Как Google определяет, когда и о чем уведомлять пользователя на основе его интересов и состояния взаимодействия с сущностями

Описание

Какую задачу решает

Патент решает проблему определения того, когда и какую информацию следует проактивно предоставлять пользователю в виде уведомлений (например, в системах типа Google Discover). Задача состоит в том, чтобы не перегружать пользователя уведомлениями о каждой сущности, которая ему интересна, а предоставлять только релевантную, своевременную и полезную информацию, учитывая контекст и предыдущие взаимодействия пользователя с этой сущностью.

Что запатентовано

Запатентована система проактивного предоставления информации, использующая двухэтапную модель оценки. Система определяет First Score (уровень интереса пользователя к сущности) и Second Score (уверенность в том, что пользователь должен получить уведомление об этой сущности). Second Score рассчитывается с помощью модели машинного обучения, учитывающей First Score и дополнительные сигналы (популярность, обратная связь). Если порог пройден, система определяет Interaction State пользователя с сущностью, чтобы выбрать наиболее подходящую информацию для доставки.

Как это работает

Система работает следующим образом:

• Определение интересов: Анализируется онлайн-профиль пользователя (история поиска, местоположения, потребленный контент) для выявления интересующих его сущностей (Entities) и расчета First Score для каждой.
• Оценка необходимости уведомления: Для сущностей рассчитывается Second Score с помощью ML-модели. Учитываются First Score, тип сущности, ее популярность, близость пользователя и обратная связь других пользователей о подобных уведомлениях.
• Проверка порога: Если Second Score превышает порог, система переходит к получению информации.
• Анализ состояния взаимодействия (Interaction State): Система определяет, как пользователь уже взаимодействовал с сущностью (например, купил билет на фильм).
• Выбор информации: Извлекается информация (например, из Knowledge Graph), которая логически следует за текущим Interaction State (например, дата выхода фильма на DVD после просмотра в кинотеатре).
• Доставка уведомления: Информация предоставляется пользователю с учетом рассчитанного Viewing Window (окна просмотра) и интенсивности уведомления.

Актуальность для SEO

Высокая. Патент описывает фундаментальные механизмы работы систем проактивной доставки контента, таких как Google Discover, ленты новостей и ассистенты. По мере того как Google все больше полагается на персонализацию и понимание сущностей (Entities) для удовлетворения информационных потребностей пользователей без явного запроса, актуальность этого патента только возрастает.

Важность для SEO

Патент имеет высокое значение (75/100) для SEO, особенно в контексте оптимизации под Google Discover и понимания роли сущностей. Он не описывает алгоритмы ранжирования веб-поиска, но детально раскрывает, как Google использует Knowledge Graph и данные о пользователях для проактивного распространения информации. Понимание этих механизмов критично для стратегий, направленных на повышение видимости контента через персонализированные каналы Google.

Детальный разбор

Термины и определения

Entity (Сущность)

Вещь или концепция, которая является сингулярной, уникальной и четко определенной (например, человек, место, предмет, идея). В контексте патента — это объект интереса пользователя.

First Score (Первая оценка)

Метрика, представляющая уровень уверенности (level of confidence) в том, что пользователь заинтересован в конкретной сущности. Рассчитывается на основе онлайн-профиля пользователя.

Second Score (Вторая оценка)

Метрика, указывающая на уровень уверенности в том, что пользователь должен получить уведомления (notifications), связанные с сущностью. Рассчитывается на основе First Score и дополнительных сигналов.

Knowledge Graph (Граф знаний)

База данных, организованная в виде графа, где узлы представляют сущности, а ребра — отношения между ними. Используется как источник информации о сущностях и их атрибутах.

Interaction State (Состояние взаимодействия)

Описание того, как пользователь взаимодействовал (engaged) с конкретной сущностью. Определяется на основе онлайн-профиля пользователя.

Online Profile (Онлайн-профиль пользователя)

Данные, описывающие активность пользователя в различных веб-сервисах (например, история поиска, социальные сети, потребленный контент, история местоположений, чекины).

Viewing Window (Окно просмотра)

Временной интервал, определяющий, когда информация должна быть представлена пользователю относительно определенного момента времени (например, до или после события).

Finality (Степень завершенности события)

Метрика, представляющая количество оставшихся возможных повторений события. Используется для корректировки Viewing Window (например, разовый концерт имеет высокую Finality).

Notification Value (Ценность уведомления)

Данные, используемые для обучения ML-модели (см. FIG. 8). Указывают на желание пользователя получать уведомления, связанные с сущностью.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс предоставления уведомлений.

1. Система получает набор сущностей для пользователя. Каждая сущность имеет First Score (уровень интереса), рассчитанный на основе сопоставления интересов пользователя с сущностями в Knowledge Graph.
2. Для сущности определяется Second Score (уверенность в необходимости уведомления) на основе First Score и дополнительных сигналов (additional signals).
3. Проверяется, удовлетворяет ли Second Score пороговому значению.
4. Если ДА, система получает информацию (атрибуты), связанную с сущностью.
5. Информация предоставляется в виде уведомления пользователю.

Claim 3 (Зависимый от 1): Детализирует расчет Second Score и дополнительные сигналы.

1. Дополнительные сигналы включают: популярность сущности, близость пользователя к геолокации сущности и обратную связь от других пользователей, получавших уведомления об этой сущности.
2. First Score и дополнительные сигналы подаются на вход обученной системы машинного обучения (trained machine learning system) для расчета Second Score.

Claim 4 (Зависимый от 1): Детализирует процесс получения информации.

1. Идентифицируется Interaction State пользователя с сущностью на основе данных пользователя.
2. Определяется, какие именно атрибуты следует получить, основываясь на этом Interaction State.

Claim 6 (Зависимый от 4): Уточняет, как выбираются атрибуты.

Выбираются атрибуты, которые логически следуют (logically follow) за текущим Interaction State пользователя с сущностью.

Claim 10 (Зависимый от 1): Детализирует процесс предоставления информации.

1. Информации назначается Viewing Window, определяющее время ее показа.
2. Информация представляется пользователю на основе этого окна.

Claim 11 (Зависимый от 10): Описывает модификацию Viewing Window.

Viewing Window может быть изменено на основе сигналов, указывающих на популярность сущности, уровень интереса пользователя к сущности или степень завершенности (finality) события, описываемого информацией.

Где и как применяется

Этот патент описывает систему, работающую параллельно основному поиску и отвечающую за проактивное информирование пользователя (например, Google Discover, Google Assistant Notifications).

INDEXING – Индексирование / Knowledge Graph
Система критически зависит от Knowledge Graph. На этом этапе происходит сбор и структурирование данных о сущностях, их типах, атрибутах и связях (схемы). Knowledge Graph служит основным источником фактов, которые используются для уведомлений.

Персонализация и обработка пользовательских данных (Аналог QUNDERSTANDING)
Система непрерывно обрабатывает Online Profile пользователя (история поиска, местоположение, потребление медиа). На этом этапе вычисляются First Scores (интересы пользователя в сущностях) и определяются Interaction States пользователя с этими сущностями.

Проактивное ранжирование (Аналог RANKING)
Процесс двухэтапной оценки (First Score и Second Score) является механизмом ранжирования, который определяет, какие уведомления следует отправить пользователю. ML-модель для расчета Second Score выполняет функцию выбора и ранжирования потенциальных уведомлений.

Доставка уведомлений (Аналог RERANKING / Presentation)
На финальном этапе система определяет формат доставки. Применяются правила корректировки Viewing Window и интенсивности уведомления в зависимости от контекста (популярность, важность события).

Входные данные:

• Online Profile пользователя (история поиска, локации, активность).
• Данные из Knowledge Graph (сущности, атрибуты, события).
• Внешние сигналы (популярность сущностей, тренды).
• Обратная связь от пользователей о полезности уведомлений.

Выходные данные:

• Уведомление для пользователя (содержащее информацию о сущности).
• Метаданные уведомления (Viewing Window, интенсивность).

На что влияет

• Конкретные типы контента и сущностей: Наибольшее влияние оказывается на сущности с четко определенными атрибутами и событиями, описанными в Knowledge Graph: фильмы, музыкальные исполнители, авторы, ТВ-шоу, концерты, книги.
• Специфические запросы: Влияет на удовлетворение информационных потребностей пользователя без явного запроса (Zero-Query Search).
• Форматы контента: Влияет на доставку информации в формате уведомлений или карточек (notification cards), которые могут включать ссылки на действия (например, покупка билетов).

Когда применяется

• Триггеры активации: Система активируется для сущностей, к которым пользователь проявил интерес (First Score), и для которых система уверена в необходимости уведомления (Second Score превышает порог).
• Условия применения: Применяется, когда доступна новая или обновленная информация о сущности (например, свежие новости, предстоящие события), которая релевантна текущему Interaction State пользователя.
• Временные рамки: Доставка информации происходит в рамках определенного Viewing Window, которое может корректироваться.

Пошаговый алгоритм

Этап 1: Определение интересов и предварительная оценка

1. Сбор данных: Система получает набор сущностей для пользователя, ассоциированных с First Score (уровень интереса), на основе анализа Online Profile.
2. Расчет Second Score: Для одной или нескольких сущностей вычисляется Second Score (необходимость уведомления). First Score и дополнительные сигналы (тип сущности, популярность, близость, обратная связь) подаются на вход ML-модели.
3. Проверка порога: Определяется, удовлетворяет ли Second Score пороговому значению.
   • Если НЕТ: Процесс останавливается для этой сущности.
   • Если ДА: Перейти к Этапу 2.

Этап 2: Получение и фильтрация информации

4. Определение Interaction State: Система идентифицирует текущее состояние взаимодействия пользователя с сущностью на основе Online Profile.
5. Выбор релевантных атрибутов: Определяются атрибуты сущности, информация о которых логически следует за текущим Interaction State. Также учитывается свежесть информации (freshness).
6. Получение информации: Система извлекает данные для выбранных атрибутов из источников (например, Knowledge Graph или публичные базы данных).

Этап 3: Подготовка и доставка уведомления

7. Назначение Viewing Window: Информации назначается стандартное окно просмотра.
8. Корректировка Viewing Window: Окно просмотра может быть расширено или сужено на основе популярности сущности, уровня интереса пользователя (First Score) и степени завершенности события (Finality).
9. Определение интенсивности: Определяется интенсивность уведомления (визуальное, звуковое, вибрация) на основе уровня интереса пользователя.
10. Формирование уведомления: Создается уведомление (например, notification card) с заголовком, описанием и ссылками для действий.
11. Предоставление информации: Информация предоставляется пользователю (или системе уведомлений) для показа в рамках Viewing Window.

Какие данные и как использует

Данные на входе

Система использует обширный набор данных, преимущественно связанных с пользователем и сущностями.

• Поведенческие факторы (Ключевые): История веб-поиска, потребленный контент (видео, музыка), история местоположений, чекины, данные из социальных сетей. Используются для расчета First Score и определения Interaction State. Также используется обратная связь пользователей (игнорирование, взаимодействие, прямая оценка) о предыдущих уведомлениях.
• Данные о сущностях (Ключевые): Данные из Knowledge Graph: тип сущности, атрибуты (даты релизов, места проведения концертов), связи между сущностями.
• Временные факторы: Свежесть (freshness) информации о сущности. Даты событий, связанных с сущностью.
• Географические факторы: Близость (proximity) пользователя к геолокации, связанной с сущностью (например, место концерта).
• Системные метрики: Популярность сущности (количество веб-поисков, тренды в социальных сетях, кассовые сборы и т.д.).

Какие метрики используются и как они считаются

• First Score: Уровень интереса пользователя к сущности. Рассчитывается на основе частоты и характера упоминания сущности в Online Profile.
• Second Score: Уверенность в необходимости уведомления. Рассчитывается с помощью обученной ML-модели. Входные признаки: First Score, тип сущности, популярность, близость, обратная связь других пользователей.
• Interaction State: Качественная оценка текущего этапа взаимодействия пользователя с сущностью.
• Finality: Степень завершенности события. Чем меньше осталось повторений события, тем выше Finality.
• Алгоритмы машинного обучения: Используется обученная модель для определения весовых коэффициентов (weighting factors) различных сигналов при расчете Second Score. Обучение происходит на данных, включающих сущности, сигналы и Notification Value (явная оценка желания получать уведомления).

Выводы

1. Двухэтапная фильтрация уведомлений: Google не просто отправляет уведомления о том, что интересует пользователя (First Score). Система применяет второй уровень оценки (Second Score), использующий ML-модель для определения целесообразности уведомления, учитывая глобальные сигналы (популярность) и коллективную обратную связь.
2. Критичность Interaction State: Система глубоко анализирует контекст взаимодействия пользователя с сущностью. Это позволяет избежать отправки неактуальной информации (например, предложение купить билет на уже посещенное мероприятие) и выбирать только ту информацию, которая логически продолжает взаимодействие.
3. Зависимость от Knowledge Graph: Проактивная доставка информации напрямую зависит от качества и полноты данных в Knowledge Graph. Сущности и их атрибуты (события, даты, места) должны быть корректно структурированы, чтобы система могла их использовать.
4. Персонализация времени доставки: Система использует концепцию Viewing Window, которая динамически корректируется. Важные (высокий интерес пользователя) или уникальные события (высокая Finality) получают более широкое окно показа, чем рядовые события.
5. Ориентация на действия: Уведомления часто содержат ссылки, позволяющие пользователю совершить действие (купить билет, посмотреть трейлер), что подчеркивает фокус системы на полезности и вовлечении.

Практика

Best practices (это мы делаем)

• Оптимизация сущностей (Entity Optimization): Убедитесь, что ключевые сущности вашего бренда (продукты, авторы, компания, мероприятия) корректно представлены и однозначно идентифицированы в Knowledge Graph. Это базовое требование для того, чтобы Google мог использовать вашу информацию в проактивных уведомлениях.
• Использование структурированных данных для событий и релизов: Тщательно размечайте предстоящие события (концерты, вебинары) с помощью Schema.org (например, Event) и даты релизов продуктов/контента. Эта информация может быть извлечена Google и использована для уведомления заинтересованных пользователей в нужное время (Viewing Window).
• Создание контента, подтверждающего интерес к теме: Поскольку First Score основан на активности пользователя, публикация качественного контента, который пользователи активно ищут и потребляют, увеличивает вероятность того, что связанные с этим контентом сущности попадут в сферу интересов пользователя и станут кандидатами на уведомления.
• Стимулирование вовлеченности и популярности: Популярность сущности является важным сигналом для расчета Second Score. Маркетинговые активности, повышающие количество поисковых запросов и обсуждений сущности в сети, увеличивают вероятность отправки уведомлений о ней.

Worst practices (это делать не надо)

• Игнорирование Knowledge Graph и сущностей: Фокус исключительно на ключевых словах без учета того, как контент связан с сущностями в Knowledge Graph, снижает видимость в системах проактивной доставки (Discover).
• Предоставление устаревшей или неточной информации: Система учитывает свежесть (freshness) данных. Публикация неточных дат или устаревшей информации о событиях приведет к плохому пользовательскому опыту и, вероятно, к негативной обратной связи, что снизит Second Score в будущем.
• Попытки манипулировать популярностью искусственно: Хотя популярность является фактором, попытки грубой накрутки сигналов интереса могут быть отфильтрованы Google и не приведут к устойчивому росту видимости в персонализированных каналах.

Стратегическое значение

Патент подтверждает стратегический курс Google на развитие поиска без запроса (Zero-Query Search) и глубокую персонализацию. Для SEO это означает необходимость смещения фокуса с традиционной оптимизации страниц под запросы на оптимизацию сущностей и их атрибутов. Стратегия должна включать управление присутствием бренда в Knowledge Graph и обеспечение того, чтобы сайт являлся авторитетным источником актуальной информации о связанных с ним сущностях. Это критически важно для получения трафика из Google Discover и аналогичных систем.

Практические примеры

Сценарий: Оптимизация релиза нового продукта (например, книги)

1. Действие (До релиза): Создать сущность для книги в Knowledge Graph (через Wikidata, Google Books, качественную разметку Book на сайте издательства). Активно продвигать книгу, стимулируя поисковый интерес и обсуждения.
2. Результат (Система): Пользователи, интересующиеся автором или жанром (высокий First Score), видят информацию о книге. Популярность книги растет (сигнал для Second Score).
3. Действие (В момент релиза): Опубликовать новость о выходе книги, обновить дату релиза на официальном сайте. Убедиться, что на сайте есть четкие ссылки для покупки (действия).
4. Результат (Система): Система рассчитывает высокий Second Score. Определяет Interaction State пользователей (ожидание релиза). Выбирает атрибут «Дата релиза» и «Ссылки на покупку». Отправляет уведомление в рассчитанное Viewing Window.
5. Ожидаемый результат (SEO): Получение целевого трафика из Google Discover/Notifications от пользователей, заинтересованных в покупке книги, в наиболее подходящий момент времени.

Вопросы и ответы