Как Google анализирует контекст чатов для проактивного предложения запросов и встраивания ответов Автоматического Ассистента

Описание

Какую задачу решает

Патент решает проблему фрагментации пользовательского опыта при общении в мессенджерах. Когда участникам диалога требуется внешняя информация (например, время сеансов в кино, адрес, факты), им приходится покидать чат и переключаться на другое приложение (например, веб-браузер). Это нарушает ход беседы, отвлекает пользователей и увеличивает нагрузку на ресурсы мобильных устройств (переключение приложений, ручной ввод запросов).

Что запатентовано

Запатентована система (Automated Assistant), которая проактивно интегрирует информационный поиск в многопользовательские чаты (Multi-User Message Exchange Thread). Система анализирует контекст текущего разговора, определяет потенциальные информационные потребности участников и предлагает релевантные Candidate Queries в виде выбираемых элементов интерфейса. При активации предложения система автоматически извлекает релевантный контент, адаптирует его и встраивает непосредственно в цепочку сообщений.

Как это работает

Система работает путем непрерывного мониторинга и анализа сообщений в чате:

• Анализ контекста: Message Processing Engine и Entity Determination Engine обрабатывают сообщения, используя NLP для понимания намерений и извлечения сущностей (например, названий фильмов, ресторанов, локаций).
• Генерация предложений: Suggestion Engine определяет Candidate Queries, которые релевантны контексту.
• Оценка и фильтрация: Запросы оцениваются (Score). Учитывается, насколько сообщение похоже на поисковый запрос («searchiness») или на обычное общение («chattiness»), а также популярность запроса и качество ожидаемого ответа.
• Отображение: Если оценка превышает порог, пользователям показывается Selectable Graphical Element (например, кнопка с текстом запроса).
• Извлечение и Адаптация (Culling): При выборе элемента Content Engine выполняет поиск, извлекает ответ и выполняет Culling — определяет его подмножество (Subset of Content), пригодное для отображения в чате (учитывая, например, размер экрана).
• Встраивание: Адаптированный контент встраивается в диалог для всех участников.

Актуальность для SEO

Высокая. Хотя это продолжение заявки от 2016 года, патент напрямую связан с текущими стратегиями Google по интеграции ИИ-ассистентов (Google Assistant, Gemini) в коммуникационные платформы и развитию контекстного, проактивного поиска. Механизмы понимания диалогового контекста являются ключевым направлением развития поисковых технологий.

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (8/10). Хотя он не описывает алгоритмы ранжирования веб-поиска, он детально раскрывает механизм доставки информации в формате «нулевого клика» (Zero-Click) внутри сторонних интерфейсов. Это подчеркивает критическую важность оптимизации под сущности (Entities), использования структурированных данных и AEO (Assistant Engine Optimization). Контент должен быть легко извлекаемым и понятным в виде кратких сводок (Subset of Content), чтобы система могла использовать его для ответов Ассистента.

Детальный разбор

Термины и определения

Automated Assistant (Автоматизированный Ассистент)

Система (например, Google Assistant, Gemini), которая анализирует контекст чата, предлагает запросы и предоставляет ответы.

Candidate Query (Кандидатный запрос)

Потенциальный поисковый запрос, определенный системой на основе контекста разговора, который может быть предложен пользователям.

Culling (Отбор / Сокращение контента)

Процесс выбора или сокращения полного набора результатов поиска до компактного вида (Subset), пригодного для отображения в ограниченном пространстве интерфейса чата без нарушения хода беседы.

Entity Determination Engine (Движок определения сущностей)

Компонент, который идентифицирует и разрешает сущности (люди, места, организации, объекты), упомянутые в сообщениях чата.

Message Exchange Thread (Цепочка обмена сообщениями)

Текущий диалог или чат между двумя или более пользователями.

Searchiness / Chattiness (Поисковость / Разговорность)

Метрики для оценки сообщений. «Searchiness» указывает на то, что сообщение похоже на поисковый запрос или выражает информационную потребность. «Chattiness» указывает на то, что сообщение является частью обычного общения. Используются для скоринга Candidate Queries.

Selectable Graphical Element (Выбираемый графический элемент)

Элемент интерфейса (например, кнопка или «чип»), отображающий Candidate Query. При нажатии инициирует отправку запроса Ассистенту.

Suggestion Engine (Движок предложений)

Компонент, который генерирует, оценивает (скоринг) и выбирает Candidate Queries для предложения пользователям.

Ключевые утверждения (Анализ Claims)

Патент является продолжением (Continuation) более ранних заявок, и Claims сфокусированы на механизме встраивания адаптированного контента.

Claim 1 (Независимый пункт, Система) и Claim 14 (Независимый пункт, Метод): Описывают основной процесс работы системы.

1. Система определяет Candidate Query на основе уже отправленных сообщений в чате между Пользователем А и Пользователем Б.
2. Система предоставляет Selectable Graphical Element (предложение), указывающий на этот запрос, для отображения обоим пользователям (А и Б).
3. В ответ на взаимодействие Пользователя А с этим элементом система выполняет следующие действия:
   • Извлекает контент, релевантный запросу.
   • Определяет Subset of Content (подмножество этого контента) для встраивания в чат. Это ключевой шаг, подразумевающий сокращение (Culling) или суммаризацию ответа.
   • Встраивает это подмножество контента в чат, делая его видимым для Пользователя А и Пользователя Б.

Claim 3, 5, 16, 18 (Зависимые): Уточняют механизм выбора подмножества контента.

Определение Subset of Content может основываться на размере экрана (screen size) клиентского устройства. Это означает, что система адаптирует объем предоставляемой информации под формат устройства.

Claim 9 (Зависимый): Уточняет определение запроса.

Определение Candidate Query включает идентификацию как минимум одной сущности (Entity), упомянутой в сообщениях, и генерацию запроса на основе этой сущности.

Claim 10, 11, 12 (Зависимые): Уточняют условия отображения предложения.

Система вычисляет оценку (Score) для Candidate Query. Оценка может базироваться на терминах в сообщениях (например, наличие именованных сущностей, соответствие паттернам поисковых запросов — predefined search query pattern), популярности запроса (popularity measure) или качестве ожидаемого контента (quality measure). Предложение отображается, только если оценка превышает пороговое значение (threshold).

Где и как применяется

Изобретение описывает работу Автоматического Ассистента в среде обмена сообщениями, затрагивая несколько этапов поисковой архитектуры, адаптированных для этого контекста.

INDEXING – Индексирование и извлечение признаков
Система полагается на предварительно проиндексированные данные. Content Engine использует Public Database (веб-индекс, Knowledge Graph) и Personal Database. Критически важна доступность структурированных данных о сущностях, которые используются Entity Determination Engine.

QUNDERSTANDING – Понимание Запросов (Адаптировано для чата)
Вместо анализа явного запроса система анализирует поток сообщений в чате. Message Processing Engine и Entity Determination Engine обрабатывают этот поток для выявления неявных информационных потребностей (оценка Searchiness), извлечения сущностей и формирования Candidate Queries. Это проактивное понимание контекста.

RANKING – Ранжирование (Retrieval)
Suggestion Engine ранжирует потенциальные запросы. Когда пользователь выбирает предложение, Content Engine выполняет поиск (Retrieval) для получения релевантного контента.

RERANKING / Presentation Layer (Специализированный этап)
Это ключевой этап для данного изобретения. Система выполняет Culling — отбор и сокращение контента для формирования Subset of Content. Этот этап критичен для адаптации информации к ограниченному интерфейсу чата и учитывает такие факторы, как размер экрана устройства.

Входные данные:

• Текст и медиа из текущего Message Exchange Thread.
• Данные о пользователях (например, местоположение, персональные данные с разрешения).
• База данных запросов (Queries Database) с шаблонами и данными о популярности.

Выходные данные:

• Selectable Graphical Elements (предложения запросов), отображаемые в чате.
• Subset of Content (структурированные ответы, карточки, списки, deep links), встраиваемые в чат.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на информационные запросы, возникающие спонтанно в ходе беседы: фактологические вопросы, локальные запросы (расписание, маршруты, погода), запросы, связанные с медиа.
• Конкретные типы контента: Влияет на контент, который может быть представлен в структурированном виде (карточки сущностей, списки, краткие ответы). Меньше влияет на лонгриды или сложный аналитический контент.
• Ниши и тематики: Развлечения (кино, музыка), путешествия, локальный бизнес, события.

Когда применяется

• Триггеры активации: Система активируется, когда анализ контекста выявляет потенциальную информационную потребность.
• Условия и пороговые значения: Предложение генерируется, только если Score для Candidate Query превышает установленный порог. Это происходит, когда система уверена в релевантности предложения, распознала ключевые сущности и определила, что контекст имеет высокую степень «Searchiness» и низкую «Chattiness».

Пошаговый алгоритм

1. Мониторинг и Сбор данных: Система (Automated Assistant) отслеживает поток сообщений в Message Exchange Thread.
2. Обработка сообщений: Message Processing Engine применяет NLP-технологии (включая part of speech tagger, dependency parser, coreference resolver) для анализа последних сообщений.
3. Извлечение сущностей: Entity Determination Engine идентифицирует и разрешает сущности, упомянутые в контексте.
4. Генерация кандидатов: Suggestion Engine генерирует Candidate Queries. Это может включать использование шаблонов запросов (query templates) или популярных запросов, связанных с извлеченными сущностями.
5. Скоринг и Фильтрация: Система рассчитывает Score для каждого кандидата. Учитываются:
   • «Searchiness» vs «Chattiness» контекста.
   • Наличие и количество именованных сущностей.
   • Популярность запроса (popularity measure).
   • Ожидаемое качество ответа (quality measure).
6. Отображение предложения: Если Score превышает порог (threshold), система предоставляет Selectable Graphical Element для отображения в интерфейсе чата участников.
7. Обработка выбора пользователя: Пользователь активирует элемент, отправляя запрос Ассистенту.
8. Извлечение контента: Content Engine выполняет поиск по Public и/или Personal Database.
9. Отбор и Субсеттинг (Culling): Content Engine обрабатывает результаты поиска и выбирает Subset of Content. Объем информации сокращается и структурируется с учетом ограничений интерфейса (например, размера экрана).
10. Встраивание ответа: Система встраивает Subset of Content в Message Exchange Thread как сообщение от Automated Assistant.

Какие данные и как использует

Данные на входе

• Контентные и Контекстуальные факторы: Текст, изображения и другой контент, передаваемый в чате. Анализируется не только последнее сообщение, но и контекст предыдущих сообщений для разрешения ссылок (кореференция).
• Пользовательские факторы: Система может использовать персональные данные (Personal Database), такие как контакты, календари, электронная почта (с разрешения пользователя) для персонализации ответов.
• Географические факторы: Местоположение участников чата используется для предоставления локально релевантных ответов (например, расчет расстояния до объекта для каждого участника, как показано в патенте).
• Технические факторы (Устройство): Размер экрана (screen size) устройства пользователя используется на этапе адаптации контента (culling).
• Системные данные: Queries Database (шаблоны запросов, данные о популярности), Public Database (веб-индекс, Knowledge Graph).

Какие метрики используются и как они считаются

• Score (Оценка Кандидатного Запроса): Агрегированная метрика для определения целесообразности показа предложения. Рассчитывается на основе комбинации следующих факторов:
• Searchiness (Поисковость): Оценка вероятности того, что текущий контекст выражает информационную потребность. Определяется путем сравнения синтаксической структуры и терминов сообщений с паттернами поисковых запросов (predefined search query pattern), наличием вопросительных слов и именованных сущностей (named entity). Может использоваться обученный классификатор (ML).
• Chattiness (Разговорность): Оценка вероятности того, что контекст является обычным общением. Определяется по наличию разговорных выражений, отсутствию сущностей и синтаксическим структурам, характерным для чатов.
• Popularity Measure (Мера популярности): Частота, с которой данный Candidate Query ранее отправлялся пользователями в поиске или Ассистенту.
• Quality Measure (Мера качества): Оценка качества контента, который ожидается в ответ на запрос (например, наличие структурированного ответа или «карточки знаний»).

Выводы

1. Приоритет проактивного поиска и Zero-Click: Google стремится предоставлять информацию до того, как пользователь сформулирует явный запрос, анализируя контекст его действий (в данном случае — общение). Это подтверждает стратегию развития ассистивных технологий и доставки ответов в формате Zero-Click, без перехода на сайт-источник.
2. Критичность распознавания сущностей (Entities): Весь механизм основан на способности системы точно идентифицировать сущности в разговоре (Entity Determination Engine). Без распознанной сущности невозможно сгенерировать релевантный Candidate Query.
3. Контент должен быть адаптирован для извлечения (Culling): Патент явно указывает на необходимость выбора подмножества контента (Subset of Content) для отображения в ограниченном пространстве. Это означает, что система предпочитает структурированные, легко извлекаемые данные (списки, факты, карточки), а не ссылки на длинные документы.
4. Контекст определяет триггеры (Searchiness vs Chattiness): Система использует сложные NLP-модели для оценки намерений в разговоре, различая потребность в информации («Searchiness») и обычное общение («Chattiness»). Это определяет, когда уместно вмешательство Ассистента.
5. Интеграция персональных и публичных данных: Система объединяет данные из общего веб-индекса и персональной информации пользователя (включая местоположение всех участников чата) для предоставления максимально полезного ответа в контексте группового взаимодействия.

Практика

Best practices (это мы делаем)

Хотя патент не описывает алгоритмы веб-ранжирования, он дает критически важные инсайты для стратегии SEO в эпоху Ассистентов (AEO) и генеративного поиска.

• Фокус на Entity SEO и присутствие в Knowledge Graph: Обеспечьте, чтобы ваш бренд, продукты, услуги и ключевые лица были четко определены как сущности и присутствовали в графе знаний. Это критично для того, чтобы Entity Determination Engine мог идентифицировать упоминания вашего бизнеса в разговорах.
• Максимальное использование структурированных данных (Schema.org): Внедряйте детальную микроразметку для всех релевантных типов контента (Events, Products, LocalBusiness, FAQ, Movies и т.д.). Это облегчает Content Engine извлечение фактов и формирование Subset of Content (карточек или списков) для встраивания в чат.
• Оптимизация локальных сигналов (GMB/GBP): Для локального бизнеса критически важно иметь полную и актуальную информацию в Google Business Profile. Патент показывает, что Ассистент использует локальные данные (расписание, местоположение участников) для ответов.
• Создание контента, отвечающего на прямые вопросы (для Culling): Фокусируйтесь на создании контента, который дает четкие, лаконичные ответы на информационные запросы. Такой контент легче поддается процессу Culling и имеет больше шансов быть встроенным Ассистентом.
• Интеграция действий и Deep Linking: Патент упоминает возможность включения deep links в контент. Если у вас есть приложение или возможность интеграции действий (например, бронирования), это следует использовать для обеспечения бесшовного выполнения задач прямо из чата.

Worst practices (это делать не надо)

• Игнорирование структурированных данных: Отсутствие микроразметки значительно снижает вероятность того, что ваш контент будет использован Ассистентом для формирования структурированных ответов.
• Фокус только на лонгридах без четкой структуры: Создание объемного, неструктурированного текста без четких заголовков, списков и выделенных фактов затрудняет извлечение Subset of Content.
• Оптимизация только под ключевые слова, а не сущности: Концентрация на текстовой релевантности без работы над связями сущностей неэффективна для систем, основанных на Entity Determination Engine.

Стратегическое значение

Этот патент подтверждает стратегический вектор развития поиска в сторону ассистивных, контекстуальных и разговорных интерфейсов. Для SEO это означает необходимость смещения фокуса с традиционного ранжирования «10 синих ссылок» на оптимизацию сущностей и данных для систем извлечения фактов и ответов (Answer Engines/AEO). Способность Google анализировать контекст и проактивно встраивать ответы (аналогично SGE) уменьшает зависимость пользователей от веб-браузеров и увеличивает долю Zero-Click взаимодействий. Долгосрочная стратегия должна быть направлена на то, чтобы стать источником структурированных фактов для Автоматического Ассистента.

Практические примеры

Сценарий: Оптимизация локального ресторана для видимости через Ассистента (AEO)

1. Задача: Пользователи обсуждают в чате, где поужинать, и упоминают «барбекю». Мы хотим, чтобы Automated Assistant предложил наш ресторан.
2. Действия (Entity SEO и Структурированные данные):
   • Убедиться, что ресторан четко идентифицирован как сущность в Google (через GBP).
   • На сайте использовать разметку LocalBusiness и Restaurant, четко указав servesCuisine: «Barbecue».
   • Разметить меню, часы работы (openingHours) и адрес (address). Интегрировать систему бронирования для deep links.
3. Работа системы: Automated Assistant анализирует чат, определяет намерение («ужин») и сущность («барбекю»). Suggestion Engine генерирует candidate query: «Барбекю рестораны рядом».
4. Результат: Пользователям показывается предложение. При выборе, Content Engine извлекает данные из Knowledge Graph (основанные на нашей разметке и GBP), сокращает их (culling) и вставляет в чат карточку нашего ресторана с адресом, часами работы, расстоянием до участников чата и ссылкой на бронирование (deep link).

Вопросы и ответы