меньшее расстояние соответствует большей схожести.
• Parameter Weights (Веса параметров): Система может назначать веса параметрам (Mandatory, Optional High/Low Importance). Веса могут определяться на основе семантической схожести терминов, частоты запросов или связей в графе знаний.
• Алгоритмы машинного обучения (Similarity Function): Используются модели для генерации embeddings и функции схожести. Патент упоминает Similarity Learning: эти функции обучаются на основе взаимодействия пользователя. Если пользователь отвергает комбинированный запрос, модель учится размещать похожие запросы дальше друг от друга в latent space.

Выводы

1. Поиск становится сессионным (Stateful Search): Google активно развивает механизмы для поддержания контекста в рамках поисковой сессии. Поиск рассматривается не как набор изолированных событий, а как непрерывная «линия исследования» (shared line of inquiry).
2. Два пути определения связи: Система использует два дополняющих друг друга метода: (1) неявный семантический анализ через embeddings и расстояние в latent space, и (2) явные лингвистические сигналы (linking grammars), такие как фразы уточнения.
3. Автоматическое уточнение запроса: Система может автоматически усложнять запрос пользователя, добавляя параметры из предыдущих шагов сессии. Это критически важно для развития голосового поиска и диалоговых интерфейсов.
4. Временной контекст важен: Близость запросов по времени является усиливающим сигналом для их объединения, даже при умеренной семантической схожести.
5. Прозрачность и контроль пользователя: Патент предусматривает механизмы контроля. Пользователю могут показываться активные параметры (tokens), и он может ими управлять (например, использовать вычеркивание для исключения).
6. Обучение на обратной связи (Similarity Learning): Взаимодействие пользователя с результатами и параметрами используется как обучающий сигнал для улучшения моделей машинного обучения, ответственных за генерацию embeddings и оценку схожести.

Практика

Best practices (это мы делаем)

• Оптимизация под поисковые сессии (User Journey Optimization): Необходимо сместить фокус с отдельных ключевых слов на покрытие целых тем (Topical Authority) и сценариев поиска. Контент должен быть структурирован так, чтобы отвечать на естественное развитие запроса пользователя — от общего к частному.
• Проработка глубины и детализации контента: Создавайте контент, который покрывает не только базовый интент, но и последующие уточняющие вопросы (follow-up questions) и атрибуты. Это позволит сайту оставаться релевантным по мере того, как Google автоматически усложняет запрос пользователя (Combined Search Query).
• Улучшение информационной архитектуры и перелинковки: Четкая связь между обзорными и детальными страницами помогает соответствовать прогрессивному уточнению запросов.
• Использование структурированных данных (для E-commerce): Полная разметка атрибутов товара (цвет, функции, совместимость) критична, так как именно эти атрибуты становятся параметрами в комбинированном запросе во время покупательской сессии.

Worst practices (это делать не надо)

• Фокус только на высокочастотных общих запросах: Стратегия, направленная только на широкие запросы без проработки деталей, приведет к потере трафика на следующих этапах сессии пользователя, когда Google применит уточняющие параметры.
• Создание поверхностного контента (Thin Content): Контент, который не предоставляет достаточной детализации или не покрывает смежные аспекты темы, будет неэффективен в рамках stateful search, так как не сможет ответить на сложные комбинированные запросы.
• Игнорирование диалоговых форматов и естественного языка: Поскольку механизм активно используется в голосовом поиске, игнорирование оптимизации под естественные формулировки и диалоговые интенты является упущенной возможностью.

Стратегическое значение

Патент подтверждает стратегический курс Google на контекстно-зависимый и сессионный поиск. Он подчеркивает важность понимания того, как Google использует embeddings для оценки семантических связей не только между контентом, но и между запросами пользователя в динамике. Долгосрочная SEO-стратегия должна быть направлена на понимание полного цикла исследования пользователя в нише (Task Completion) и обеспечение присутствия на всех его этапах.

Практические примеры

Сценарий: Исследование продукта в E-commerce (Наушники)

1. Начало сессии (Q1): Пользователь вводит «Bluetooth наушники».
2. Уточнение типа (Q2): Пользователь говорит: «Вообще-то, мне нужны полностью беспроводные (true wireless)».
3. Действие Google (Анализ Q2): Система распознает linking grammar («Вообще-то, мне нужны…»). Она определяет, что Q1 и Q2 связаны (shared line of inquiry).
4. Комбинированный запрос 1: Google выполняет поиск по «True wireless Bluetooth наушники».
5. Уточнение функции (Q3): Пользователь спрашивает: «Какие из них с шумоподавлением?».
6. Действие Google (Анализ Q3): Система определяет высокую семантическую схожесть (через embeddings) между Q3 и контекстом предыдущих запросов.
7. Комбинированный запрос 2: Google выполняет поиск по «True wireless Bluetooth наушники с шумоподавлением».
8. SEO-применение: Чтобы выиграть в этой сессии, сайт должен иметь контент (например, детальную страницу категории или обзор), который точно соответствует всем трем параметрам. Если сайт оптимизирован только под «Bluetooth наушники», он исчезнет из выдачи на шаге 4 или 7.

Вопросы и ответы