Как Google использует акцент пользователя в голосовом поиске для персонализации результатов выдачи

Описание

Какую задачу решает

Патент решает проблему игнорирования акцента пользователя системами автоматического распознавания речи (ASR). Традиционно ASR-движки рассматривают акцент как шум и стараются минимизировать его влияние для точной транскрипции. Изобретение предлагает использовать акцент как ценный сигнал, указывающий на происхождение, культурный фон или языковые предпочтения пользователя, что позволяет персонализировать поисковую выдачу и предоставлять результаты, более релевантные для людей с похожим бэкграундом.

Что запатентовано

Запатентована система, которая интегрирует данные об акценте (manner of pronunciation) пользователя в процесс генерации результатов голосового поиска. Система не только транскрибирует голосовой запрос, но и идентифицирует акцент, используя оба этих параметра для выбора и/или ранжирования результатов (accent-influenced search results). Ключевым элементом является механизм обратной связи, который отслеживает удовлетворенность пользователей результатами, сегментируя эти данные по акцентам.

Как это работает

Механизм активируется при получении голосового запроса. ASR-движок выполняет две задачи: транскрибирует речь в текст и определяет акцент пользователя (алгоритмически или на основе настроек). Обе единицы информации передаются поисковому движку. Поисковик использует данные об акценте для влияния на выдачу, опираясь на Accent Scores — оценки, которые показывают предпочтения пользователей с аналогичным акцентом. Когда пользователь взаимодействует с результатами (например, кликает), система обновляет Accent Score для данного ресурса именно для этого акцента.

Актуальность для SEO

Средняя/Высокая. Значимость голосового поиска остается высокой, а персонализация и понимание контекста пользователя являются ключевыми направлениями развития Google. Описанный механизм предоставляет конкретный метод для культурной и языковой адаптации выдачи на основе демографических сигналов, передаваемых через речь, что сохраняет актуальность.

Важность для SEO

Влияние на SEO умеренное (6.5/10). Патент в первую очередь касается персонализации голосового поиска. Он демонстрирует, что Google может отслеживать поведенческие факторы и удовлетворенность пользователей, сегментируя аудиторию по лингвистическим признакам (таким как акцент), и использовать эти данные для переранжирования результатов. Это подчеркивает важность создания контента, который резонирует с культурными особенностями целевой аудитории.

Детальный разбор

Термины и определения

Accent (Акцент) / Manner of Pronunciation (Манера произношения)

Манера произношения языка, часто общая для людей с похожим бэкграундом (например, носителей одного и того же родного языка или диалекта). Используется как сигнал для персонализации.

Accent Detector Module (Модуль детектора акцента)

Компонент ASR-движка, отвечающий за алгоритмическую идентификацию акцента пользователя на основе анализа речи.

Accent Information/Data (Информация/Данные об акценте)

Данные, идентифицирующие акцент голосового запроса. Могут быть получены алгоритмически или из настроек пользователя.

Accent-Influenced Search Results (Результаты поиска, зависящие от акцента) / Pronunciation-Influenced Search Results

Результаты поиска, которые были выбраны или ранжированы поисковым движком на основе, в том числе, акцента, связанного с голосовым запросом.

Accent Score (Оценка акцента)

Метрика (в патенте упоминается как first score), связанная с конкретным ресурсом и конкретным акцентом. Отражает степень интереса или удовлетворенности пользователей с этим акцентом данным ресурсом.

Automated Speech Recognition (ASR) Engine (Движок автоматического распознавания речи)

Система, которая преобразует речь в текст (транскрипцию) и, в контексте патента, также идентифицирует акцент.

Voice Query (Голосовой запрос)

Запрос, отправленный пользователем поисковой системе посредством речи.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основную систему и механизм обратной связи для обучения.

1. Получение транскрипции голосового запроса И данных, идентифицирующих манеру произношения (акцент) говорящего.
2. Отправка транскрипции и данных об акценте в поисковую систему.
3. Получение результатов поиска, зависящих от произношения (pronunciation-influenced search results). Эти результаты выбраны на основе И транскрипции, И акцента.
4. Предоставление результатов на клиентское устройство.
5. Получение сигнала, указывающего на то, что говорящий с данным акцентом проявил интерес к конкретному результату (например, кликнул).
6. Корректировка «первой оценки» (first score / Accent Score), связанной с этим конкретным результатом И этим конкретным акцентом.
7. Критически важный момент: корректировка происходит без изменения других оценок, связанных с этим же результатом, но с другим акцентом.

Ядром изобретения является создание сегментированного механизма обучения. Система учится, что предпочитают пользователи с определенным акцентом. Если пользователь с французским акцентом кликает на результат, Accent Score для пары (Результат + Французский акцент) увеличивается, но оценка для пары (Результат + Словацкий акцент) остается неизменной.

Claim 3 и 4 (Зависимые): Уточняют механизм корректировки оценки.

• Если сигнал указывает на проявленный интерес, оценка увеличивается (incrementing) (Claim 3).
• Если сигнал указывает на отсутствие интереса или неудовлетворенность, оценка уменьшается (decrementing) (Claim 4).

Claim 5 (Зависимый): Уточняет, что выбор результатов основывается на транскрипции, акценте и ранее рассчитанной Accent Score. Это подтверждает использование накопленных поведенческих данных в ранжировании.

Claim 6 (Зависимый): Описывает альтернативный вариант, где результаты выбираются на основе транскрипции, но ранжируются на основе акцента.

Claim 7 и 8 (Зависимые): Указывают способы идентификации акцента: на основе выбора или предпочтений пользователя (Claim 7) или алгоритмически (Claim 8).

Где и как применяется

Изобретение затрагивает несколько ключевых этапов обработки голосового поиска.

QUNDERSTANDING – Понимание Запросов
На этом этапе происходит основная обработка ввода. ASR Engine анализирует аудиосигнал. Он выполняет транскрипцию и детектирование акцента с помощью Accent Detector Module. Исходный запрос пользователя обогащается метаданными Accent Information.

RANKING – Ранжирование / RERANKING – Переранжирование
Поисковый движок получает транскрипцию вместе с данными об акценте. Акцент выступает как фактор персонализации. Система обращается к Индексу для получения Accent Scores, связанных с релевантными ресурсами и идентифицированным акцентом, и использует их для влияния на финальный рейтинг.

INDEXING – Индексирование (Хранение и Обновление данных)
Индекс хранит не только информацию о ресурсах, но и связанные с ними Accent Scores для различных акцентов. Когда система получает поведенческую обратную связь (клики), эти оценки в индексе обновляются.

Входные данные:

• Голосовой запрос (аудиосигнал).
• Опционально: настройки пользователя, указывающие на акцент или происхождение.

Выходные данные:

• Транскрипция запроса и данные об акценте.
• Accent-Influenced Search Results (персонализированная выдача).

На что влияет

• Типы контента и запросов: Наибольшее влияние оказывается на голосовые запросы, где культурный, лингвистический или региональный фон пользователя влияет на интент. Это включает локальный поиск (рестораны, услуги), медиа и развлечения (фильмы, музыка), еду и рецепты.
• Форматы контента: Система может предпочесть результаты на языке, ассоциированном с акцентом, даже если запрос был сделан на другом языке. В патенте приводится пример, когда для запроса «Restaurant» с немецким акцентом в выдачу включается результат на немецком языке («Deutsche Gastättbericht»).

Когда применяется

• Условия активации: Алгоритм применяется при обработке голосового запроса (Voice Query).
• Триггеры: Наличие идентифицируемого акцента (определенного алгоритмически ASR-движком или указанного в настройках пользователя).
• Исключения: Когда акцент не распознается (No Discernable Accent), или если пользователь отказался от такого типа анализа (в патенте упоминается возможность opt-in для сбора исторических и поведенческих данных).

Пошаговый алгоритм

1. Получение запроса: Пользователь произносит голосовой запрос. Устройство кодирует его в аудиосигнал.
2. Передача данных: Аудиосигнал и (опционально) предварительные данные об акценте (Accent Information) из настроек пользователя передаются в ASR Engine.
3. Распознавание речи и акцента: ASR Engine транскрибирует аудиосигнал в текст. Одновременно Accent Detector Module анализирует речь для идентификации акцента или использует предоставленные данные.
4. Формирование расширенного запроса: Транскрипция и идентифицированные данные об акценте передаются Поисковому движку.
5. Генерация результатов с учетом акцента: Поисковый движок генерирует Accent-Influenced Search Results. Процесс может включать:
   • Повышение в ранжировании ресурсов, имеющих высокие Accent Scores для данного акцента.
   • Расширение списка допустимых языков для результатов (включение языков, ассоциированных с акцентом).
6. Предоставление результатов: Персонализированная выдача отображается пользователю.
7. Обработка обратной связи: Система получает сигнал о взаимодействии пользователя с результатом (клик, наведение курсора, CTR, продолжительность клика).
8. Обновление оценок (Обучение): Поисковый движок корректирует (увеличивает или уменьшает) Accent Score для выбранного ресурса. Обновление применяется только к оценке, связанной с акцентом данного пользователя.

Какие данные и как использует

Данные на входе

• Пользовательские факторы: Основной ввод — это Голосовой запрос (Аудиосигнал). Также используются настройки пользователя (user selection or preference), которые могут явно указывать на родной язык, страну происхождения или предпочитаемый акцент.
• Поведенческие факторы: Исторические данные о взаимодействии пользователей с результатами поиска (клики, наведение курсора, CTR, продолжительность клика). Критически важно, что эти данные сегментируются по акценту говорящего.

Какие метрики используются и как они считаются

• Accent Score (Оценка акцента): Ключевая метрика патента. Это оценка, присваиваемая паре (Ресурс, Акцент). Она отражает степень интереса или удовлетворенности пользователей с данным акцентом этим ресурсом.
  • Расчет: Метрика обновляется на основе поведенческих сигналов. При получении сигнала об интересе (например, клик) оценка увеличивается (incrementing). При получении сигнала об отсутствии интереса оценка уменьшается (decrementing).
  • Применение: Используется для смещения (biasing) выбора или ранжирования результатов для будущих запросов, сделанных с тем же акцентом. Может использоваться как весовой коэффициент для других метрик ранжирования.

Выводы

1. Акцент как сигнал персонализации: Google рассматривает манеру произношения не как шум, а как полезный сигнал для персонализации в голосовом поиске. Акцент используется как индикатор культурного, регионального или лингвистического бэкграунда пользователя.
2. Сегментированное обучение (Segmented Learning): Ключевой механизм патента — это система обратной связи, которая изучает предпочтения пользователей, сегментированных по акцентам. Accent Scores обновляются независимо для каждого акцента на основе поведения пользователей.
3. Поведенческие факторы специфичны для контекста: Патент подтверждает, что релевантность зависит от контекста. То, что релевантно для одной группы пользователей (например, с французским акцентом), может быть менее релевантно для другой группы при той же самой текстовой транскрипции запроса.
4. Культурная и языковая адаптация SERP: Механизм позволяет адаптировать выдачу, включая результаты, которые культурно ближе пользователю, или даже результаты на другом языке, который ассоциирован с акцентом пользователя (например, родной язык).
5. Важность удовлетворенности пользователя (User Satisfaction): Успех ранжирования в этой системе напрямую зависит от положительного взаимодействия пользователей с контентом. Высокая вовлеченность конкретного сегмента аудитории улучшает видимость ресурса для этого сегмента.

Практика

Best practices (это мы делаем)

• Понимание культурного контекста аудитории: Необходимо глубоко понимать лингвистический и культурный фон целевой аудитории. Если значительная часть трафика приходит из голосового поиска от пользователей с определенным бэкграундом (например, билингвы, экспаты), это нужно учитывать в контент-стратегии.
• Создание культурно-релевантного контента: Создавайте контент, который резонирует со специфическими культурными или региональными предпочтениями, особенно в нишах, чувствительных к этому (еда, развлечения, локальные услуги). Это повышает вероятность положительного взаимодействия.
• Оптимизация под удовлетворенность пользователя (Satisfaction): Обеспечивайте отличный UX и высокую релевантность контента. Поскольку система использует поведенческие сигналы (клики, вовлеченность) для обновления Accent Scores, высокая удовлетворенность конкретной группы пользователей усилит ранжирование для этой группы.
• Мультиязычная и мультирегиональная оптимизация: Если вы таргетируете пользователей, которые могут искать на основном языке (например, английском), но предпочитают контент на своем родном языке, рассмотрите возможность создания и оптимизации контента на этих языках. Система может подмешивать результаты на родном языке, если обнаружит соответствующий акцент.

Worst practices (это делать не надо)

• Игнорирование культурных нюансов: Создание универсального («one-size-fits-all») контента, предполагая гомогенную базу пользователей. Это может привести к низкой вовлеченности со стороны пользователей с иным культурным фоном.
• Оптимизация только под ключевые слова: Фокус исключительно на текстовой релевантности без учета фактической удовлетворенности различных сегментов аудитории. Ресурс может быть релевантным тексту запроса, но иметь низкие Accent Scores для определенных групп.
• Плохой UX и низкая вовлеченность: Сайты, которые не удовлетворяют интент пользователя и имеют низкие показатели вовлеченности, будут терять позиции из-за снижения Accent Scores в рамках этой системы.

Стратегическое значение

Патент подтверждает использование Google поведенческих данных, сегментированных по характеристикам пользователя, для ранжирования. Хотя данный патент фокусируется на акцентах в голосовом поиске, он подразумевает более широкие возможности системы по сегментации пользователей и адаптации результатов на основе наблюдаемых предпочтений этих сегментов. Это подчеркивает важность построения не только тематического, но и культурного авторитета для целевой аудитории.

Практические примеры

Сценарий: Оптимизация сайта рецептов для испаноязычных пользователей в США.

1. Анализ аудитории: Определяем, что значительная часть аудитории — билингвы, которые часто используют голосовой поиск на английском языке, но имеют испанский акцент.
2. Действие (Контент): Создаем контент, который учитывает специфические культурные предпочтения в еде (например, рецепты, адаптированные под ингредиенты, популярные в латиноамериканской кухне). Контент может быть как на английском, так и на испанском языке.
3. Действие (UX): Обеспечиваем высокую удовлетворенность контентом (полезность рецепта, удобство использования).
4. Ожидаемый результат: Когда эти пользователи ищут рецепт через голосовой поиск (например, «how to cook chili»), система обнаруживает испанский акцент. Благодаря высоким историческим показателям вовлеченности (высокие Accent Scores) этой группы пользователей с вашим контентом, ваш культурно-адаптированный рецепт получает повышение в ранжировании, опережая более общие американские рецепты.

Вопросы и ответы