Как Google (Chrome) использует On-device ML для персонализации и ранжирования подсказок URL в адресной строке браузера (Omnibox)

Описание

Какую задачу решает

Патент решает проблему неточности и статичности традиционных систем подсказок в адресной строке браузера (Omnibox). Существующие системы основаны на жестко закодированных правилах (static rules), которые сложно масштабировать, обновлять новыми сигналами и адаптировать под поведение пользователя. Это приводит к неоптимальным подсказкам: например, устаревшие закладки часто ранжируются слишком высоко, или система не может правильно сбалансировать частоту посещений (visit frequency) и их новизну (visit recency). Цель изобретения — повысить точность (precision) и полноту (recall) навигационных подсказок для ускорения навигации пользователя.

Что запатентовано

Запатентована система адаптивного ранжирования подсказок в браузере с использованием модели машинного обучения, работающей локально на устройстве пользователя (On-device model). Эта модель (Navigation Suggestion Ranking Model) оценивает кандидатов (URL из истории, закладок) на основе множества сигналов и предсказывает вероятность выбора (likelihood of selection) каждого кандидата для текущего ввода пользователя.

Как это работает

Система работает в реальном времени по мере ввода текста в Omnibox:

• Сбор кандидатов: Браузер извлекает потенциально релевантные URL из локальных источников: истории посещений, закладок и истории ярлыков (shortcut history).
• Аннотирование сигналами: Для каждого кандидата собираются различные сигналы: специфичные для ресурса (частота, новизна), сигналы соответствия вводу (совпадение с URL/заголовком) и сигналы пользователя (тип устройства, соотношение поиска и навигации).
• Ранжирование моделью: Ввод и сигналы передаются в локальную ML-модель, которая возвращает оценки вероятности (Probability Scores).
• Отображение: Кандидаты с наивысшими оценками отображаются как подсказки автозаполнения.

Модель обучается офлайн на агрегированных данных и может дообучаться локально для персонализации.

Актуальность для SEO

Высокая. Патент опубликован в 2025 году и отражает современные тенденции использования локального машинного обучения (On-device ML) для улучшения производительности и персонализации пользовательского опыта в браузерах, таких как Google Chrome.

Важность для SEO

Влияние на SEO минимальное (2/10). Важно понимать: этот патент описывает функционал браузера (например, Chrome), а не поисковой системы Google Search. Он не влияет на ранжирование сайтов в органической выдаче (SERP). Однако он влияет на то, как пользователи перемещаются по интернету. Система облегчает возврат на часто посещаемые сайты, что может увеличить долю прямого (Direct) или навигационного трафика для сильных брендов и сайтов с хорошим удержанием пользователей, потенциально снижая зависимость от поиска для повторных визитов.

Детальный разбор

Термины и определения

Autocomplete Suggestions (Подсказки автозаполнения)

Предложения, которые браузер показывает пользователю по мере ввода текста в адресную строку.

Navigation Suggestion (Навигационная подсказка)

Подсказка, представляющая собой конкретный URL (например, сайта из истории или закладок). Клик по ней ведет напрямую к ресурсу.

Navigation Suggestion Ranking Model (Модель ранжирования навигационных подсказок)

Модель машинного обучения, используемая для оценки кандидатов. Обучена предсказывать вероятность выбора подсказки пользователем.

Omnibox (Омнибокс)

Комбинированная адресная строка браузера, которая позволяет как вводить URL для навигации, так и поисковые запросы.

On-device Model (Локальная модель / Модель на устройстве)

ML-модель, которая хранится и выполняется непосредственно на устройстве пользователя (клиенте), без необходимости отправки данных на сервер для вычислений.

Probability Scores (Оценки вероятности)

Выходные данные ML-модели, представляющие собой предсказание вероятности выбора (likelihood of selection) данной подсказки.

Relative visit ratio (Относительный коэффициент посещений)

Сигнал, рассчитываемый как отношение числа посещений конкретного ресурса к общему числу посещений (возможно, за определенный период). Показывает важность ресурса для пользователя.

Retrieval Source (Источник извлечения)

Локальные хранилища данных браузера, откуда берутся кандидаты для подсказок: история посещений (History), сохраненные ресурсы/закладки (Saved Resources/Bookmarks), история ярлыков (Shortcut Resources).

Search Suggestion (Поисковая подсказка)

Подсказка, представляющая собой поисковый запрос. Клик по ней отправляет запрос в поисковую систему и открывает страницу результатов поиска (SERP).

Search-navigation ratio (Соотношение поиска и навигации)

Сигнал пользователя, отражающий, как часто пользователь выбирает поисковые подсказки по сравнению с навигационными.

Selection Events (События выбора)

Данные, записывающие взаимодействие пользователя с подсказками: какой текст был введен, какие подсказки были показаны, какие сигналы были у этих подсказок и что выбрал пользователь. Используются для обучения модели.

Signals (Сигналы / Признаки)

Атрибуты, используемые ML-моделью для ранжирования. Делятся на Resource-specific (не зависят от ввода), Matching (зависят от ввода) и User signals (описывают пользователя).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления подсказок автозаполнения на устройстве.

1. Получение ввода в навигационное текстовое поле.
2. Получение кандидатов навигационных подсказок из источника извлечения (Retrieval Source).
3. Получение соответствующих сигналов (signals) для этих кандидатов.
4. Получение оценок вероятности (Probability Scores) путем предоставления ввода, кандидатов и сигналов в Navigation Suggestion Ranking Model. Оценки представляют собой предсказание вероятности выбора (likelihood of selection).
5. Предоставление по крайней мере некоторых кандидатов в качестве подсказок автозаполнения на основе их оценок вероятности.

Ядро изобретения — использование ML-модели для ранжирования навигационных подсказок в браузере на основе вероятности их выбора, используя набор сигналов.

Claim 2 (Зависимый от 1): Уточняет, что в модель также передаются сигналы пользователя (user signals).

Это добавляет контекст о пользователе (например, тип устройства, количество закладок, соотношение поиска и навигации — Claim 3) для улучшения персонализации предсказаний.

Claim 4 (Зависимый от 1): Описывает процесс локального дообучения (персонализации).

1. Получение выбора подсказки пользователем.
2. Запись события выбора (Selection Event), включая сигналы, кандидатов и факт выбора.
3. Обучение (дообучение) Navigation Suggestion Ranking Model с использованием этого события в качестве размеченных обучающих данных.

Это позволяет модели адаптироваться к индивидуальному поведению пользователя непосредственно на его устройстве.

Claim 14 (Независимый пункт): Описывает метод офлайн-обучения базовой модели на сервере.

1. Сбор событий выбора (Selection Events) с клиентских устройств.
2. Обучение Navigation Suggestion Ranking Model с использованием этих событий, где выбранная подсказка рассматривается как положительный пример (positive example).

Это описывает, как создается исходная модель, которая затем отправляется на клиентские устройства (Claim 18).

Где и как применяется

Этот патент не применяется в инфраструктуре поисковой системы Google (Crawling, Indexing, Ranking и т.д.). Он описывает процессы, происходящие исключительно внутри клиентского приложения (браузера) на устройстве пользователя.

Место применения: Адресная строка браузера (Omnibox).

Взаимодействие с поиском: Алгоритм работает до того, как запрос отправляется в поисковую систему. Он определяет, будет ли пользователь перенаправлен на известный URL (навигация) или ему будет предложено выполнить поиск. Таким образом, он может предотвратить выполнение поискового запроса, если навигационная подсказка выбрана.

Ключевые компоненты (внутри браузера):

• Suggestion Generator: Управляет процессом.
• Retrieval Sources: Локальные базы данных (история, закладки).
• Annotator: Собирает и вычисляет сигналы.
• Ranking Model (On-device): Выполняет предсказание.

Входные данные:

• Частичный текст, введенный пользователем.
• Список кандидатов (URL) из локальных источников.
• Векторы признаков (сигналы) для каждого кандидата.
• Вектор признаков пользователя.

Выходные данные:

• Probability Scores для каждого кандидата.
• Финальный ранжированный список подсказок автозаполнения.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на навигационные и брендовые запросы, а также на запросы, соответствующие сайтам, которые пользователь часто посещает.
• Типы контента и Ниши: Влияет на все типы контента и ниши одинаково, но преимущество получают те сайты, которые демонстрируют высокое удержание пользователей (высокая частота и новизна посещений), а также сайты, которые пользователи добавляют в закладки.

Когда применяется

• Условия работы и Триггеры: Алгоритм активируется при каждом вводе символа в адресную строку браузера (Omnibox).
• Частота применения: Постоянно, в реальном времени. Патент подчеркивает необходимость быстрого выполнения (около O(100) миллисекунд).

Пошаговый алгоритм

Процесс А: Обработка ввода в реальном времени (Method 500)

1. Получение ввода: Пользователь вводит текст в Omnibox.
2. Извлечение кандидатов: Suggestion Generator использует Source Filters для поиска совпадающих URL в локальных источниках (История, Закладки, Ярлыки). Извлекается большое количество кандидатов (десятки или сотни).
3. Получение признаков (Аннотирование): Annotator дедуплицирует кандидатов и собирает сигналы для каждого.
   • Resource-specific signals (могут быть предварительно рассчитаны): частота, новизна, статус закладки и т.д.
   • Matching signals (рассчитываются в реальном времени): степень совпадения ввода с URL или заголовком.
4. Получение признаков пользователя: Извлекаются User signals (например, тип устройства, search-navigation ratio).
5. Выполнение модели: Ввод, кандидаты и все собранные признаки передаются в локальную Ranking Model.
6. Расчет оценок: Модель возвращает Probability Scores (вероятность выбора) для каждого кандидата.
7. Финальное ранжирование и отображение: Suggestion Controller выбирает топ кандидатов и смешивает их с поисковыми подсказками (Search Suggestions) для отображения пользователю.

Процесс Б: Обучение модели (Method 400)

1. Офлайн-обучение (Сервер):
   • Сбор анонимизированных Selection Events с множества клиентов.
   • Генерация обучающих примеров (выбранная подсказка = положительный пример).
   • Обучение базовой Ranking Model.
   • Отправка модели на клиентские устройства.
2. Локальное дообучение (Клиент):
   • Запись локальных Selection Events на устройстве.
   • Дообучение локальной модели для персонализации под конкретного пользователя.

Какие данные и как использует

Данные на входе

Система использует исключительно данные, доступные локально в браузере или обобщенные данные о пользователе.

Поведенческие факторы (Критические):

• История посещений (Browser History): Используется как источник кандидатов.
• Закладки (Bookmarks/Favorites): Используется как источник и как сигнал (является ли URL закладкой).
• Частота посещений (Visit frequency): Как часто пользователь посещает ресурс.
• Новизна посещений (Visit recency): Время с момента последнего посещения.
• Typed visits: Количество раз, когда пользователь перешел на ресурс, введя его в Omnibox.
• Shortcut visits / Shortcut history: Количество раз, когда пользователь перешел на ресурс, используя конкретный ввод в Omnibox.
• Site engagement scores: Упоминаются как возможные сигналы качества ресурса.
• Selection Events: История предыдущих выборов подсказок (используется для обучения).

Временные факторы:

• Количество посещений в разное время суток (утро, день, вечер) и дни недели (будни, выходные).

Пользовательские факторы (User Signals):

• Тип устройства (мобильный, десктоп).
• Страна/штат пользователя (обобщенно).
• Тип профиля (например, управляемый/enterprise).
• Настройки браузера (например, включена ли синхронизация).
• Объем данных пользователя (количество закладок, размер истории).
• Когорта пользователя (например, активный/случайный пользователь).

Контентные и Технические факторы (Кандидатов):

• Заголовок ресурса (Title).
• URL ресурса.
• Структура URL (например, состоит ли только из имени хоста).
• Длина URL.

Какие метрики используются и как они считаются

Система использует модель машинного обучения, поэтому конкретные формулы и веса не заданы явно, а выучиваются моделью.

Ключевые метрики:

• Probability Score: Основная метрика ранжирования, предсказывающая вероятность выбора подсказки.
• Relative visit ratio: (Число посещений ресурса) / (Общее число посещений).
• Search-navigation ratio: (Число выбранных поисковых подсказок) / (Число выбранных навигационных подсказок).

Сигналы соответствия (Matching Signals):

• Степень совпадения ввода с заголовком или URL (полное, частичное).
• Какая часть URL совпадает (домен, путь, параметры запроса).
• Совпадает ли начало части URL/заголовка с вводом.

Методы машинного обучения:

• Для обучения используются методы, такие как Listwise training (оптимизация порядка всего списка), Pointwise training (предсказание оценки для каждого элемента отдельно) или Pairwise training (предсказание, какой из двух элементов будет ранжирован выше).
• Для борьбы с предвзятостью выбора (когда пользователи чаще кликают на первую подсказку) может применяться рандомизация порядка подсказок в обучающих данных.

Выводы

1. Это функционал браузера, а не поисковой системы: Патент описывает улучшение пользовательского опыта внутри браузера (например, Chrome) и не имеет отношения к алгоритмам ранжирования Google Search (SERP). SEO-специалисты должны понимать, что повлиять на эту систему через стандартные методы SEO невозможно.
2. Фокус на персонализации и локальных данных: Ранжирование полностью зависит от локальной истории пользователя, его закладок и поведения. Система использует On-device ML для обеспечения приватности и скорости.
3. Переход от правил к машинному обучению: Google заменяет статические эвристики (например, «всегда показывать закладки выше») на динамическую ML-модель, которая может учитывать гораздо больше сигналов (частоту, новизну, время суток, контекст пользователя) и автоматически адаптироваться.
4. Баланс навигации и поиска: Модель может научиться предсказывать намерение пользователя (навигация или поиск) и динамически изменять порядок подсказок. Например, высоковероятная навигационная подсказка может быть показана выше поисковой, что раньше часто было невозможно.
5. Усиление «липкости» сайтов: Сайты, которые пользователи часто посещают или добавляют в закладки, получают преимущество в Omnibox, что облегчает повторные визиты.

Практика

Best practices (это мы делаем)

Поскольку патент не касается ранжирования в поиске, прямых SEO-рекомендаций нет. Однако есть стратегические выводы для удержания трафика:

• Фокус на удержании пользователей (Retention) и качестве UX: Ключевым фактором для высокого ранжирования в Omnibox является частота и новизна посещений. Чем чаще пользователь возвращается на сайт, тем выше вероятность, что ML-модель предложит его при вводе соответствующих символов.
• Стимулирование добавления в закладки: Наличие сайта в закладках является сильным сигналом для модели. Хотя модель призвана решить проблему устаревших закладок, актуальные закладки остаются важными.
• Четкие и запоминающиеся заголовки (Titles) и URL: Модель использует сигналы соответствия (Matching signals) между вводом пользователя и заголовком/URL ресурса. Понятные и релевантные заголовки страниц помогут системе лучше сопоставить ввод пользователя с вашим контентом в его истории.
• Развитие бренда и прямого трафика: Сильный бренд стимулирует пользователей вводить название компании или домен напрямую в адресную строку. Эта система гарантирует, что такие пользователи быстро найдут нужный ресурс.

Worst practices (это делать не надо)

• Использование запутанных или динамически меняющихся URL для основного контента: Если URL постоянно меняются, системе сложнее агрегировать сигналы частоты и новизны для конкретного ресурса.
• Пренебрежение пользовательским опытом: Плохой UX приводит к снижению повторных визитов. Если пользователи не возвращаются, сайт не будет часто появляться в навигационных подсказках, так как сигналы частоты и новизны будут низкими.
• Попытки манипулировать системой: Попытки «накрутить» историю посещений или заставить пользователей массово добавлять сайт в закладки неэффективны, так как модель работает индивидуально на устройстве каждого пользователя и адаптируется к его реальному поведению.

Стратегическое значение

Стратегическое значение патента для бизнеса заключается в понимании того, как браузеры становятся умнее в помощи пользователям при навигации. Это подчеркивает важность построения долгосрочных отношений с аудиторией. Для SEO это напоминание о том, что органический поиск — не единственный канал трафика, и что инвестиции в UX и бренд напрямую влияют на удержание и возврат пользователей через прямой доступ, который теперь оптимизирован с помощью ML.

Практические примеры

Сценарий: Баланс частоты и новизны для новостного сайта

1. Ситуация: Пользователь часто читает раздел «Политика» на сайте news.com (высокая частота), но сегодня утром он несколько раз заходил в раздел «Спорт», чтобы проверить результаты матча (высокая новизна).
2. Ввод: Пользователь вводит «news» в Omnibox.
3. Старый подход (Static Rules): Мог бы предложить news.com/politics, так как у него больше общее количество посещений.
4. Новый подход (Ranking Model): ML-модель анализирует сигналы частоты, новизны и, возможно, времени суток. Она может присвоить более высокий Probability Score для news.com/sport, так как новизна (recency) в данном контексте может оказаться более сильным предиктором намерения пользователя.
5. Действие SEO/Владельца сайта: Обеспечить, чтобы заголовки разделов были четкими («Политика на News.com», «Спорт на News.com»), чтобы модель могла лучше различать кандидатов и сигналы соответствия.

Вопросы и ответы