Как Google создает мини-ассистентов для рекламы и виджетов, используя контент целевой страницы

Описание

Какую задачу решает

Патент решает проблему взаимодействия пользователя с контентом, представленным в виде «цифровых компонентов» (например, рекламы, виджетов, товарных объявлений). Традиционно, чтобы получить дополнительную информацию о предложении, пользователю необходимо покинуть текущую страницу (например, SERP или сайт издателя), перейти по ссылке на целевой ресурс (data source) и искать информацию там. Изобретение позволяет пользователю задавать вопросы (голосом или текстом) непосредственно внутри компонента и получать ответы без ухода с текущей страницы.

Что запатентовано

Запатентована система для генерации доменно-специфичных моделей обработки запросов (query processing models или knowledge graphs) на основе конкретного источника данных (data source, например, лендинга). Система встраивает интерактивный интерфейс (input interface), функционирующий как мини-ассистент или чат-бот, непосредственно в цифровой компонент (digital component). Этот интерфейс использует созданную доменно-специфичную модель для ответов на запросы пользователя.

Как это работает

Система работает в несколько этапов:

• Построение модели: Система анализирует data source (например, лендинг рекламодателя), извлекает сущности и отношения между ними, и строит доменно-специфичный knowledge graph.
• Размещение компонента: Digital component (реклама), связанный с этим источником данных и его графом знаний, подается пользователю (например, в ответ на поисковый запрос или на сайте издателя).
• Интерактивный интерфейс: Компонент содержит встроенный input interface (например, иконку чат-бота или микрофона).
• Взаимодействие: Пользователь активирует интерфейс и задает вопрос.
• Генерация ответа: Система обрабатывает запрос, используя исключительно доменно-специфичный knowledge graph (а не общий поисковый индекс).
• Отображение: Ответ отображается пользователю внутри самого цифрового компонента.

Актуальность для SEO

Высокая. Патент опубликован в 2023 году и напрямую связан с развитием интерактивной рекламы, интеграцией технологий ИИ-ассистентов (Conversational AI) в различные продукты и стремлением Google предоставлять прямые ответы и богатый пользовательский опыт (Rich Experiences) без необходимости навигации по сторонним сайтам. Технологии чат-ботов и автоматизированных ассистентов активно развиваются.

Важность для SEO

Влияние на SEO оценивается как среднее (6.5/10). Патент в первую очередь описывает механизмы для улучшения взаимодействия с «цифровыми компонентами», что чаще всего подразумевает платную рекламу (Paid Search, Display Ads) или товарные объявления (Shopping). Однако он имеет критическое значение для оптимизации лендингов (Landing Page Optimization). Способность Google автоматически сгенерировать эффективного интерактивного ассистента полностью зависит от того, насколько хорошо система может извлечь сущности и отношения из контента целевой страницы. Это подчеркивает важность четкой структуры и семантической разметки контента.

Детальный разбор

Термины и определения

Data Source (Источник данных)

Ресурс, на основе которого строится доменно-специфичная модель. Обычно это целевая страница (лендинг, веб-сайт), на которую ведет ссылка из цифрового компонента.

Digital Component (Цифровой компонент)

Элемент контента, предоставляемый пользователю. В контексте патента это чаще всего интерактивная реклама, виджет, товарное объявление или другой блок стороннего контента, отображаемый на SERP или веб-странице.

Domain Processor (Доменный процессор)

Компонент системы, отвечающий за генерацию доменно-специфичных Knowledge Graphs на основе анализа Data Sources.

Input Interface (Интерфейс ввода)

Встроенный в Digital Component механизм для приема запросов пользователя (голосовых, текстовых). Функционирует как точка входа для мини-ассистента или чат-бота.

Knowledge Graph (KG) / Query Processing Model (Граф знаний / Модель обработки запросов)

Структура данных, созданная специально для конкретного Data Source. Состоит из узлов (сущностей, найденных на лендинге) и ребер (отношений между ними). Используется для генерации ответов на запросы через Input Interface.

NLP Component (Компонент обработки естественного языка)

Модуль, используемый для парсинга входящих запросов пользователя и для анализа контента Data Source при построении Knowledge Graph.

Ключевые утверждения (Анализ Claims)

Патент US11562009B2 является продолжением (Continuation) предыдущих заявок.

Claim 1 (Независимый пункт): Описывает основную систему взаимодействия с доменно-специфичными моделями.

1. Система отправляет на клиентское устройство digital component.
2. Этот компонент содержит два ключевых элемента: (a) input interface для обработки запросов с использованием специфичной query processing model (построенной из сущностей data source), активируемый при взаимодействии с компонентом; и (b) ссылку (link) для доступа к информационному ресурсу этого data source (стандартный клик по рекламе).
3. Система получает первый запрос, переданный через этот input interface (после активации компонента).
4. Система генерирует ответ на основе этого запроса, используя специфичную query processing model.
5. Система отправляет ответ для отображения вместе с digital component.

Ключевая идея — интеграция интерактивного ассистента, ограниченного рамками контента целевой страницы, непосредственно в рекламный блок или виджет.

Claim 9 (Зависимый от 1): Детализирует структуру query processing model (Графа Знаний).

1. Модель генерируется с узлами (соответствующими сущностям из data source) и ребрами (соответствующими отношениям между парами сущностей).
2. Каждому ребру присваивается вес, основанный на семантической дистанции (semantic distance) между соответствующей парой сущностей.

Это стандартный подход к построению графов знаний, подтверждающий, что система проводит глубокий семантический анализ контента лендинга.

Claim 11 (Зависимый от 1): Описывает механизм маршрутизации запросов.

Система получает первый запрос, маршрутизированный через input interface цифрового компонента, а не через второй (например, общий) интерфейс ввода. Это происходит в ответ на активацию цифрового компонента через событие взаимодействия (interaction event).

Это обеспечивает контекстность: система понимает, что пользователь обращается именно к этому компоненту, и использует соответствующую узкоспециализированную модель для ответа.

Где и как применяется

Изобретение затрагивает несколько этапов поисковой архитектуры, но его основная ценность лежит в создании и использовании специализированных индексов (моделей).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основная подготовительная работа. Domain Processor анализирует Data Sources (лендинги, связанные с рекламными кампаниями). NLP Component используется для извлечения сущностей (Entities) и определения семантических связей между ними. Результатом является генерация доменно-специфичных Knowledge Graphs, которые сохраняются в репозитории.

RANKING / METASEARCH – Ранжирование / Метапоиск
На этих этапах система (например, рекламный движок или Digital Component Selector) определяет, какой digital component показать пользователю в ответ на его первоначальный запрос (например, поисковый запрос) или на основе контекста страницы, которую он просматривает (Display Network).

QUNDERSTANDING – Понимание Запросов
Когда пользователь взаимодействует с input interface внутри компонента, система должна понять запрос. Особенность в том, что интерпретация происходит в контексте узкоспециализированного Knowledge Graph.

RERANKING (в контексте генерации ответа)
Система использует Knowledge Graph для поиска наилучшего ответа на запрос пользователя и формирует ответ для отображения внутри компонента.

Входные данные:

• Data Sources (контент лендингов).
• Digital Components (рекламные креативы/объявления).
• Первоначальный запрос пользователя (триггер для показа компонента).
• Последующие запросы пользователя (голосовые или текстовые), введенные через Input Interface.

Выходные данные:

• Доменно-специфичные Knowledge Graphs.
• Интерактивный Digital Component, отображаемый пользователю.
• Ответы на запросы, сгенерированные на основе KG и отображаемые внутри компонента.

На что влияет

• Конкретные типы контента: В первую очередь влияет на «цифровые компоненты» — платную поисковую рекламу (Paid Search Ads), медийную рекламу (Display Ads), товарные объявления (Shopping Listings) и интерактивные виджеты.
• Специфические запросы: Наиболее применимо к коммерческим запросам, где пользователи ищут продукты или услуги и могут иметь уточняющие вопросы. Патент упоминает обработку голосовых (voice-based), текстовых и основанных на изображениях (image-based) входных сигналов.
• Конкретные ниши или тематики: Сильное влияние на E-commerce, услуги, и любые ниши, где используются лендинги для продвижения конкретных предложений.

Когда применяется

Алгоритм применяется при следующих условиях:

• Условие показа: Когда система выбирает для показа digital component, для которого была предварительно сгенерирована доменно-специфичная модель (Knowledge Graph) и который поддерживает интерактивный Input Interface.
• Триггер активации: Когда пользователь явно активирует Input Interface внутри компонента (interaction event) и направляет запрос через него.

Пошаговый алгоритм

Процесс А: Офлайн-генерация моделей (Knowledge Graph Generation)

1. Идентификация источника: Система получает доступ к Data Source (лендингу), связанному с Digital Component.
2. Анализ контента: Domain Processor и NLP Component анализируют контент источника данных.
3. Извлечение сущностей: Идентифицируются ключевые сущности (продукты, характеристики, цены, условия).
4. Определение отношений: Определяются отношения между сущностями и рассчитывается семантическая дистанция (semantic distance) между ними.
5. Построение графа: Генерируется доменно-специфичный Knowledge Graph, где сущности — узлы, а отношения — взвешенные ребра.
6. Сохранение: Граф сохраняется в репозитории в ассоциации с Digital Component и Data Source.

Процесс Б: Онлайн-взаимодействие (Runtime Interaction)

1. Получение первоначального запроса: Система получает запрос от пользователя (например, поисковый запрос или запрос на загрузку веб-страницы).
2. Выбор компонента: Digital Component Selector выбирает релевантный Digital Component (рекламу) и связанный с ним Knowledge Graph.
3. Передача и рендеринг: Компонент, содержащий ссылку на Data Source и встроенный Input Interface, передается на клиентское устройство и отображается пользователю.
4. Активация интерфейса: Пользователь взаимодействует с компонентом (interaction event), активируя Input Interface.
5. Получение последующего запроса: Система получает новый запрос (голосовой или текстовый) через этот интерфейс.
6. Маршрутизация и обработка: Система направляет запрос на обработку с использованием ассоциированного доменно-специфичного Knowledge Graph.
7. Генерация ответа: Система генерирует ответ, находя соответствующую информацию в графе знаний.
8. Отображение ответа: Ответ передается на клиентское устройство и отображается внутри Digital Component, без перезагрузки страницы.

Какие данные и как использует

Данные на входе

Ключевым аспектом патента является использование данных с целевой страницы для построения модели.

• Контентные факторы: Весь контент Data Source (лендинга) является критически важным. Текст, заголовки, списки характеристик, описания продуктов, разделы FAQ, цены. Эти данные используются для извлечения сущностей и построения Knowledge Graph.
• Структурные факторы: Структура лендинга (заголовки H1-H6, таблицы, списки) помогает системе понять иерархию информации и точнее извлечь отношения между сущностями.
• Пользовательские факторы: Входящие сигналы (input signals) от пользователя — голосовые или текстовые запросы, а также события взаимодействия (interaction events), которые активируют интерфейс.

Какие метрики используются и как они считаются

Патент не детализирует конкретные формулы, но упоминает ключевые методы анализа:

• Извлечение сущностей (Entity Extraction): Использование NLP для идентификации именованных сущностей и ключевых концепций в тексте лендинга.
• Семантическая дистанция (Semantic Distance): Метрика, упомянутая в Claim 9. Используется для определения весов ребер в Knowledge Graph. Она показывает, насколько тесно связаны две сущности в контексте контента лендинга.
• Обработка естественного языка (NLP) и Ответы на вопросы (Question Answering): Методы, используемые для сопоставления запроса пользователя с информацией, закодированной в доменно-специфичном Knowledge Graph.

Выводы

1. Автоматическая генерация ассистентов из лендингов: Google разрабатывает технологию, позволяющую автоматически превращать статические целевые страницы в интерактивные диалоговые интерфейсы (мини-ассистенты или чат-боты) без участия разработчика сайта.
2. Доменно-специфичные модели: Для каждого лендинга создается отдельная модель (Knowledge Graph). Это гарантирует, что ассистент будет отвечать только на основе информации, присутствующей на этой конкретной странице, обеспечивая точность и релевантность в контексте рекламного предложения.
3. Критичность качества контента лендинга: Эффективность работы автоматического ассистента напрямую зависит от способности Google понять контент лендинга. Структура, ясность изложения и полнота информации на странице становятся факторами, определяющими качество взаимодействия пользователя с Digital Component.
4. Контекстное взаимодействие: Система четко различает общие запросы пользователя и запросы, направленные конкретно на Digital Component. Активация интерфейса компонента переключает систему на использование соответствующей узкоспециализированной модели.
5. Фокус на интерактивной рекламе: Основное применение технологии, судя по описанию Digital Components, — это улучшение пользовательского опыта в платной выдаче и медийных сетях, позволяя пользователям получать информацию без клика по рекламе.

Практика

Best practices (это мы делаем)

Хотя патент фокусируется на «цифровых компонентах» (рекламе), его выводы критически важны для оптимизации любых целевых страниц (лендингов), так как они демонстрируют, как Google анализирует контент для создания интерактивных ответов.

• Оптимизация лендингов для извлечения сущностей: Проектируйте лендинги (особенно для продуктов и услуг) с максимальной ясностью. Google должен легко извлекать сущности (название продукта, цена, характеристики, преимущества) и понимать связи между ними для построения Knowledge Graph.
• Четкая структура контента: Используйте семантически верную верстку. Характеристики продукта должны быть оформлены в виде списков или таблиц. Заголовки должны четко отражать содержание секций. Это облегчает построение модели.
• Внедрение структурированных данных: Активно используйте Schema.org (например, Product, Offer, Service, FAQPage). Хотя патент не упоминает их напрямую, структурированные данные помогают явно определить сущности и их атрибуты, что упрощает задачу Domain Processor по созданию точного Knowledge Graph.
• Создание качественных FAQ секций: Наличие четких вопросов и ответов на лендинге предоставляет готовый материал для обучения автоматического ассистента, повышая вероятность того, что он сможет корректно ответить на запросы пользователя через Input Interface.

Worst practices (это делать не надо)

• Использование изображений вместо текста: Размещение важной информации (например, характеристик или цен) в виде изображений делает ее недоступной или трудной для извлечения NLP Component, что приведет к неполному Knowledge Graph.
• Неоднозначный и неструктурированный контент: Сплошной текст без четкой структуры, смешивание разных тем на одном лендинге, отсутствие конкретики в описаниях. Это затрудняет определение семантических связей и весов в модели.
• Отсутствие конкретики: Лендинги, содержащие только маркетинговые лозунги без фактической информации о продукте или услуге, не позволят создать функционального ассистента.

Стратегическое значение

Патент подтверждает стратегический фокус Google на понимании контента на уровне сущностей и их взаимосвязей (Entity-Based Understanding). Технология автоматического создания графа знаний на основе одной страницы демонстрирует уровень развития NLP-систем Google. Для SEO это означает, что хорошо структурированный контент выигрывает не только в органическом поиске, но и потому, что он может быть легко проанализирован и переиспользован автоматизированными системами Google для создания новых пользовательских интерфейсов, таких как интерактивные ассистенты в рекламе.

Практические примеры

Сценарий: Оптимизация лендинга продукта для интерактивного Shopping Ad

Задача: Обеспечить, чтобы автоматический ассистент в товарном объявлении (Digital Component) мог отвечать на вопросы о кофемашине «ACME CM100».

1. Анализ лендинга (Data Source): Убедиться, что на странице четко указаны все характеристики: цена, объем резервуара, типы кофе, цвета корпуса, гарантия.
2. Структурирование данных: Оформить характеристики в виде таблицы или маркированного списка. Внедрить микроразметку Product, указав color, mpn, sku, и Offer с price.
3. Создание FAQ: Добавить секцию FAQ, отвечающую на частые вопросы (например, «Можно ли мыть резервуар в посудомойке?»).
4. Ожидаемый результат: Google анализирует страницу, строит Knowledge Graph. Пользователь видит товарное объявление в поиске. Он активирует Input Interface и спрашивает: «Какие есть цвета у ACME CM100?». Ассистент, используя созданный граф знаний, отвечает: «Черный, белый и красный» прямо в интерфейсе объявления.

Вопросы и ответы