Как Google Assistant использует обратную связь в диалоге для навигации, фильтрации и персонализации результатов поиска

Описание

Какую задачу решает

Патент решает проблему представления и навигации по множественным результатам поиска в рамках ограниченных интерфейсов, таких как Автоматизированные Ассистенты (Automated Assistants) – чат-боты, голосовые помощники, устройства с маленькими экранами. Он устраняет неудобства, связанные с перегрузкой интерфейса и сложностью управления выдачей (особенно голосом). Изобретение позволяет пользователям эффективно перемещаться по результатам и адаптировать выдачу на основе явной обратной связи относительно атрибутов контента.

Что запатентовано

Запатентована система взаимодействия пользователя с Автоматизированным Ассистентом во время диалога. Система адаптирует представление результатов поиска на основе текстового (включая голосовой) ввода пользователя. Ключевыми элементами являются: 1) Нелинейная навигация по результатам путем ссылки на их атрибуты (Attributes), например, источник или сущность. 2) Персонализация выдачи путем анализа выраженного пользователем мнения (Sentiment) к этим атрибутам для влияния (фильтрации или изменения ранжирования) на текущие и будущие результаты.

Как это работает

Система работает в рамках диалога:

• Последовательное представление: Ассистент представляет результаты поиска последовательно (например, по одному), чтобы не перегружать интерфейс.
• Интерпретация ввода: Ассистент анализирует дальнейший ввод пользователя (команды навигации или обратную связь).
• Навигация по атрибутам: Пользователь может сказать «назад к новости от Источника 1» или «больше похожего на это». Система идентифицирует атрибут и изменяет порядок представления.
• Анализ мнения (Sentiment): Если пользователь говорит «Мне не нравится этот источник», система определяет атрибут (источник) и негативное мнение.
• Адаптация и Персонализация: Система создает параметр (Parameter), который используется для исключения или понижения результатов с этим атрибутом в текущей и будущих сессиях.

Актуальность для SEO

Высокая. Взаимодействие через автоматизированных ассистентов (Google Assistant, чат-боты) и диалоговый поиск продолжает расти. Механизмы для эффективной навигации и персонализации выдачи на основе обратной связи пользователя являются ключевыми для улучшения пользовательского опыта в этих интерфейсах.

Важность для SEO

Патент имеет ограниченное влияние на традиционное SEO, но высокое значение для оптимизации под Google Assistant (AEO — Assistant Engine Optimization). Он не описывает алгоритмы основного веб-поиска, но раскрывает конкретный механизм персонализации внутри Ассистента. Этот механизм позволяет пользователям напрямую влиять на то, какие источники или сущности они увидят. Если пользователи часто блокируют определенный сайт через Ассистент, видимость этого сайта в данном канале может существенно снизиться для этих пользователей.

Детальный разбор

Термины и определения

Automated Assistant (Автоматизированный Ассистент)

Программное обеспечение (также «чат-бот», «персональный ассистент»), которое взаимодействует с пользователем через диалог (голосовой или текстовый). Пример: Google Assistant.

Attribute (Атрибут)

Характеристика результата поиска, на которую может ссылаться пользователь. Ключевые атрибуты: источник (Source), сущность (Entity), тема (Topic), тип документа (Document Type) или порядок представления (например, «первый результат»).

Sentiment (Мнение/Настроение)

Эмоциональная окраска или мнение, выраженное пользователем относительно атрибута. Имеет направление (позитивное/негативное) и, опционально, интенсивность (sentiment magnitude).

Parameter (Параметр)

Данные, сохраняемые системой на основе Attribute и Sentiment. Используются для влияния на будущие результаты поиска (фильтрация, повышение или понижение ранжирования контента с данным атрибутом).

Message Processing Engine (Механизм обработки сообщений)

Компонент Ассистента, выполняющий NLP-обработку ввода: распознавание сущностей (entity tagger), анализ настроений (sentiment classifier), разрешение кореференции (coreference resolver).

Output Adaptation Engine (Механизм адаптации вывода)

Компонент, который изменяет порядок представления результатов в ответ на ввод пользователя и определяет Parameters для персонализации.

Sequential Providing (Последовательное предоставление)

Метод представления результатов поиска по одному или небольшими группами в определенном порядке, используемый в ограниченных интерфейсах.

Ключевые утверждения (Анализ Claims)

Анализ основан на Claims, представленных в публикации заявки US20250013429A1.

Claim 1 (Независимый пункт): Описывает метод использования обратной связи пользователя в диалоге для влияния на будущие диалоги.

1. В рамках первого диалога с Ассистентом:
2. Система получает голосовой ввод (spoken input) пользователя через микрофон.
3. Получает результат поиска, релевантный вводу и имеющий Атрибут (имя сущности ИЛИ имя источника).
4. Вызывает визуальное отображение результата на дисплее ограниченного размера.
5. Получает дополнительный голосовой ввод.
6. Определяет, что этот ввод ссылается на Атрибут результата И выражает мнение (Sentiment) пользователя по отношению к этому атрибуту.
7. В рамках последующего (additional) диалога:
8. Получает новый голосовой ввод.
9. Получает новый результат поиска, который также обладает тем же Атрибутом.
10. Определяет, следует ли визуально отображать этот новый результат, основываясь на Атрибуте и ранее выраженном Мнении.

Ядро изобретения — фиксация явного мнения пользователя об источнике или сущности во время одной сессии и применение этого предпочтения для фильтрации или ранжирования контента в будущих сессиях в среде Ассистента.

Claim 2 (Зависимый от 1): Уточняет реакцию на негативное мнение.

Если определенное мнение (Sentiment) является негативным, система воздерживается (refraining) от отображения нового результата поиска.

Claim 3 (Зависимый от 1): Уточняет реакцию на позитивное мнение.

Если определенное мнение (Sentiment) является позитивным, система вызывает отображение нового результата поиска.

Где и как применяется

Изобретение применяется исключительно в среде Автоматизированного Ассистента (например, Google Assistant) и не относится к стандартному веб-поиску Google.

QUNDERSTANDING – Понимание Запросов
Message Processing Engine активно анализирует ввод пользователя в реальном времени. Это включает не только понимание поискового намерения, но и интерпретацию команд навигации, идентификацию ссылок на Attributes (источники, сущности) и определение Sentiment пользователя. Используются NLP-технологии, включая анализ тональности и распознавание сущностей.

RANKING – Ранжирование (в контексте Ассистента)
На этапе ранжирования Ranking Engine Ассистента может использовать ранее сохраненные Parameters, основанные на прошлой обратной связи пользователя. Если пользователь ранее выразил негативное отношение к Источнику 1, этот параметр используется для исключения или значительного понижения результатов от этого источника для данного пользователя.

RERANKING – Переранжирование (Адаптация в реальном времени)
Output Adaptation Engine работает на этом этапе для адаптации выдачи внутри текущего диалога. Если пользователь дает команду навигации (например, «назад к X» или «больше похожего на это»), система модифицирует порядок представления (Presentation Order) оставшихся результатов на лету.

Входные данные:

• Текстовый или голосовой ввод пользователя (запрос, команда, обратная связь).
• Набор результатов поиска с их ранжированием и атрибутами (источник, сущности, тема).
• База данных параметров (Parameters Database), хранящая предпочтения пользователя.

Выходные данные:

• Адаптированная последовательность результатов поиска (визуально/аудиально).
• Обновленные параметры предпочтений пользователя в базе данных.

На что влияет

• Типы контента: Влияет на контент, предоставляемый через Ассистент, где можно выделить атрибуты источника или сущности (новости, локальный поиск, мультимедиа).
• Специфические запросы: Применимо к общим запросам, возвращающим список результатов (например, «новости», «рестораны рядом»), а не к запросам с единственным ответом.
• Устройства и интерфейсы: Критично для устройств с ограниченными интерфейсами: умные колонки (только аудио), маленькие экраны (смартфоны, часы), чат-интерфейсы.

Когда применяется

• Условия применения: Во время диалога с Automated Assistant, когда система последовательно предоставляет множественные результаты поиска.
• Триггеры активации (Навигация): Когда пользователь использует команды для перемещения по результатам, ссылаясь на атрибуты («назад к…», «больше похожего на это»).
• Триггеры активации (Персонализация): Когда пользователь явно выражает мнение (Sentiment) к атрибуту представленного результата («Я ненавижу этот источник», «Мне нравится эта тема»).

Пошаговый алгоритм

Патент описывает два ключевых процесса: обработку диалога/навигацию (FIG. 8) и адаптацию на основе мнения (FIG. 9).

Процесс А: Обработка диалога и навигация (FIG. 8)

1. Получение ввода и результатов: Система получает ввод, извлекает результаты поиска и определяет порядок их представления.
2. Начальное представление: Представляется первая группа результатов.
3. Получение дальнейшего ввода: Система ожидает или активно слушает дальнейший ввод пользователя.
4. Классификация ввода: Система определяет тип ввода:
   1. Продолжение («Далее»): Система представляет следующую группу результатов согласно порядку.
   2. Адаптация/Навигация («Назад к X», «Больше похожего»): Система модифицирует порядок представления (например, перемещает результат X на следующую позицию) и представляет результат. Опционально, может перейти к Процессу Б.
   3. Детализация результата («Отзывы?»): Система предоставляет дополнительную информацию о текущем результате.
5. Повторение: Процесс возвращается к шагу 3 для дальнейшего взаимодействия.

Процесс Б: Адаптация на основе мнения и Персонализация (FIG. 9)

1. Получение обратной связи: Во время представления результата система получает ввод, выражающий мнение (например, «Никогда больше не показывай Источник 1»).
2. Определение атрибута и мнения: Message Processing Engine идентифицирует Атрибут (Источник 1) и Мнение (негативное, сильное).
3. Определение параметра: Output Adaptation Engine определяет Parameter на основе атрибута и мнения (например, Параметр: Атрибут=Источник 1, Влияние=Исключить).
4. Применение параметра:
   1. Текущая сессия: Система может немедленно удалить другие результаты от Источника 1 из текущего порядка представления.
   2. Будущие сессии: Система сохраняет Parameter. При будущих поисках (в последующих диалогах) Ranking Engine будет использовать этот параметр для исключения или понижения результатов от Источника 1 для этого пользователя.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных взаимодействия и атрибутах результатов, а не на факторах индексирования контента.

• Пользовательские факторы (Взаимодействие): Голосовой или текстовый ввод пользователя в рамках диалога. Ключевыми являются команды навигации и выражение предпочтений (Sentiment). Также используются сохраненные Parameters из прошлых диалогов.
• Атрибуты результатов (Метаданные): Система полагается на метаданные, связанные с результатами поиска:
  • Источник (Source): Название издателя или домен контента.
  • Сущности (Entities): Люди, организации, места, упомянутые в контенте.
  • Тема (Topic): Основная тематика контента.
  • Тип документа (Document Type): Формат контента.

Какие метрики используются и как они считаются

• Sentiment Analysis (Анализ мнения): Определяется направление (позитивное/негативное) и интенсивность (magnitude) мнения пользователя к атрибуту. Может определяться с помощью обученного классификатора (sentiment classifier) или на основе правил сопоставления терминов (например, «никогда» = сильное негативное; «нравится» = позитивное).
• Parameter Influence (Влияние параметра): Метрика, определяющая, как именно влиять на результаты с определенным атрибутом (исключение, понижение, повышение). Степень влияния зависит от интенсивности выраженного мнения (sentiment magnitude).
• Attribute Matching (Соответствие Атрибутов): Метрика для определения того, соответствует ли ввод пользователя атрибуту ранее показанного результата (используется для навигации).

Выводы

1. Фокус на AEO, а не традиционном SEO: Патент описывает механизмы, специфичные для Автоматизированных Ассистентов (Google Assistant). Он не дает прямых указаний по оптимизации для стандартного веб-поиска, но критически важен для понимания Assistant Engine Optimization (AEO).
2. Явная обратная связь как сигнал персонализации: Система использует явную обратную связь пользователя и анализ мнений (Sentiment Analysis) как сильный сигнал для персонализации выдачи внутри Ассистента. Пользователи могут напрямую блокировать или продвигать контент.
3. Критичность Атрибутов (Источники и Сущности): Адаптация и навигация основаны на четкой идентификации атрибутов контента, в частности, источников (Source) и сущностей (Entities).
4. Долгосрочное влияние предпочтений: Мнение пользователя сохраняется как параметры (Parameters) и влияет не только на текущую сессию, но и на последующие диалоги с Ассистентом.
5. Адаптация к ограниченным интерфейсам: Патент подчеркивает усилия по улучшению пользовательского опыта на устройствах с маленькими экранами или только с аудиовыходом, делая навигацию по результатам интуитивной с помощью естественного языка.

Практика

Best practices (это мы делаем)

Рекомендации касаются оптимизации для видимости и репутации в Google Assistant (AEO).

• Укрепление репутации и качества источника (Source Reputation): Критически важно поддерживать высокое качество контента и позитивное восприятие бренда. Поскольку пользователи могут легко заблокировать источник на основе негативного мнения (negative sentiment), необходимо минимизировать риски негативной обратной связи в канале Ассистента.
• Четкая идентификация источника: Убедитесь, что при предоставлении контента через Ассистент ваш бренд (источник) четко идентифицируется. Это помогает пользователям формировать позитивные ассоциации и потенциально запрашивать «больше от этого источника».
• Оптимизация под сущности (Entity Optimization): Контент должен быть четко связан с основными сущностями (Entities). Используйте структурированные данные и NLP-оптимизацию, чтобы Google мог точно определить ключевые атрибуты вашего контента. Это позволяет системе корректно обрабатывать запросы типа «назад к новости о [Сущность]».
• Оптимизация контента для последовательного представления: Контент должен быть структурирован так, чтобы его было удобно потреблять по частям (sequentially). Важны четкие заголовки и краткие резюме (сниппеты), которые Ассистент может зачитать или показать в чате.

Worst practices (это делать не надо)

• Использование кликбейта и вводящих в заблуждение заголовков: Если контент, показанный через Ассистента, не соответствует ожиданиям, это увеличивает вероятность негативной обратной связи и блокировки источника («Никогда не показывай это») для данного пользователя.
• Игнорирование E-E-A-T и качества контента: Низкое качество источника может привести к тому, что пользователи будут чаще использовать команды для исключения контента этого источника из своей выдачи в Ассистенте.
• Неоднозначная атрибуция контента: Если неясно, кто является источником или о каких сущностях идет речь, пользователи не смогут эффективно использовать команды навигации и адаптации, связанные с вашим контентом.

Стратегическое значение

Патент подтверждает стратегическую важность диалогового поиска и персонализации за пределами стандартной веб-выдачи. Он демонстрирует, как в экосистеме Automated Assistant пользовательский опыт и прямая обратная связь могут напрямую влиять на видимость контента. Долгосрочная стратегия должна включать построение сильного, надежного бренда (источника), который пользователи будут предпочитать в диалогах с Ассистентом, и оптимизацию под AEO как отдельное направление.

Практические примеры

Сценарий 1: Блокировка источника новостей в Google Assistant

1. Запрос пользователя: Пользователь спрашивает Google Assistant: «Какие последние новости?».
2. Ответ Ассистента: Ассистент зачитывает новость: «Источник А сообщает, что… [содержание новости]».
3. Негативная реакция пользователя: Пользователь говорит: «Никогда не показывай новости от Источника А» (“I never want news from Source 1”).
4. Обработка системой: Ассистент идентифицирует Атрибут (Источник А) и сильное негативное Мнение. Он создает Parameter для блокировки этого источника.
5. Результат (Текущая сессия): Ассистент пропускает все остальные новости от Источника А в текущей выдаче.
6. Результат (Будущие сессии): Когда пользователь снова спросит новости, Ассистент исключит Источник А из выдачи для этого пользователя.

Сценарий 2: Нелинейная навигация по атрибутам

1. Запрос пользователя: «Новости о Джоне Доу».
2. Ассистент (Результат 1): Показывает новость о Джоне Доу (Сенаторе).
3. Пользователь: «Следующий».
4. Ассистент (Результат 2): Показывает новость о Джоне Доу (Шеф-поваре), открывающем «Гипотетическое Кафе».
5. Пользователь: «Следующий».
6. Ассистент (Результат 3): Показывает другую новость.
7. Пользователь: «Назад к новости о Гипотетическом Кафе».
8. Действие системы: Система идентифицирует Атрибут (Сущность «Гипотетическое Кафе») в ранее показанном Результате 2 и повторно представляет его пользователю, нарушая линейный порядок.

Вопросы и ответы