Как Google автоматически создает и выполняет «постоянные запросы» на основе поведения и местоположения пользователя (Проактивный поиск)

Описание

Какую задачу решает

Патент решает задачу проактивного предоставления информации пользователю без необходимости ручного ввода запроса в момент возникновения потребности. Он автоматизирует процесс мониторинга повторяющихся интересов (выявленных через поисковые запросы, историю местоположений или задачи) и предоставляет актуальную информацию, когда контекст пользователя (например, его местоположение или время) делает ее наиболее релевантной.

Что запатентовано

Запатентована система автоматического создания и выполнения standing queries (постоянных запросов). Система отслеживает действия пользователя (user actions), и если действие повторяется пороговое количество раз, автоматически генерируется постоянный запрос. Этот запрос затем выполняется проактивно: либо с частотой, основанной на частоте повторения исходного действия пользователем, либо по срабатыванию контекстных триггеров, таких как местоположение.

Как это работает

Система функционирует как проактивный ассистент:

• Мониторинг и Генерация: Система анализирует историю пользователя. При достижении порога повторений для определенного действия (например, частый поиск авиабилетов или создание задачи «купить молоко») создается standing query и определяется частота его выполнения.
• Проактивное выполнение: Запрос выполняется по триггеру (например, изменение текущего или ожидаемого местоположения пользователя или наступление определенного времени).
• Фильтрация и Уведомление: Полученные результаты проходят многоуровневую фильтрацию. Система оценивает filter criteria (например, время суток) и likelihood to act (вероятность действия пользователя). Если фильтры пройдены, генерируется и отправляется уведомление.

Актуальность для SEO

Высокая. Концепции проактивного поиска, предсказания потребностей пользователя на основе контекста и автоматические уведомления лежат в основе современных сервисов Google, таких как Google Assistant и персонализированные ленты (Google Discover). Механизмы использования поведения и местоположения как триггеров остаются ключевыми элементами экосистемы.

Важность для SEO

Влияние на традиционное органическое SEO низкое (3.5/10). Патент не описывает алгоритмы ранжирования веб-страниц. Однако он имеет высокое стратегическое значение для понимания того, как контент может достигать пользователя через альтернативные каналы (уведомления, Assistant, Discover). Он критически важен для локального SEO и E-commerce, так как описывает механизмы проактивного обнаружения контента на основе местоположения и поведения пользователя (модель Push вместо Pull).

Детальный разбор

Термины и определения

Standing Query (Постоянный запрос)

Сохраненный запрос, который выполняется системой автоматически. Может быть сгенерирован системой на основе повторяющихся действий пользователя или создан пользователем явно.

Geographical Context (Географический контекст)

Параметр постоянного запроса, связывающий его с определенным местоположением, группой местоположений или географической областью.

User Action (Действие пользователя)

Ввод или активность пользователя, которая может служить основой для автоматической генерации запроса или триггером для его выполнения (например, поисковый запрос, создание задачи в списке дел, check-in).

Filter Criteria (Критерии фильтрации)

Правила (явные или выведенные системой), используемые для определения того, следует ли выполнять запрос или предоставлять уведомление пользователю (например, время суток, определенные маршруты, такие как поездка на работу).

Likelihood to Act (Вероятность действия)

Оценка вероятности того, что пользователь совершит действие на основе полученного уведомления в текущем контексте. Используется как дополнительный уровень фильтрации.

Expected Location (Ожидаемое местоположение)

Будущее местоположение пользователя, выведенное системой на основе его действий (например, записи в календаре, запрос маршрута).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает метод выполнения постоянного запроса с географическим контекстом, фокусируясь на автоматизации на основе поведения.

1. Система определяет местоположение пользователя.
2. Система идентифицирует standing query с geographical context, соответствующим местоположению пользователя.
3. Ключевой аспект генерации: Этот standing query был автоматически сгенерирован на основе того, что пользователь повторял определенное действие (action) пороговое количество раз.
4. Ключевой аспект выполнения: Запрос ассоциирован с частотой выполнения, которая определяется на основе частоты, с которой пользователь повторял исходное действие.
5. Система выполняет standing query с этой ассоциированной частотой для идентификации результатов.
6. Система предоставляет для отображения уведомления, связанные с результатами.

Ядро изобретения — полная автоматизация: система сама определяет, что искать и как часто искать, основываясь исключительно на анализе истории поведения пользователя.

Claim 2 (Зависимый от 1): Уточняет определение местоположения.

Местоположение пользователя может быть текущим или ожидаемым (expected location), определенным по действию пользователя.

Claim 3 и 4 (Зависимые от 1): Уточняют процесс уведомления и фильтрации.

Уведомление включает определение того, следует ли уведомлять пользователя на основе filter criteria. Эти критерии могут включать географическое положение, время, дату или день недели.

Где и как применяется

Этот патент описывает систему, которая функционирует как слой персонального ассистента или проактивного поиска (Predictive Search), работающий параллельно традиционному веб-поиску.

INDEXING – Индексирование (Данные пользователя)
Система индексирует и хранит поведенческие данные: историю поиска, историю местоположений (Location History Index), данные календаря, списки задач. Также требуется доступ к индексам контента (локальные данные, товары).

QUNDERSTANDING (Фоновый анализ поведения)
Происходит офлайн или в фоновом режиме. Система анализирует логи действий пользователя для идентификации повторяющихся паттернов. На этом этапе происходит автоматическая генерация standing queries и расчет частоты их выполнения.

RANKING (Внутреннее выполнение)
Когда срабатывает триггер (время или местоположение), система выполняет standing query. Это внутренний процесс поиска релевантных результатов в индексе для конкретного пользователя в текущем контексте.

RERANKING (Фильтрация уведомлений)
После получения результатов система применяет Filter Criteria и рассчитывает Likelihood to Act. На этом этапе принимается финальное решение о том, показывать ли уведомление пользователю сейчас.

Входные данные:

• Логи действий пользователя (поисковые запросы, созданные задачи, календарь).
• История местоположений и текущее/ожидаемое местоположение пользователя.
• Проиндексированные данные (цены, отзывы, наличие товаров, часы работы).

Выходные данные:

• Уведомление (Notification), отправленное на устройство пользователя.

На что влияет

• Локальный поиск (Local SEO): Критическое влияние. Geographical context является основным триггером. Система проактивно ищет локальную информацию (магазины, услуги, рестораны) рядом с пользователем на основе его предполагаемых потребностей.
• E-commerce и товары: Влияет на уведомления о наличии товаров, скидках или распродажах, особенно когда пользователь находится рядом с физическим магазином или активно интересовался товаром ранее.
• Системы доставки информации: Влияет на работу Google Assistant, Google Discover и контекстных уведомлений, а не на ранжирование в традиционном веб-поиске (SERP).

Когда применяется

• Условия генерации запроса: Когда пользователь повторяет определенное действие пороговое количество раз.
• Триггеры активации (Выполнение запроса):
  • При изменении местоположения пользователя (текущего или ожидаемого).
  • В заранее определенное время (например, время года или суток, связанное с прошлыми действиями).
  • С определенной частотой, основанной на прошлой частоте действий пользователя.
• Исключения (Фильтрация): Запрос не выполняется или уведомление не отправляется, если срабатывают filter criteria (например, пользователь на работе, едет по обычному маршруту) или если likelihood to act оценивается как низкая (например, пользователь занят согласно календарю).

Пошаговый алгоритм

Процесс А: Генерация постоянного запроса (Фоновый режим)

1. Сбор данных: Мониторинг и сбор данных о действиях пользователя (поисковые запросы, посещенные локации, созданные задачи).
2. Идентификация паттернов: Анализ данных для выявления повторяющихся действий.
3. Проверка порога: Определение, повторилось ли действие пороговое количество раз.
4. Генерация Standing Query: Если порог достигнут, система автоматически создает постоянный запрос.
5. Определение параметров: Определение geographical context и частоты/триггеров выполнения запроса на основе паттернов исходного действия пользователя.
6. Хранение: Сохранение запроса в индексе пользовательских запросов.

Процесс Б: Выполнение запроса и уведомление

1. Определение триггера: Принятие решения о необходимости выполнения запроса на основе контекста (местоположение, время) или установленной частоты.
2. Выполнение запроса: Standing query выполняется для получения актуальных результатов.
3. Фильтрация (Этап 1 — Критерии): Проверка результатов и контекста по Filter Criteria (например, исключение уведомлений в рабочее время или на маршруте дом-работа). Если не соответствует критериям, процесс останавливается.
4. Фильтрация (Этап 2 — Вероятность действия): Оценка Likelihood to Act, учитывая контекст (время, календарь пользователя, история посещений). Если вероятность низкая, процесс останавливается.
5. Генерация и Доставка: Если все фильтры пройдены, создается уведомление и отправляется на устройство пользователя.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих, географических и временных данных для генерации и выполнения запросов.

• Поведенческие факторы (Ключевые): История поисковых запросов используется для идентификации повторяющихся интересов. История действий в приложениях (например, создание задачи «купить молоко») также может инициировать создание запроса. История местоположений используется для определения паттернов перемещения.
• Географические факторы (Ключевые): Текущее и ожидаемое (expected location) местоположение пользователя. Эти данные используются для определения geographical context запроса и как основной триггер для его выполнения.
• Временные факторы: Время суток, день недели, дата. Используются для определения оптимального времени выполнения запроса и для фильтрации уведомлений.
• Пользовательские факторы: Данные календаря пользователя используются для вывода ожидаемого местоположения и для оценки likelihood to act (занятость).

Какие метрики используются и как они считаются

• Порог повторения действия (Threshold): Метрика, определяющая минимальное количество повторений действия для автоматической генерации standing query.
• Частота выполнения запроса (Frequency): Рассчитывается на основе частоты, с которой пользователь выполнял исходное действие до автоматической генерации запроса (явно указано в Claims).
• Filter Criteria: Заданные или выведенные пороговые значения/правила для фильтрации по времени/месту.
• Likelihood to Act (Вероятность действия): Комплексная вероятностная метрика, агрегирующая контекстуальные сигналы (время, место, данные календаря) и историю поведения для оценки своевременности уведомления в данный момент.

Выводы

1. Инфраструктура проактивного поиска: Патент описывает не алгоритмы ранжирования веб-поиска, а инфраструктуру для систем персональных ассистентов (Google Assistant, Discover). Система пытается предсказать потребности пользователя до явного запроса (модель Push).
2. Автоматическая генерация интересов из поведения: Google активно анализирует поведение пользователя (поиск, перемещения, задачи), чтобы понять его повторяющиеся потребности. Эти потребности автоматически преобразуются в standing queries без участия пользователя.
3. Частота выполнения основана на поведении: Система определяет, как часто выполнять автоматический запрос, анализируя, как часто пользователь сам выполнял это действие в прошлом.
4. Контекст как ключевой триггер: Местоположение (текущее или планируемое) и время являются основными триггерами для проактивного предоставления информации.
5. Многоуровневая фильтрация для снижения шума: Система включает сложную логику фильтрации (по заданным критериям и по оценке likelihood to act), чтобы избежать перегрузки пользователя нерелевантными уведомлениями, учитывая занятость и привычные маршруты пользователя.
6. Косвенное влияние на SEO (Entity Optimization): Для SEO это подчеркивает важность точных и актуальных данных о сущностях в индексах Google, особенно для локального бизнеса и E-commerce, чтобы обеспечить видимость в этих проактивных каналах.

Практика

Best practices (это мы делаем)

Поскольку патент описывает работу персональных ассистентов и проактивного поиска, а не традиционное веб-ранжирование, рекомендации направлены на улучшение видимости сущностей в этой экосистеме (Entity Optimization).

• Усиление локального SEO (Local SEO): Поскольку Geographical Context является ключевым триггером, необходимо обеспечить максимальную точность и полноту данных в Google Business Profile (GBP) (адрес, часы работы, контакты, отзывы). Это гарантирует, что бизнес будет корректно идентифицирован, когда пользователь окажется поблизости.
• Использование структурированных данных и фидов (E-commerce): Активно используйте Merchant Center и разметку Schema.org (Product, Offer) для передачи данных о товарах, ценах и наличии. Это позволит системе эффективно находить ваши товары для автоматически сгенерированных коммерческих запросов (например, если пользователь часто ищет определенный товар и оказался рядом с магазином).
• Работа над рейтингом и отзывами: В описании патента упоминается пример использования рейтинга (например, поиск кофеен с рейтингом не ниже 4 звезд). Высокий рейтинг может быть фактором для включения в результаты проактивных запросов, ориентированных на качество.
• Структурирование контента: Убедитесь, что информация о продуктах, услугах и мероприятиях хорошо структурирована (Schema.org для LocalBusiness, Events) и легко индексируется. Это повышает вероятность того, что она будет использована в ответах на автоматически сгенерированные запросы.

Worst practices (это делать не надо)

• Предоставление устаревшей или неточной информации: Если система выполнит standing query и предоставит пользователю неактуальные данные (например, неверные часы работы или отсутствующий товар), это приведет к негативному пользовательскому опыту.
• Игнорирование локальных сигналов и управления репутацией: Отсутствие оптимизации под локальный поиск и игнорирование отзывов снижает вероятность попадания в проактивные уведомления.
• Отсутствие структурированных данных: Если система не может извлечь ключевые атрибуты сущности (цена, наличие, рейтинг), она не сможет использовать эту информацию в проактивных уведомлениях.

Стратегическое значение

Патент подтверждает долгосрочную стратегию Google на переход от реактивного поиска к проактивному ассистированию. Это подчеркивает важность понимания не только ключевых слов, но и долгосрочных интересов аудитории, а также контекста (время и место), в котором они потребляют информацию. Для SEO это означает необходимость сдвига фокуса на оптимизацию сущностей (Entity Optimization) и обеспечение их видимости во всех точках взаимодействия с пользователем, включая персональных ассистентов и персонализированные ленты (Discover).

Практические примеры

Сценарий 1: Локальное уведомление на основе задачи (Local SEO)

1. Действие пользователя: Пользователь создает задачу в приложении: «Купить молоко».
2. Генерация запроса: Система автоматически создает standing query, связанный с покупкой молока и географическим контекстом (продуктовые магазины).
3. Триггер: Позже система определяет, что пользователь находится рядом с супермаркетом.
4. Действия SEO: Супермаркет имеет актуальный GBP.
5. Фильтрация: Система проверяет время (магазин открыт), календарь (пользователь свободен). Likelihood to act высокая.
6. Уведомление: Пользователь получает уведомление: «Вы рядом с супермаркетом X. Не забудьте купить молоко».

Сценарий 2: Уведомление на основе истории поиска (E-commerce)

1. Действие пользователя: Пользователь несколько раз ищет «цены на кроссовки Nike Air Max 90».
2. Генерация запроса: Система идентифицирует повторяющееся действие и создает standing query для мониторинга скидок.
3. Триггер и Выполнение: Пользователь оказывается рядом с торговым центром. Система выполняет запрос для магазинов в этом ТЦ.
4. Действия SEO: Магазин предоставил данные о скидке через Merchant Center или микроразметку.
5. Фильтрация: Время подходящее, likelihood to act высокая.
6. Уведомление: Пользователь получает уведомление: «Скидка 20% на Nike Air Max 90 в магазине Х рядом».

Вопросы и ответы