Как Google предлагает нелинейный способ браузинга контента с помощью многоосевого интерфейса и автоматических запросов

Описание

Какую задачу решает

Патент решает проблемы традиционного линейного просмотра веб-страниц, когда пользователи последовательно переходят по гиперссылкам, формируя одну «нить» документов. Этот подход затрудняет переключение между разными темами, удержание контекста и управление вкладками, особенно на устройствах с ограниченным экраном (смартфоны, VR/AR-гарнитуры). Изобретение предлагает механизм для non-linear browsing (нелинейного просмотра), позволяющий пользователю исследовать контент по нескольким направлениям одновременно.

Что запатентовано

Запатентован динамический графический пользовательский интерфейс (GUI), представляющий собой многоосевой массив выбираемых плиток (selectable tiles). Каждая плитка ведет к документу. Ключевым элементом является автоматическая генерация нескольких различных скрытых поисковых запросов (pseudo queries или background queries) на основе атрибутов документа, находящегося в фокусе. Результаты этих запросов используются для динамического заполнения соседних плиток вдоль разных осей навигации.

Как это работает

Система функционирует как Non-linear browser:

• Интерфейс: Пользователь видит центральную плитку в фокусе (Focus), которая выделена (Foregrounded), и соседние плитки по разным осям, которые находятся на заднем плане (Backgrounded).
• Навигация: Пользователь совершает направленное действие (свайп, жест, голосовая команда, движение взгляда). Фокус смещается на соседнюю плитку.
• Генерация запросов: В ответ на смещение фокуса Query Formulation Engine анализирует новый центральный документ и автоматически формулирует несколько различных поисковых запросов.
• Заполнение осей: Каждая ось соответствует определенному типу связи (например, Ось X – похожие темы; Ось Y – тот же издатель). Соседние плитки заполняются лучшими результатами соответствующих скрытых запросов.
• Динамическое обновление: При каждом смещении фокуса соседние плитки (обычно, кроме той, с которой пришел пользователь) обновляются на основе нового центрального документа.

Актуальность для SEO

Высокая. Хотя этот конкретный интерфейс (Non-linear browser) не является стандартным способом поиска, описанные механизмы автоматического формулирования запросов на основе текущего контекста для продолжения путешествия пользователя крайне актуальны. Эти концепции лежат в основе систем рекомендаций контента (например, Google Discover) и являются перспективными для поиска в VR/AR средах, что прямо упоминается в патенте.

Важность для SEO

Патент имеет умеренное стратегическое значение для SEO (6/10). Он не описывает алгоритмы ранжирования основного веб-поиска. Однако он детально раскрывает, как Google программно идентифицирует и использует атрибуты контента (темы, сущности, издателя, тональность) для автоматизированного обнаружения связанного контента. Это подчеркивает критическую важность оптимизации под relationships (связи) между документами и сущностями для успеха на платформах Discovery.

Детальный разбор

Термины и определения

Backgrounded (На заднем плане)

Состояние плитки, которая не находится в фокусе. Такие плитки могут отображаться меньше или менее заметно.

Bokeh technique (Техника Боке)

Упомянутый в патенте метод визуализации, при котором плитка в фокусе отображается четко, а фоновые элементы размыты (аналог портретного режима в фотографии).

Directional Input (Направленный ввод)

Действие пользователя для навигации по интерфейсу (свайп, нажатие клавиши, голосовая команда, жест, движение взгляда (gaze-related input)).

Focus (Фокус GUI)

Элемент GUI (плитка), который в данный момент выделен для привлечения внимания пользователя.

Foregrounded (На переднем плане)

Состояние плитки, находящейся в фокусе. Она отображается крупнее, четче и обычно в центре экрана.

Multi-axis GUI (Многоосевой GUI)

Интерфейс, позволяющий навигацию по массиву элементов вдоль нескольких осей (например, X, Y, Z).

Non-linear browser (Нелинейный браузер)

Приложение, реализующее описанный интерфейс для просмотра документов способом, отличным от линейного следования по гиперссылкам.

Pseudo/Background Queries (Псевдо/Фоновые запросы)

Скрытые поисковые запросы, автоматически формулируемые системой (не пользователем) на основе атрибутов текущего документа для заполнения соседних плиток.

Query Formulation Engine (Механизм формулирования запросов)

Компонент системы, отвечающий за создание Pseudo Queries на основе анализа документа в фокусе.

Selectable Tiles (Выбираемые плитки)

Элементы интерфейса в массиве (например, карточки), каждый из которых представляет документ и может быть выбран для его просмотра.

Ключевые утверждения (Анализ Claims)

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

1. Система генерирует GUI с массивом selectable tiles, позволяющим навигацию по нескольким осям.
2. Система получает directional input и смещает focus с первой плитки на вторую.
3. В ответ на это система формулирует как минимум два различных (distinct) поисковых запроса (Query 1 и Query 2). Запросы основаны на документе, соответствующем второй плитке (или третьей плитке за ней, для упреждающей загрузки).
4. Система получает наборы документов, релевантных Query 1 и Query 2.
5. Система генерирует обновленный GUI, включающий:
   • Первую backgrounded плитку вдоль первой оси (результат Query 1).
   • Вторую backgrounded плитку вдоль второй оси (результат Query 2).

Ядро изобретения — динамическое обновление интерфейса путем выполнения различных поисковых запросов для заполнения контента вдоль разных осей навигации.

Claims 5-9 (Зависимые): Детализируют типы формулируемых Pseudo Queries. Это критически важная часть для понимания векторов связи контента:

• Claim 5: Запрос включает одну или несколько тем (topics), связанных с документом в фокусе.
• Claim 6: Запрос включает издателя (publisher) документа в фокусе.
• Claim 7: Запрос ищет документы с тональностью или точкой зрения (sentiments or viewpoints), которые контрастируют с документом в фокусе.
• Claim 8: Запрос включает одну или несколько сущностей (entities), упомянутых в документе в фокусе.
• Claim 9: Запрос включает сущности, которые связаны в графе знаний (knowledge graph) с сущностями, упомянутыми в документе в фокусе.

Claims 10-11 (Зависимые): Уточняют, что результаты Pseudo Queries ранжируются на основе показателей популярности (measures of popularity) или показателей качества (measures of quality) плиток.

Где и как применяется

Это изобретение в первую очередь касается уровня представления данных и взаимодействия с пользователем (Discovery), но оно тесно интегрировано с базовыми поисковыми технологиями.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно проанализировать документы, чтобы извлечь признаки, необходимые для работы интерфейса: определение тем, идентификация издателя/автора, анализ тональности/точки зрения и распознавание сущностей (NER) и их связей с Knowledge Graph.

QUNDERSTANDING / RANKING (в контексте сессии браузинга)
Во время сессии просмотра эти этапы активируются при каждом действии пользователя. Query Formulation Engine действует как система понимания контекста документа, генерируя Pseudo Queries на лету. Ranking Engine используется для ранжирования результатов этих фоновых запросов, чтобы выбрать лучший документ для каждой соседней плитки.

METASEARCH / PRESENTATION (Уровень представления)
Основное применение патента. Presentation Engine и Non-linear browser на клиентском устройстве отвечают за рендеринг Multi-axis GUI, управление Focus и отображение результатов.

Входные данные:

• Извлеченные атрибуты документа в фокусе (темы, сущности, издатель, тональность).
• Направленный ввод пользователя (Directional Input).

Выходные данные:

• Несколько различных Pseudo Queries.
• Ранжированные списки документов для каждого запроса.
• Обновленный GUI с новым набором Backgrounded Tiles вокруг плитки в фокусе.

На что влияет

• Типы контента: Наибольшее влияние на информационный контент, где важны исследование темы, сравнение источников и мнений: новости, статьи, обзоры, аналитика.
• Специфические запросы: Влияет на exploratory search (исследовательские запросы) и процесс обнаружения контента (Discovery). Не релевантен для стандартной SERP по явным запросам.
• Ниши и тематики: Может сильно влиять на YMYL, новостные и политические тематики, так как патент явно описывает возможность навигации к контрастирующим точкам зрения (contrasting viewpoints).

Когда применяется

• Условия работы: Алгоритм применяется только в рамках специализированного интерфейса (Non-linear browser или аналогичного модуля Discovery).
• Триггеры активации: Каждое действие пользователя (Directional Input), которое смещает Focus с одной плитки на другую.
• Технические особенности: Патент описывает возможность упреждающей загрузки (pre-fetching) — предварительной загрузки плиток, находящихся за пределами видимости, для снижения задержек.

Пошаговый алгоритм

Процесс обработки взаимодействия пользователя

1. Получение ввода: Система получает Directional Input от пользователя (например, свайп вправо).
2. Смещение фокуса: Фокус GUI смещается с первой плитки на вторую плитку в направлении ввода. Вторая плитка переходит в состояние Foregrounded.
3. Анализ контекста: Query Formulation Engine анализирует документ, связанный со второй (теперь центральной) плиткой. Определяются его атрибуты (темы, сущности, издатель и т.д.).
4. Формулирование запросов: Система генерирует несколько различных Pseudo Queries. Каждый запрос соответствует одной из доступных осей навигации. Например:
   • Запрос 1 (Ось Вверх): Документы от того же издателя.
   • Запрос 2 (Ось Вниз): Документы с контрастирующей точкой зрения.
   • Запрос 3 (Ось Вправо): Документы по схожей теме или связанной сущности.
5. Выполнение поиска и Ранжирование: Скрытые запросы отправляются в поисковую систему. Ranking Engine возвращает ранжированные списки результатов для каждого запроса (используя сигналы релевантности, популярности, качества).
6. Выбор кандидатов: Для каждой оси выбирается лучший результат из соответствующего списка.
7. Генерация обновленного GUI: Система обновляет интерфейс. Соседние плитки заполняются выбранными кандидатами. Первая плитка (откуда пришел пользователь) отображается в обратном направлении как опция «Назад».

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании атрибутов документа, находящегося в фокусе, для генерации новых запросов. Он предполагает, что эти данные уже извлечены на этапе индексирования.

• Контентные факторы (Семантика):
  • Темы (Topics): Идентифицированные темы документа. Используются для поиска похожего контента (Claim 5).
  • Сущности (Entities): Упомянутые в документе люди, места, организации, объекты. Используются для поиска другого контента об этих сущностях (Claim 8).
  • Тональность/Точка зрения (Sentiment/Viewpoint): Оценка мнения или позиции, выраженной в документе. Используется для поиска контрастирующих мнений (Claim 7).
• Факторы источника:
  • Издатель/Автор (Publisher/Author): Идентификатор источника контента. Используется для поиска другого контента от этого же источника (Claim 6).
• Структурные факторы (Граф знаний):
  • Knowledge Graph Connections: Связи между сущностями в графе знаний. Используются для поиска контента о сущностях, связанных с теми, что упомянуты в документе (Claim 9).

Какие метрики используются и как они считаются

Патент не детализирует формулы ранжирования, но указывает на используемые метрики для выбора контента соседних плиток после выполнения Pseudo Queries:

• Relevance Scores (Оценки релевантности): Стандартные метрики, используемые для определения соответствия документа сгенерированному Pseudo Query.
• Measures of Popularity (Показатели популярности): Метрики, используемые для ранжирования документов в результатах Pseudo Queries (Claim 10).
• Measures of Quality (Показатели качества): Упоминаются как метрики качества плиток, сгенерированных из документов, используемые для ранжирования (Claim 11).

Выводы

1. Обнаружение контента через связи, а не явные запросы: Патент описывает переход от модели, управляемой пользователем (ввод запроса), к модели, управляемой системой (анализ контекста -> предложение следующих шагов). Обнаружение контента строится на связях (relationships) между документами.
2. Критичность глубокого семантического анализа контента: Для работы этой системы Google должен точно понимать гранулярные атрибуты каждого документа: точные темы, идентификацию издателя/автора (E-E-A-T), связанные сущности и даже субъективные характеристики, такие как тональность или точка зрения.
3. Множественные пути исследования (Multi-Axis Exploration): Система признает разнообразие интентов пользователя при изучении темы. Каждая ось (тот же автор, похожая тема, контрастное мнение) представляет собой отдельный путь исследования, который система обслуживает с помощью различных Pseudo Queries.
4. Автоматизация формулирования запросов: Query Formulation Engine играет центральную роль, автоматически переводя атрибуты контента в конкретные поисковые запросы на лету.
5. Важность бренда и автора как вектора навигации: Наличие отдельной оси для навигации по контенту того же издателя или автора подчеркивает важность узнаваемости источника и авторитетности для удержания пользователя.

Практика

Best practices (это мы делаем)

Хотя этот патент описывает интерфейс, а не алгоритм ранжирования, он дает стратегическое понимание того, как оптимизировать контент для систем автоматического обнаружения (Discovery systems) и потенциального Non-linear browser.

• Усиление сигналов источника (E-E-A-T): Необходимо четко идентифицировать издателя и авторов контента (используя микроразметку Organization/Person). Это критично для того, чтобы система могла сгенерировать ось «More from Publisher/Author» (Claim 6).
• Четкое структурирование тем и сущностей: Контент должен иметь ясную тематическую направленность и явно упоминать ключевые сущности. Используйте микроразметку (Schema.org), чтобы помочь системе идентифицировать Topics (Claim 5) и Entities (Claim 8).
• Построение связей в Knowledge Graph: Работайте над тем, чтобы ваш бренд, авторы и ключевые темы стали сущностями в графе знаний. Это позволит системе находить ваш контент через связанные сущности (Claim 9).
• Создание контента с четкой точкой зрения (для мнений/обзоров): Если вы публикуете обзоры или аналитику, выражайте четкую позицию или тональность. Это позволяет системе классифицировать Sentiment/Viewpoint и потенциально показывать ваш контент на оси контрастирующих мнений (Claim 7).
• Оптимизация под «Следующий шаг»: Думайте о контенте как о части путешествия пользователя. Убедитесь, что логичный следующий шаг для читателя существует на вашем сайте и семантически связан с исходным контентом.

Worst practices (это делать не надо)

• Создание «семантически размытого» контента: Контент без четко выраженной основной темы или фокуса на конкретных сущностях будет трудно использовать для генерации релевантных Pseudo Queries.
• Игнорирование авторства и брендинга: Анонимный контент или контент без четких сигналов принадлежности к издателю упускает возможность быть обнаруженным через ось, основанную на источнике.
• Фокус только на ключевых словах без учета сущностей: Оптимизация под текстовые строки без учета лежащих в их основе сущностей и их связей в Knowledge Graph неэффективна для систем, ориентированных на семантические связи.

Стратегическое значение

Патент подтверждает долгосрочную стратегию Google по переходу от реактивного поиска (ответ на запрос) к проактивному предложению контента (Discovery). Он демонстрирует технические механизмы того, как система может вести пользователя по контенту без необходимости ввода новых запросов. Для SEO это означает, что стратегический фокус должен быть направлен на построение семантически богатого, хорошо структурированного контента с сильными сигналами авторитетности источника, чтобы максимизировать шансы быть включенным в эти автоматизированные пути обнаружения контента.

Практические примеры

Сценарий: Оптимизация статьи-обзора для нелинейного браузинга

Задача: Опубликовать обзор нового смартфона (Entity A) от бренда (Entity B) и максимизировать вовлеченность в Non-linear browser.

1. Действия по оптимизации:
   • Источник: Статья публикуется на авторитетном сайте (Publisher) и подписана экспертом (Author). Используется соответствующая разметка.
   • Тональность: Обзор положительный (Positive Sentiment).
   • Сущности и Темы: В тексте явно упоминаются смартфон, бренд, конкуренты (Entity C, D). Используется разметка Product/Review.
2. Ожидаемый результат в Non-linear browser: Когда пользователь читает эту статью, система генерирует следующие оси:
   • Вверх («More from Author»): Другие статьи этого эксперта (Pseudo Query по Author).
   • Вниз («Contrasting Viewpoint»): Негативный обзор этого же смартфона от другого издания (Pseudo Query по Entity A + Negative Sentiment).
   • Вправо («Related Entity»): Статья об основном конкуренте смартфона (Entity C) (Pseudo Query по связанной сущности в KG).
   • Влево («Similar Topic»): Общая статья о трендах смартфонов (Pseudo Query по теме).

Вопросы и ответы