Как Google предсказывает поисковые запросы на основе контекста пользователя в реальном времени (например, в чате или клавиатуре)

Описание

Какую задачу решает

Патент решает проблему неэффективности и трудоемкости выполнения поиска информации, релевантной текущей задаче пользователя (например, общению в мессенджере). Он устраняет необходимость вручную переключаться между приложениями (например, из чата в браузер), формулировать и вводить поисковый запрос для получения нужной информации (например, адреса ресторана или прогноза погоды).

Что запатентовано

Запатентована система (Application Extension), интегрируемая в приложения, использующие графическую клавиатуру. Эта система автоматически предсказывает потенциальные поисковые запросы из предопределенного набора (predetermined set of search queries) на основе анализа Contextual Information (контекстной информации) устройства или приложения. Предсказанные запросы отображаются в виде графических элементов (иконок) прямо в интерфейсе клавиатуры, позволяя выполнить поиск в одно касание.

Как это работает

Механизм работает следующим образом:

• Сбор контекста: После получения явного согласия пользователя система анализирует контекстную информацию: данные сообщений (переписку), календарь, время, местоположение, историю поиска и т.д.
• Прогнозирование запросов: Система оценивает предопределенный набор запросов (например, «погода», «рестораны рядом», «последние новости») на предмет их релевантности текущему контексту.
• Отображение предложений: Наиболее релевантные запросы отображаются в виде иконок в области графической клавиатуры, заменяя собой клавиши.
• Выполнение поиска: При выборе пользователем иконки система выполняет соответствующий поиск.
• Отображение результатов: Результаты поиска также отображаются непосредственно в области клавиатуры для быстрого ознакомления или отправки собеседнику.

Актуальность для SEO

Высокая. Технология активно используется в продуктах Google, таких как Gboard (клавиатура Google) и функциях предиктивного ввода в Android. Интеграция поиска в различные контексты и переход к поиску без ввода текста (zero-typing search) являются ключевыми трендами в развитии поисковых интерфейсов и пользовательского опыта.

Важность для SEO

Влияние на традиционные стратегии SEO (ранжирование веб-страниц) минимальное. Патент описывает интерфейс и механизм генерации поисковых запросов на стороне клиента, а не алгоритмы ранжирования на стороне сервера. Однако он имеет значение для стратегий discoverability (обнаруживаемости) и оптимизации сущностей (Entity Optimization). Он подчеркивает важность контекстно-зависимого поиска и локального SEO, поскольку предлагаемые запросы часто связаны с немедленными потребностями пользователя (погода, еда, развлечения поблизости).

Детальный разбор

Термины и определения

Application Extension (Расширение приложения)

Исполняемый модуль или отдельное приложение, которое предоставляет дополнительную функциональность (в данном случае, предиктивный поиск) внутри другого приложения (например, мессенджера), часто через интерфейс графической клавиатуры.

Contextual Information (Контекстная информация)

Данные, используемые для предсказания релевантных поисковых запросов. Включают данные календаря, содержание сообщений (message data), текущее время, местоположение, историю поиска пользователя, данные аккаунта, краудсорсинговую историю поиска и данные о получателе сообщения.

Graphical Keyboard (Графическая клавиатура)

Программный интерфейс для ввода текста. В контексте патента это область, которая может переключаться между режимом ввода текста и режимом поиска (Search Mode).

Predetermined Set of Search Queries (Предопределенный набор поисковых запросов)

Хранящийся в памяти список заранее сформулированных поисковых запросов (например, «погода сейчас», «рестораны рядом», «кинотеатры поблизости»), из которых система выбирает наиболее подходящие к контексту.

Query List (Список запросов)

Хранилище данных, содержащее Predetermined Set of Search Queries.

Relevancy Score (Оценка релевантности)

Метрика, вычисляемая для каждого предопределенного запроса, которая показывает, насколько этот запрос соответствует текущей Contextual Information. Используется для выбора и упорядочивания предлагаемых запросов.

Search Mode (Режим поиска)

Режим работы приложения, при котором активируется Application Extension для прогнозирования и выполнения поисковых запросов.

Subset of Search Queries (Подмножество поисковых запросов)

Один или несколько запросов, выбранных из Predetermined Set, которые имеют наивысшие Relevancy Scores и предлагаются пользователю.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы.

1. Приложение отображает графическую клавиатуру.
2. Application Extension определяет подмножество запросов из предопределенного набора на основе Contextual Information.
3. Application Extension отображает графический элемент (иконку) для каждого выбранного запроса, заменяя им часть клавиатуры.
4. Система получает ввод пользователя, выбирающий один из графических элементов.
5. Выполняется поиск на основе соответствующего запроса.
6. Application Extension отображает графическую индикацию результатов поиска, также заменяя ею часть клавиатуры.

Claim 2 (Зависимый от 1): Детализирует механизм выбора подмножества запросов.

1. Для каждого запроса в предопределенном наборе генерируется Relevancy Score на основе Contextual Information.
2. Подмножество формируется из запросов с наивысшими Relevancy Scores.

Claim 3 (Зависимый от 2): Детализирует механизм отображения предложенных запросов.

1. Определяется порядок запросов в подмножестве на основе их Relevancy Scores.
2. Графические элементы отображаются в соответствии с этим порядком (например, самый релевантный слева или сверху).

Claim 4 (Зависимый от 1): Определяет состав Contextual Information. Он включает один или несколько из следующих типов данных: календарь, сообщения, время, местоположение, история поиска пользователя, аккаунт пользователя, краудсорсинговая история поиска, данные получателя сообщения.

Claim 5 (Зависимый от 4): Описывает использование истории поиска и машинное обучение.

1. Контекстная информация включает историю поиска пользователя.
2. После того как пользователь выбирает предложенный запрос, история поиска обновляется на основе этого выбора. (Это позволяет системе обучаться предпочтениям пользователя).

Где и как применяется

Этот патент описывает технологию, которая работает преимущественно на стороне клиента (на устройстве пользователя) и затрагивает этап формирования запроса.

QUNDERSTANDING – Понимание Запросов (Query Understanding)
Основное применение патента находится на этом этапе, но в специфическом контексте – прогнозирование и предложение запросов до того, как пользователь начал их вводить. Система анализирует Contextual Information (переписку, локацию, время) в реальном времени, чтобы понять *потенциальное* намерение пользователя и предложить релевантные запросы из Predetermined Set. Это форма предиктивного понимания запроса.

RANKING – Ранжирование
Напрямую алгоритмы ранжирования веб-документов патент не затрагивает. Однако он описывает механизм ранжирования *самих предложений* (Subset of Search Queries) на основе вычисленного Relevancy Score относительно контекста.

Входные данные:

• Contextual Information (содержание чата, данные сенсоров, история поиска, календарь).
• Predetermined Set of Search Queries (список запросов).
• Ввод пользователя (активация режима поиска, выбор предложенного запроса).

Выходные данные:

• Набор графических элементов (иконок), представляющих предсказанные запросы.
• Сформированный поисковый запрос, отправляемый в поисковую систему.
• Графическая индикация результатов поиска, отображаемая в интерфейсе клавиатуры.

На что влияет

• Специфические запросы: В первую очередь влияет на информационные и транзакционные запросы, связанные с немедленными потребностями и действиями: локальные запросы («рестораны рядом»), запросы о событиях («фильмы сегодня вечером»), фактологические запросы («погода», «счет матча»).
• Конкретные ниши или тематики: Наибольшее влияние оказывается на локальный бизнес (Local SEO), сферу развлечений, новости и события, т.е. тематики, которые часто обсуждаются в мессенджерах и требуют актуальной информации.
• Конкретные типы контента: Влияет на контент, который может быть представлен в виде карточек или структурированных данных (например, карточка ресторана, карточка фильма, прогноз погоды), так как результаты отображаются в ограниченном пространстве клавиатуры.

Когда применяется

• Условия работы: Алгоритм работает, когда пользователь использует приложение с интегрированным Application Extension (например, клавиатуру Gboard в мессенджере).
• Триггеры активации: Активация может происходить автоматически при запуске приложения или вручную, когда пользователь переключает клавиатуру в Search Mode (например, нажатием специальной кнопки поиска).
• Предварительное условие: Система должна получить явное согласие (explicit consent) пользователя на сбор и анализ Contextual Information.

Пошаговый алгоритм

Процесс А: Обработка контекста и генерация предложений

1. Инициализация: Приложение отображает графическую клавиатуру.
2. Запрос согласия: Система запрашивает у пользователя явное согласие на сбор контекстной информации (если оно не было получено ранее).
3. Активация расширения: Application Extension активируется (автоматически или по действию пользователя), переводя клавиатуру в Search Mode.
4. Сбор и анализ контекста: Система собирает и анализирует доступную Contextual Information (например, анализирует последние сообщения в чате, проверяет текущее время и местоположение).
5. Расчет релевантности: Для каждого запроса из Predetermined Set of Search Queries вычисляется Relevancy Score, отражающий его соответствие контексту.
6. Выбор подмножества: Выбирается Subset of Search Queries – запросы с наивысшими оценками релевантности.
7. Определение порядка: Выбранные запросы упорядочиваются по убыванию Relevancy Score.
8. Отображение интерфейса поиска: Графическая клавиатура (или ее часть) заменяется интерфейсом поиска, где отображаются графические элементы (иконки), соответствующие выбранным запросам, в определенном порядке.

Процесс Б: Обработка выбора пользователя и выполнение поиска

1. Получение ввода: Система получает индикацию выбора пользователем одного из графических элементов.
2. Обновление истории (Машинное обучение): История поиска пользователя обновляется на основе сделанного выбора для улучшения будущих предсказаний.
3. Выполнение поиска: Система выполняет поиск по соответствующему запросу (локально на устройстве или через сетевой запрос к серверу).
4. Получение результатов: Система получает один или несколько результатов поиска.
5. Отображение результатов: Интерфейс поиска обновляется для отображения графических индикаций результатов (например, в виде карточек). Ориентация отображения (вертикальная или горизонтальная) может зависеть от ориентации устройства (портретная или ландшафтная).
6. Выбор результата: Пользователь может выбрать конкретный результат.
7. Действие: Выбранный результат может быть отправлен в виде сообщения (например, вставлен в чат).

Какие данные и как использует

Данные на входе

Система использует обширный набор контекстных данных для прогнозирования запросов:

• Контентные факторы (внутри приложения): Содержание сообщений (message data), переписка в чате. Анализируется текст сообщений для выявления тем и намерений (например, упоминание «ужин», «кино», «погода»).
• Временные факторы: Текущее время (используется для определения релевантности запросов, например, предложение обеда в полдень).
• Географические факторы: Текущее местоположение устройства (используется для локализации предложений, например, «рестораны рядом»).
• Пользовательские факторы:
  • История поиска пользователя (search history associated with a user): Используется для персонализации предложений и машинного обучения.
  • Данные аккаунта пользователя (user account associated with the application).
  • Данные календаря (calendar data): Используются для предложений, связанных с предстоящими событиями или встречами.
  • Данные о получателе сообщения (message recipient data).
• Внешние данные: Краудсорсинговая история поиска (crowdsourced search history associated with users of other computing devices): Используется для определения популярных запросов в схожих контекстах у других пользователей.

Какие метрики используются и как они считаются

• Relevancy Score (Оценка релевантности): Ключевая метрика патента. Она рассчитывается для каждого предопределенного запроса на основе анализа Contextual Information. Патент не приводит конкретной формулы, но указывает, что эта оценка используется для фильтрации и ранжирования предложений.
• Методы анализа текста (NLP): Используются для анализа message data (содержания переписки) с целью определения тем разговора и намерений пользователей, что влияет на Relevancy Score.
• Алгоритмы машинного обучения: Патент упоминает использование истории поиска пользователя для динамического обновления и улучшения выбора запросов. Если пользователь часто выбирает определенный тип запроса в конкретном контексте, система будет чаще предлагать его в будущем.

Выводы

1. Контекст как основа для прогнозирования запросов: Патент демонстрирует механизм, позволяющий Google предсказывать поисковые намерения пользователя на основе его непосредственного окружения и действий (переписка, локация, время), не дожидаясь ввода запроса.
2. Переход к поиску без ввода (Zero-Typing Search): Описанная технология является частью стратегии по упрощению доступа к информации. Поиск интегрируется непосредственно в пользовательский интерфейс (клавиатуру), превращая потенциальный запрос в иконку.
3. Ранжирование предложений по релевантности контексту: Система не просто предлагает случайные запросы, а вычисляет Relevancy Score для предопределенных запросов, чтобы показать наиболее подходящие. Это ранжирование происходит на устройстве пользователя.
4. Персонализация и машинное обучение: Система использует историю поиска пользователя и его предыдущие выборы для адаптации будущих предложений. Также упоминается использование краудсорсинговых данных для определения популярности запросов.
5. Фокус на немедленных потребностях и локальном поиске: Примеры в патенте (погода, рестораны, бары, кино, спорт) показывают, что система ориентирована на удовлетворение немедленных информационных и транзакционных потребностей, часто имеющих локальный характер.
6. Важность структурированных результатов: Поскольку результаты поиска отображаются в ограниченном пространстве клавиатуры, предпочтение отдается форматам, которые можно представить в виде карточек или структурированных сниппетов.

Практика

Best practices (это мы делаем)

Хотя патент описывает клиентский интерфейс, а не алгоритмы ранжирования, он дает стратегические инсайты о том, как пользователи ищут информацию в мобильном контексте.

• Усиление локального SEO (для релевантного бизнеса): Поскольку система активно предлагает запросы, связанные с местоположением и немедленными потребностями («рестораны рядом», «кинотеатры»), критически важно иметь идеально оптимизированный Google Business Profile (GBP). Это увеличивает шансы попасть в результаты поиска, инициированного через этот интерфейс.
• Оптимизация сущностей (Entity Optimization) и Knowledge Graph: Система предлагает поиск по сущностям (фильмы, места, события). Необходимо обеспечить полное и точное представление вашего бренда или продукта как сущности в Knowledge Graph, чтобы поисковая система могла легко извлечь информацию и представить ее в виде структурированного результата (карточки).
• Фокус на контенте, отвечающем на немедленные потребности: Создавайте контент, который быстро отвечает на вопросы, актуальные в моменте (например, «часы работы», «текущее меню», «наличие билетов»). Этот контент должен быть легко доступен и хорошо структурирован.
• Использование микроразметки для событий и новостей: Для медиа и сайтов с событиями важно использовать актуальную микроразметку (Event, NewsArticle), чтобы информация о трендовых темах или ближайших мероприятиях могла быть быстро извлечена и показана пользователю в ответ на предложенный запрос (например, «trending topics» или «nearby activities»).

Worst practices (это делать не надо)

• Игнорирование мобильного пользовательского опыта: Этот патент подчеркивает, что поиск происходит в движении и в контексте других задач. Сайты, которые медленно загружаются или не предоставляют быструю информацию на мобильных устройствах, будут проигрывать в результатах таких поисков.
• Пренебрежение данными о местоположении и времени: Для локального бизнеса недопустимо иметь устаревшую информацию о часах работы или адресе в GBP и на сайте, так как это ключевые элементы контекстного поиска.
• Фокус только на высокочастотных общих запросах: Нельзя игнорировать оптимизацию под конкретные, контекстуальные запросы, которые система может предложить пользователю на основе его ситуации.

Стратегическое значение

Патент подтверждает стратегию Google по интеграции поиска во все аспекты взаимодействия пользователя с устройством. Поиск становится проактивным, а не реактивным. Для SEO это означает усиление важности понимания контекста пользователя и его потенциальных намерений в различных ситуациях. Стратегически, необходимо смещать фокус с оптимизации под ключевые слова на оптимизацию под контекст и сущности. Это также подчеркивает важность Local SEO и оптимизации под мобильные сценарии использования.

Практические примеры

Сценарий: Оптимизация ресторана для контекстного поиска в чате

1. Контекст пользователя: Пользователь пишет в чате: «Давай поужинаем сегодня вечером?». Время 18:00.
2. Действие системы (по патенту): Клавиатура анализирует сообщение («ужин») и время. Она вычисляет высокий Relevancy Score для запросов «рестораны рядом» и «бары рядом» и показывает соответствующие иконки.
3. Действие SEO-специалиста (Оптимизация): Убедиться, что ресторан имеет высокий рейтинг в Google Maps, актуальное меню, часы работы и возможность бронирования онлайн, указанные в Google Business Profile.
4. Результат: Когда пользователь нажимает иконку «рестораны рядом», оптимизированный ресторан появляется в числе первых результатов в интерфейсе клавиатуры. Пользователь может сразу отправить карточку ресторана собеседнику.

Сценарий: Оптимизация кинотеатра

1. Контекст пользователя: Пользователь получает сообщение: «Как насчет кино?».
2. Действие системы (по патенту): Система определяет намерение и предлагает иконку для запроса «current movies playing in nearby theatres».
3. Действие SEO-специалиста (Оптимизация): Убедиться, что сайт кинотеатра использует разметку Event для сеансов и что информация о расписании корректно индексируется Google (например, через фиды для Google Movies).
4. Результат: При нажатии на иконку пользователь видит список актуальных сеансов в этом кинотеатре прямо в интерфейсе клавиатуры.

Вопросы и ответы