Как Google отслеживает долгосрочные задачи пользователя (Journeys) и прогнозирует следующий шаг на основе истории браузера

Описание

Какую задачу решает

Патент решает проблему фрагментированного пользовательского опыта при выполнении долгосрочных задач, которые требуют множества поисковых сессий и охватывают длительный период времени (Journeys). Традиционный поиск обрабатывает запросы изолированно, не учитывая общий контекст задачи и прогресс пользователя. Система стремится понять текущую задачу пользователя (Ongoing Task), предсказать его следующий шаг и проактивно предложить релевантный контент. Это сокращает необходимость повторных ручных поисков и экономит вычислительные ресурсы за счет уменьшения количества избыточных запросов.

Что запатентовано

Запатентована система и метод для идентификации незавершенных задач пользователя (Ongoing Tasks) на основе глубокого анализа его исторической активности в сети (Historical User Data). Ключевым механизмом является использование Continually Updated Probabilistic Transition Graph (постоянно обновляемого графа вероятностных переходов) для моделирования этапов выполнения различных задач и предсказания следующего намерения пользователя (Next Step Intent). На основе этого прогноза система генерирует и отображает Selectable Action Elements (выбираемые элементы действия).

Как это работает

Система функционирует как конвейер для отслеживания и поддержки пользовательских задач:

• Сбор и аннотирование: Собираются исторические данные (посещения, запросы) из разных сессий, которые аннотируются атрибутами контента (Annotations).
• Идентификация задач: Данные кластеризуются или обрабатываются моделью машинного обучения (Task Generation Model) для выявления Ongoing Tasks (например, «покупка наушников»).
• Оценка прогресса: Определяется Completion Metric (метрика завершенности), показывающая, на каком этапе находится пользователь и завершена ли задача (например, по URL подтверждения покупки).
• Прогнозирование: Используя Probabilistic Transition Graph, система предсказывает Next Step Intent (например, переход от исследования к сравнению моделей).
• Рекомендация и отображение: Подбирается релевантный контент для следующего шага, ранжируется по качеству (Quality Attributes) и отображается пользователю в виде Selectable Action Element (например, в дашборде браузера или контекстном оверлее).

Актуальность для SEO

Высокая. Патент напрямую связан с развитием концепции «Journeys» (Путешествия) в продуктах Google (Chrome, Google App, Discover) и стремлением сделать поиск более проактивным и ориентированным на задачи (Task Completion). Это ключевое направление развития современных поисковых технологий и персонализации.

Важность для SEO

Влияние на SEO стратегически высокое (8.5/10). Патент описывает механизм, который может фундаментально изменить поведение пользователей, уводя их от традиционных запросов в SERP к взаимодействию с проактивными рекомендациями, основанными на их задачах. Это формирует новый канал органического трафика (Queryless Search), который требует смещения фокуса с оптимизации под изолированные ключевые слова на оптимизацию под этапы пользовательского пути (User Journey) и задачи в целом.

Детальный разбор

Термины и определения

Ongoing Task (Текущая/Незавершенная задача)

Задача (Journey), которой пользователь активно интересуется или которую еще не завершил. Может быть дискретной (покупка товара, планирование поездки) или непрерывной (кулинария, хобби).

Historical User Data (Исторические данные пользователя)

Данные о прошлых действиях пользователя в онлайн-сессиях, включая историю посещения веб-страниц и поисковые запросы.

Probabilistic Transition Graph (Граф вероятностных переходов)

Постоянно обновляемая (Continually Updated) модель, которая описывает прогнозируемую последовательность шагов (pipeline), которые пользователь может предпринять для завершения задачи. Строится на агрегированных данных множества пользователей.

Next Step Intent (Намерение следующего шага)

Прогнозируемое следующее действие или информационная потребность пользователя в рамках Ongoing Task, определяемое на основе Probabilistic Transition Graph.

Completion Metric (Метрика завершенности)

Показатель статуса пользователя в отношении выполнения предопределенных контрольных точек (predetermined checkpoints) задачи. Помогает понять, какую информацию пользователь уже потребил и завершена ли задача.

Selectable Action Element (Выбираемый элемент действия)

Элемент пользовательского интерфейса (карточка, кнопка, карусель), предоставляющий доступ к предложенному контенту (Suggested Content Item) для продолжения задачи.

Quality Attributes (Атрибуты качества)

Метрики для ранжирования предложенного контента. Включают уровень вовлеченности (engagement levels), отзывы, свежесть (freshness) и релевантность (content relevancy).

Annotations (Аннотации)

Метки или метаданные, описывающие атрибуты контента, с которым взаимодействовал пользователь. Используются для кластеризации активности.

Relevance Score (Оценка релевантности)

Метрика, используемая для взвешивания исторических данных при идентификации задач. Основана на времени посещения (timestamp), продолжительности (duration) и повторении (repetition) взаимодействий.

Task Generation Model (Модель генерации задач)

Машинно-обученная модель, используемая для выявления Ongoing Tasks из Historical User Data (упомянута как один из вариантов идентификации задач).

Ключевые утверждения (Анализ Claims)

Анализ основан на пунктах 21-40, так как данная публикация является продолжением (Continuation), и предыдущие пункты 1-20 отменены (canceled).

Claim 21 (Независимый пункт): Описывает основной метод генерации элементов действия.

1. Система хранит список Ongoing Tasks. Каждая задача связана с Continually Updated Probabilistic Transition Graph.
2. Для конкретной задачи система идентифицирует Next Step Intent. Идентификация базируется на соответствующем графе переходов И Historical User Data пользователя.
3. На основе этого намерения система определяет Suggested Content Item.
4. Система отображает пользователю Selectable Action Element.

Ядро изобретения — использование вероятностной модели (графа), описывающей типичные пути выполнения задач, в сочетании с персональной историей для проактивного предложения следующего шага.

Claim 22 (Зависимый от 21): Детализирует процесс формирования списка текущих задач.

Он включает получение Historical User Data, идентификацию задач, определение статуса задачи (текущая или завершенная) и добавление в список, если она текущая.

Claim 24 и 25 (Зависимые от 22): Описывают два альтернативных метода идентификации задач.

• Claim 24 (Кластеризация): Аннотирование исторических данных атрибутами контента, кластеризация аннотированных данных и идентификация задач на основе кластеров.
• Claim 25 (Машинное обучение): Использование machine-learned model (Task Generation Model) для генерации задач.

Claim 28 и 29 (Зависимые): Детализируют определение статуса задачи и следующего шага.

Система использует Completion Metric, которая показывает статус пользователя относительно контрольных точек задачи (т.е. какую информацию он уже потребил). Completion Metric может быть основана на посещении определенных URL (Claim 29), например, страницы подтверждения покупки.

Claim 34 (Зависимый от 21): Описывает контекстную активацию элемента действия в реальном времени.

Система анализирует данные текущей сессии браузера (текст или изображение на просматриваемой странице). Если текущий контекст релевантен одной из Ongoing Task, система отображает Selectable Action Element поверх или рядом с текущим контентом.

Где и как применяется

Изобретение затрагивает несколько этапов работы поисковой системы, с сильным акцентом на понимание пользователя и персонализацию.

INDEXING – Индексирование и извлечение признаков
Контент должен быть проанализирован и аннотирован (извлечение сущностей, категорий, атрибутов). Эти Annotations критически важны для последующей кластеризации пользовательской активности. Также на этом этапе рассчитываются сигналы качества (Quality Attributes) контента, такие как свежесть.

QUNDERSTANDING – Понимание Запросов (и Понимания Пользователей)
Основное применение. Система смещает фокус с понимания изолированного запроса на понимание долгосрочного поведения. Она обрабатывает Historical User Data для идентификации Ongoing Tasks и прогнозирования Next Step Intent. Это также включает офлайн-процессы построения Probabilistic Transition Graphs на основе агрегированных данных.

RANKING (Ранжирование Предложений) и RERANKING (Персонализация)
Механизм активно использует сигналы персонализации. Предложенный контент (Suggested Content Item) ранжируется на основе Quality Attributes (свежесть, вовлеченность) и его релевантности текущему этапу задачи пользователя (Next Step Intent).

METASEARCH / UI Features (Presentation Layer)
Фактическая реализация. Selectable Action Elements отображаются пользователю не в традиционном SERP, а в интерфейсе браузера или приложения (например, Chrome Journeys, Google Discover, специализированный дашборд (Dedicated Dashboard)).

Входные данные:

• Historical User Data (URL, таймстампы, длительность сессий, запросы).
• Annotations контента и Quality Attributes.
• Агрегированные данные о поведении множества пользователей (для построения графов).
• Контент текущей веб-страницы (для контекстной активации).

Выходные данные:

• Список идентифицированных Ongoing Tasks пользователя.
• Прогнозируемый Next Step Intent.
• Selectable Action Elements, отображаемые в UI.

На что влияет

• Конкретные типы контента: Влияет на контент, являющийся частью многоэтапного процесса: подробные статьи, сравнительные обзоры, гайды, карточки товаров, рецепты.
• Специфические запросы: Снижает количество повторных информационных и коммерческих запросов, связанных с исследованием, так как система предлагает следующий шаг проактивно.
• Конкретные ниши или тематики: Наибольшее влияние в сферах E-commerce (Shopping), Travel, Hobbies (Cooking), Education, т.е. там, где пользовательский путь (User Journey) сложен и растянут во времени.

Когда применяется

Алгоритм применяется в двух основных режимах:

• Проактивный режим: Когда пользователь открывает интерфейс, предназначенный для продолжения задач (например, Dedicated Dashboard, новая вкладка браузера или лента рекомендаций).
• Контекстный режим (Триггер): Когда система обнаруживает, что контент (текст или изображение), просматриваемый пользователем в текущий момент, семантически связан с ранее идентифицированной Ongoing Task (Claim 34).
• Условия: Применение возможно, когда система накопила достаточно Historical User Data для надежной идентификации задачи и задача не помечена как завершенная согласно Completion Metric.

Пошаговый алгоритм

Фаза 1: Сбор Данных и Построение Моделей (Офлайн/Постоянно)

1. Сбор исторических данных: Получение Historical User Data о действиях пользователя.
2. Аннотирование контента: Обработка посещенных страниц для извлечения атрибутов и создания Annotations.
3. Построение моделей поведения: Обновление Probabilistic Transition Graphs на основе агрегированных данных множества пользователей для моделирования типичных путей выполнения задач.

Фаза 2: Идентификация и Оценка Задач (Офлайн/Периодически для пользователя)

4. Обработка данных пользователя: Анализ аннотированных данных конкретного пользователя с использованием кластеризации или Task Generation Model.
5. Взвешивание релевантности: Применение Relevance Score к историческим взаимодействиям, учитывая их свежесть (timestamp), продолжительность (duration) и частоту (repetition).
6. Идентификация задач: Выявление списка потенциальных Ongoing Tasks.
7. Оценка завершенности: Расчет Completion Metric для каждой задачи. Проверка достижения контрольных точек (например, посещение URL подтверждения покупки), чтобы отфильтровать завершенные задачи.

Фаза 3: Прогнозирование и Рекомендация (Реальное время)

8. Активация: Запуск процесса при открытии дашборда или при обнаружении контекстного триггера на текущей странице.
9. Прогнозирование интента: Использование Probabilistic Transition Graph и текущего статуса пользователя для определения наиболее вероятного Next Step Intent.
10. Выбор и ранжирование контента: Определение и ранжирование Suggested Content Items, соответствующих следующему шагу, на основе Quality Attributes.
11. Отображение: Генерация и отображение Selectable Action Element в пользовательском интерфейсе.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Ключевые): Historical User Actions, извлеченные из множества веб-страниц и сессий браузера. Включают посещенные URL, введенные запросы, взаимодействие с контентом.
• Временные факторы: Таймстампы (timestamp) посещений и продолжительность (duration) просмотра контента. Критичны для расчета Relevance Score. Свежесть (freshness) контента используется при ранжировании предложений.
• Контентные факторы: Текстовый (textual content) и графический (image content) контент текущей веб-страницы. Используется для семантического анализа и анализа изображений для контекстной активации предложений (Claim 34). Атрибуты контента используются для Annotations.
• Технические факторы: URL используются для идентификации контента и определения завершения задачи (Completion Metric).
• Пользовательские факторы: Индивидуальная история пользователя (для идентификации задач) и агрегированные данные множества пользователей (для построения Probabilistic Transition Graphs).

Какие метрики используются и как они считаются

• Relevance Score: Метрика для взвешивания важности исторических данных. Рассчитывается на основе свежести, продолжительности просмотра и частоты повторения взаимодействий.
• Completion Metric: Метрика статуса завершения задачи. Основана на достижении предопределенных контрольных точек (predetermined checkpoints). Например, посещение специфических URL может сигнализировать о завершении.
• Probabilistic Transition Graph: Вероятностная модель, определяющая шансы перехода пользователя от одного этапа задачи к другому (Next Step Intent).
• Quality Attributes (Атрибуты качества): Метрики для ранжирования предложенного контента. Включают вовлеченность других пользователей (engagement levels), отзывы (reviews), свежесть контента (freshness) и его релевантность задаче (content relevancy).
• Методы анализа: Кластеризация (для группировки активности в задачи), Машинное обучение (Task Generation Model), семантический анализ текста и анализ композиционных характеристик изображений (для понимания контекста текущей сессии).

Выводы

1. Стратегический сдвиг от Запросов к Задачам (Journeys): Патент подтверждает фокус Google на понимании долгосрочных задач пользователя (Ongoing Tasks), а не только на обработке изолированных запросов. Система стремится ассистировать пользователю на протяжении всего пути выполнения задачи (Task Completion).
2. История браузера как ключевой сигнал интента: Historical User Data (история посещений, время на сайте, повторные визиты) становится критически важным источником данных для понимания реального интента пользователя и определения этапа, на котором он находится.
3. Моделирование и прогнозирование пути пользователя: Google использует сложные статистические модели (Probabilistic Transition Graphs), основанные на агрегированных данных, для прогнозирования стандартных этапов выполнения задач (например, исследование -> сравнение -> покупка). Completion Metric используется для точного определения позиции конкретного пользователя на этом пути.
4. Проактивные и контекстные предложения контента: Система не ждет запроса, а проактивно предлагает контент через Selectable Action Elements на основе предсказанного Next Step Intent. Это может происходить как в специальных дашбордах (Discover, Journeys), так и контекстно, во время просмотра релевантных страниц.
5. Новый канал трафика и важность качества: Это создает новый канал дистрибуции контента (Queryless Search), минуя традиционный SERP. Предлагаемый контент ранжируется по Quality Attributes (включая вовлеченность и свежесть), что подчеркивает важность создания качественного и актуального контента на всех этапах воронки.

Практика

Best practices (это мы делаем)

• Оптимизация под весь путь пользователя (Full Funnel Strategy): Необходимо создавать контент, покрывающий все этапы выполнения задачи (Осведомленность, Исследование, Сравнение, Валидация, Покупка). Это увеличивает вероятность того, что сайт будет идентифицирован как релевантная часть Ongoing Task и предложен пользователю на соответствующем этапе его пути.
• Четкое структурирование и микроразметка: Использование семантической верстки и микроразметки (Schema.org) критически важно. Это помогает системам Google корректно извлекать атрибуты контента (Annotations) и понимать его роль в задаче пользователя (например, что это обзор, гайд или страница товара).
• Стимулирование вовлеченности (Engagement): Поскольку Relevance Score учитывает продолжительность сессий, а Quality Attributes включают уровень вовлеченности, необходимо фокусироваться на создании качественного, глубокого контента. Высокая вовлеченность сигнализирует о важности контента для задачи пользователя.
• Актуализация контента (Freshness): Свежесть является одним из Quality Attributes для ранжирования предложений. Регулярное обновление ключевого контента повышает шансы на показ в блоках Journeys и Discover.
• Четкие сигналы завершения задачи: Убедитесь, что на сайте есть явные страницы подтверждения (Thank You pages) с уникальными URL. Это поможет Google корректно рассчитать Completion Metric и понять, что задача выполнена.

Worst practices (это делать не надо)

• Фокус исключительно на транзакционном контенте: Игнорирование верхних и средних этапов воронки (информационного контента). Если сайт не участвует в стадии исследования пользователя, он может не попасть в его Ongoing Task и упустить возможность быть предложенным на финальных этапах.
• Создание поверхностного контента (Thin Content): Контент, который быстро просматривается и имеет низкое время взаимодействия, получит низкий Relevance Score и не будет расценен как важная часть задачи пользователя.
• Игнорирование User Experience (UX) и удержания: Плохой UX, ведущий к коротким сессиям, негативно скажется на способности системы идентифицировать сайт как полезный ресурс для выполнения задачи.

Стратегическое значение

Этот патент имеет высокое стратегическое значение, так как описывает инфраструктуру для изменения парадигмы поиска (Queryless Search). SEO-стратегия должна адаптироваться к тому, что значительная часть трафика может приходить не через ввод ключевых слов, а через персонализированные рекомендации в интерфейсах Google. Это требует смещения фокуса с оптимизации под ключевые слова на оптимизацию под задачи (Task Optimization) и этапы принятия решений. Понимание и моделирование пути клиента (Customer Journey Map) становится технической необходимостью для SEO.

Практические примеры

Сценарий: Оптимизация интернет-магазина электроники под «Ongoing Task» (Покупка наушников)

1. Цель: Увеличить вероятность появления контента сайта в рекомендациях Google (Journeys/Discover) для пользователей, выбирающих наушники.
2. Действия по этапам (соответствие Probabilistic Transition Graph):
   • Этап Исследования (Discovery): Создать подробные гайды («Как выбрать наушники: динамические vs планарные»), оптимизированные под информационные интенты.
   • Этап Сравнения (Consideration): Разработать сравнительные обзоры популярных моделей («Сравнение Sony WH-1000XM5 и Bose QC Ultra»).
   • Этап Валидации (Validation): Агрегировать отзывы пользователей, обеспечить наличие экспертных оценок.
3. Техническая реализация: Внедрить полную разметку Product Schema на карточках товаров и Review/Article Schema на гайдах, чтобы облегчить аннотирование (Annotations). Регулярно обновлять обзоры (Freshness).
4. Ожидаемый результат: Пользователь посещает гайд (Этап 1). Система идентифицирует задачу. Когда система определяет (используя Probabilistic Transition Graph), что пользователь готов перейти к Этапу 2, она предлагает ему (через Selectable Action Element) сравнительный обзор с этого же сайта, удерживая пользователя в экосистеме ресурса.

Вопросы и ответы