Как Google использует контекстные сигналы и кросс-девайс историю поиска для показа персонализированных напоминаний

Описание

Какую задачу решает

Патент решает проблему фрагментации пользовательского опыта при использовании нескольких устройств (Cross-Device Fragmentation). Пользователи часто начинают поиск на одном устройстве (например, десктопе), а нуждаются в этой информации позже на другом (например, смартфоне). Необходимость заново выполнять поиск неудобна, особенно на мобильных устройствах с ограниченными возможностями ввода и скоростью соединения. Система улучшает UX, проактивно предоставляя доступ к релевантной информации из истории поиска в подходящем контексте.

Что запатентовано

Запатентована система интеллектуальной фильтрации истории поиска пользователя (Prior Search History) для предоставления контекстуально релевантных напоминаний на разных устройствах. Система сравнивает текущий контекст пользователя (Current Context) с контекстом прошлых поисков (Prior Context). Если контексты схожи, система оценивает прошлый результат с помощью Relevance Score, основанного на Contextual Signals (поведенческие и контекстные данные). Актуальные результаты преобразуются в Information Items (информационные сниппеты) и показываются пользователю.

Как это работает

Система работает в несколько этапов:

• Сбор данных: История поиска, включая запросы, результаты и взаимодействия (клики, Dwell Time), агрегируется со всех устройств пользователя в User Profile.
• Определение контекста: Когда пользователь активен (например, открывает страницу поиска), система определяет его Current Context (время, местоположение).
• Сравнение контекстов: Система ищет в истории поиски, чей Prior Context похож на текущий (например, недавний поиск или поиск объекта поблизости).
• Оценка релевантности: Для отобранных кандидатов рассчитывается Relevance Score на основе сигналов интереса (Dwell Time, повторные запросы, кросс-девайс активность).
• Отображение: Результаты, прошедшие пороги, форматируются как действенные Information Items и отображаются пользователю.

Актуальность для SEO

Высокая. Кросс-девайс поведение является нормой, и Google активно использует историю и контекст для персонализации интерфейсов. Функции типа «Недавняя активность», персонализированные подсказки в Google Search и Google Maps, а также проактивные карточки в Google Assistant/Discover являются реализациями принципов, описанных в этом патенте.

Важность для SEO

Патент имеет среднее стратегическое значение для SEO (45/100). Он не описывает алгоритмы ранжирования в основном поиске, а фокусируется на персонализации и UX. Однако он критически важен, так как явно подтверждает использование поведенческих сигналов (Dwell Time, клики, повторные взаимодействия) как метрик для оценки персонального интереса пользователя. Кроме того, он подчеркивает важность структурированных данных для формирования действенных Information Items и может значительно влиять на повторное вовлечение и конверсии, особенно в локальном поиске.

Детальный разбор

Термины и определения

Contextual Signals (Контекстные сигналы)

Набор данных, используемых для фильтрации истории поиска и расчета Relevance Score. Включают сигналы интереса (клики, Dwell Time, повторные запросы, кросс-девайс активность) и сигналы контекста (время, местоположение, категория результата, исходный ранг).

Current Context (Текущий контекст)

Текущая ситуация пользователя, определяемая на основе времени, местоположения и используемого устройства.

Dwell Time (Время пребывания)

Метрика интереса пользователя. Патент различает время, проведенное на документе результата (amount of time spent accessing a document), и время, проведенное на странице выдачи (amount of time spent accessing a list of search results).

Information Item (Информационный элемент / Сниппет)

Сводка информации о прошлом поисковом результате, отформатированная для отображения. Включает заголовок, описание и действенные объекты (selectable objects), такие как номер телефона или ссылка на маршрут.

Prior Context (Предыдущий контекст)

Контекст (время, местоположение, устройство), в котором пользователь ранее выполнял поиск.

Prior Search History (История предыдущих поисков)

Сохраненные данные о прошлых поисковых сессиях пользователя, агрегированные в User Profile.

Relevance Score (Оценка релевантности)

В контексте патента — оценка актуальности прошлого поискового результата для текущего контекста пользователя, вычисляемая на основе взвешенных Contextual Signals.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы, основанный на сравнении контекстов.

1. Система получает запрос от пользователя.
2. Определяется Current Context пользователя.
3. Определяется, что Prior Context, в котором пользователь ранее отправлял запросы, характеризуется как похожий (similar) на Current Context.
4. Идентифицируются результаты поиска, которые были показаны пользователю в этом похожем Prior Context.
5. Выбирается подмножество этих результатов, которые удовлетворяют двум условиям: (i) были показаны в похожем контексте И (ii) имеют Relevance Score, удовлетворяющую заданному порогу.
6. Предоставляется ресурс (Information Item), ссылающийся на сущности, связанные с выбранным подмножеством.

Claim 11 (Зависимый): Определяет критерии схожести контекстов (из пункта 1).

Prior Context считается похожим на Current Context, если прошлые запросы были отправлены в течение предопределенного периода времени от текущего момента (Свежесть) ИЛИ если запросы относятся к географическому местоположению, находящемуся в пределах предопределенного расстояния от текущего местоположения пользователя (Близость).

Claims 5 и 6 (Зависимые): Детализируют, на чем основан Relevance Score (из пункта 1).

Relevance Score базируется на различных Contextual Signals. Claim 5 фокусируется на поведенческих сигналах: клики (selection occurred), Dwell Time на документе, Dwell Time на SERP, количество повторных запросов. Claim 6 добавляет другие сигналы: позиция в выдаче, исходная оценка (score), категория результата, а также кросс-девайс активность (запрос или клик с разных устройств).

Claims 9 и 10 (Зависимые): Подчеркивают кросс-девайс функциональность.

Система может определить, что пользователь использует первое устройство (например, мобильное устройство), и идентифицировать результаты, которые ранее были показаны, когда пользователь использовал второе устройство (например, настольный компьютер).

Где и как применяется

Изобретение функционирует преимущественно как слой персонализации пользовательского интерфейса, используя данные, собранные на других этапах.

INDEXING – Индексирование (Косвенно)
Для генерации действенных Information Items (с адресами, телефонами) система должна иметь доступ к структурированным данным, извлеченным на этапе индексирования.

RANKING – Ранжирование (Сбор данных)
На этом этапе происходит логирование поисковой активности. Система собирает Prior Search History: запросы, результаты, их порядок, оценки и взаимодействие пользователя (клики, Dwell Time).

RERANKING – Переранжирование (Слой Персонализации) / Генерация UI
Основное применение патента. Когда пользователь обращается к интерфейсу (например, открывает главную страницу поиска):

1. Анализ контекста: Определяется Current Context (время, местоположение).
2. Фильтрация истории: Prior Search History фильтруется для поиска схожих Prior Contexts и рассчитывается Relevance Score на основе Contextual Signals.
3. Инъекция данных: Если найдены актуальные прошлые результаты, генерируются Information Items и внедряются в UI.

Входные данные:

• Идентификатор пользователя (User ID).
• Current Context (время, местоположение, устройство).
• Prior Search History из User Profile (включая прошлые контексты и сигналы взаимодействия).

Выходные данные:

• Набор Information Items (персонализированных сниппетов), готовых к отображению в UI.

На что влияет

• Конкретные ниши и тематики: Наибольшее влияние в нишах, где важен контекст времени и места: локальный поиск (Local SEO), путешествия (авиабилеты, отели), E-commerce (товары) и события.
• Типы контента: Контент, связанный с сущностями и имеющий структурированные данные, позволяющие генерировать действенные сниппеты.
• Специфические запросы: Влияет на повторное вовлечение по транзакционным и исследовательским запросам, где пользователь проявил интерес, но мог не завершить действие.

Когда применяется

• Триггеры активации: Пользователь обращается к определенной точке входа (например, главная страница поиска, приложение Google) и может быть идентифицирован.
• Условия применения: Применяется, только если выполнены два условия:
  1. Схожесть контекста: Prior Context похож на Current Context (поиск был недавним ИЛИ объект находится поблизости).
  2. Интерес пользователя: Relevance Score прошлого результата превышает порог (пользователь взаимодействовал с результатом).
• Исключения и Срок действия: Information Items могут устаревать (Expiration) по времени или если пользователь удалился от локации.

Пошаговый алгоритм

Процесс А: Сбор данных (Постоянно)

1. Логирование активности: Сбор данных о запросах, результатах, контексте (время, место, устройство) и взаимодействии (клики, Dwell Time на SERP и документе).
2. Сохранение: Сохранение Prior Search History и связанных Contextual Signals в User Profile.

Процесс Б: Обработка запроса и персонализация (Real-time)

1. Получение запроса и Идентификация: Пользователь запрашивает веб-страницу; система идентифицирует пользователя.
2. Определение текущего контекста: Определяется Current Context.
3. Анализ истории поиска: Загрузка Prior Search History.
4. Фильтрация 1 (Схожесть контекстов): Поиск записей, где Prior Context похож на Current Context. Проверка порогов времени (Свежесть) и расстояния (Близость).
5. Фильтрация 2 (Расчет Релевантности): Для оставшихся записей рассчитывается Relevance Score на основе взвешенных Contextual Signals (поведенческие факторы, исходный ранг и т.д.).
6. Выбор результатов: Выбор результатов, чей Relevance Score превышает заданный порог.
7. Генерация сниппетов: Создание Information Items для выбранных результатов, извлечение структурированных данных для формирования действенных объектов.
8. Генерация UI и Доставка: Создание пользовательского интерфейса с индикатором наличия Information Items и отправка данных на устройство пользователя.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и контекстуальных данных для фильтрации истории.

• Поведенческие факторы (Критически важно):
  • Клики (selection occurred): Факт выбора результата.
  • Dwell Time на документе: Время, проведенное на странице результата.
  • Dwell Time на SERP: Время, проведенное на странице выдачи (даже без клика).
  • Повторные запросы: Количество раз, когда пользователь вводил запрос.
  • Кросс-девайс активность: Взаимодействие с запросом/результатом на разных устройствах.
• Географические факторы:
  • Географическое местоположение, связанное с результатом поиска.
  • Текущее местоположение пользователя.
  • Местоположение пользователя в момент прошлого поиска.
• Временные факторы:
  • Временные метки (Timestamp) прошлых поисковых сессий.
• Системные данные (из истории ранжирования):
  • Позиция результата в прошлой выдаче.
  • Исходная оценка (score) результата.
  • Категория результата (например, local, product, web).

Какие метрики используются и как они считаются

• Relevance Score (Оценка релевантности): Агрегированная оценка актуальности прошлого результата. Рассчитывается как функция от взвешенных Contextual Signals. Патент упоминает использование весовых коэффициентов (weighting factor) для разных сигналов (например, Dwell Time может иметь больший вес, чем позиция).
• Схожесть контекстов (Context Similarity): Определяется путем сравнения Current Context и Prior Context с использованием пороговых значений:
  • Time Thresholds (Временные пороги): Используются для фильтрации по свежести (например, поиск не старше 24 часов).
  • Location Thresholds (Пороги местоположения): Используются для фильтрации по близости (например, результат в радиусе 25 км).
• Dwell Time Thresholds: Минимальное время пребывания на странице или SERP, необходимое для интерпретации действия как проявления интереса.

Выводы

1. Это патент о Персонализации и UX, а не о Ранжировании: Описанные механизмы не влияют на глобальное органическое ранжирование. Они определяют, как Google использует личную историю поиска для улучшения опыта конкретного пользователя и его повторного вовлечения.
2. Подтверждение критичности Поведенческих Сигналов: Патент явно валидирует использование Dwell Time (на документе и на SERP), кликов и повторных взаимодействий как ключевых метрик для определения интереса пользователя (Relevance Score). Это демонстрирует техническую способность Google измерять и использовать эти сигналы.
3. Контекст определяет Актуальность: Релевантность прошлого результата динамична и определяется текущим контекстом. Система активируется только тогда, когда прошлый поиск актуален сейчас — либо по времени (недавно), либо по месту (рядом).
4. Фундаментальность Кросс-Девайс Трекинга: Система построена на способности Google отслеживать активность пользователя на разных устройствах. Кросс-девайсная активность сама по себе является сильным сигналом интереса.
5. Важность Структурированных Данных для Взаимодействия: Чтобы прошлый результат был представлен в виде действенного Information Item (с кнопками Позвонить/Маршрут), исходная страница должна содержать легко извлекаемые структурированные данные.

Практика

Best practices (это мы делаем)

• Оптимизация Вовлеченности (Engagement Optimization): Сосредоточьтесь на создании контента и UX, которые удерживают пользователя. Патент напрямую использует Dwell Time как сигнал интереса для расчета Relevance Score. Улучшение этого показателя повышает вероятность повторного показа вашего контента пользователю через этот механизм персонализации.
• Внедрение и поддержка Структурированных Данных: Критически важно обеспечить наличие корректной микроразметки (Schema.org) для ключевой информации: адреса (LocalBusiness), контактные данные (Telephone), товары (Product). Это позволяет Google генерировать насыщенные и действенные Information Items.
• Фокус на Local SEO и точность данных: Поскольку местоположение является ключевым триггером (Location Threshold), для локального бизнеса критично иметь точные и полные данные в Google Business Profile и на сайте. Это увеличивает шансы на показ напоминания, когда пользователь находится рядом.
• Оптимизация сниппетов (Title и Description): Заголовки и описания должны быть информативными и привлекательными, так как они используются для формирования Information Item, а клик (selection) является базовым сигналом интереса.

Worst practices (это делать не надо)

• Использование кликбейта и контент низкого качества: Контент, который приводит к быстрому возврату в выдачу (Pogo-sticking) и имеет низкий Dwell Time, будет отфильтрован системой как не представляющий интереса для пользователя. Relevance Score будет низким.
• Игнорирование микроразметки: Отсутствие структурированных данных снижает ценность вашего контента для этой системы, так как Google не сможет создать действенные Information Items (например, не сможет добавить кнопку «Позвонить» или «Маршрут»).
• Плохой кросс-девайсный UX: Если сайт неудобен на мобильных устройствах, пользователь не сможет эффективно взаимодействовать с контентом, что снизит сигналы вовлеченности и уменьшит вероятность повторного показа.

Стратегическое значение

Патент подтверждает стратегию Google на переход от реактивного поиска к проактивной помощи и предсказанию намерений пользователя на основе его истории и контекста. Для SEO это означает, что оценка успеха не заканчивается на получении клика. Поведение пользователя после клика (вовлеченность, Dwell Time) измеряется и используется для персонализации будущих взаимодействий. Долгосрочная стратегия должна быть направлена на максимальное удовлетворение интента и создание реальной ценности для удержания внимания пользователя.

Практические примеры

Сценарий 1: Local SEO и повторное вовлечение

1. Действие пользователя (Десктоп): Пользователь ищет «ремонт велосипедов в центре» на рабочем компьютере. Он кликает на сайт «ВелоМастер» и проводит там 3 минуты, изучая услуги (высокий Dwell Time).
2. Обработка системой: Google логирует этот интерес (Dwell Time и Клик) как позитивные Contextual Signals. Relevance Score для этого результата высокий.
3. Смена контекста (Мобильный): Вечером пользователь находится в центре города (Current Context близок к локации «ВелоМастер») и открывает приложение Google на смартфоне.
4. Результат: Система определяет схожесть контекстов (Близость) и высокий Relevance Score. Пользователю проактивно показывается Information Item для «ВелоМастер» с кнопками «Позвонить» и «Маршрут».
5. Вывод для SEO: Оптимизация контента удержала пользователя, а наличие структурированных локальных данных позволило создать действенный сниппет.

Сценарий 2: E-commerce и кросс-девайс

1. Действие пользователя (Планшет): Пользователь ищет «купить кроссовки Nike Air Max 2025» и несколько раз возвращается к одному и тому же товару в Магазине Б (повторные клики). Позже он ищет тот же товар на телефоне.
2. Обработка системой: Google интерпретирует повторные взаимодействия и кросс-девайс активность как очень высокий интерес. Relevance Score максимальный.
3. Смена контекста (Десктоп): На следующий день (Current Context соответствует порогу Свежести) пользователь открывает google.com на десктопе.
4. Результат: Система показывает Information Item с этим товаром из Магазина Б в блоке недавней активности, напоминая о незавершенной покупке.

Вопросы и ответы