Как Google персонализирует поисковые подсказки (Autocomplete), используя атрибуты пользователя и контекст сессии

Описание

Какую задачу решает

Патент решает задачу повышения релевантности поисковых подсказок (Query Suggestions), предоставляемых пользователю в процессе ввода запроса (partial query) или после его завершения. Стандартные системы подсказок часто полагаются на общую популярность запросов. Данное изобретение направлено на персонализацию подсказок путем учета индивидуальных характеристик пользователя (User Attributes) и его недавней активности (контекста сессии), чтобы предложить наиболее вероятные следующие запросы.

Что запатентовано

Запатентована система и метод для ранжирования поисковых подсказок (suggestions) путем сопоставления профиля User Attributes пользователя с атрибутами, ассоциированными с потенциальными подсказками. Система рассчитывает Bias Measure (Меру смещения), которая количественно определяет вероятность того, что пользователь с определенным атрибутом введет конкретный запрос. Подсказки ранжируются на основе агрегированной оценки (Overall Bias Measure). Кроме того, система может использовать атрибуты и Bias Measures из немедленно предшествующего запроса для влияния на ранжирование подсказок текущего запроса.

Как это работает

Система работает в двух режимах: офлайн и онлайн.

• Офлайн: Система определяет User Attributes (например, интересы, темы) на основе истории взаимодействий пользователя (Indicated Interactions) с документами и локациями, а также истории запросов. Затем она анализирует, какие запросы задают пользователи с определенными атрибутами, и вычисляет Bias Measure для каждой пары (Атрибут, Запрос). Этот показатель учитывает не только частоту запроса, но и важность атрибута для пользователя.
• Онлайн (В реальном времени): Когда пользователь вводит запрос (частичный или полный), система определяет его текущие User Attributes. Для каждой кандидата в подсказки система находит совпадающие атрибуты и агрегирует их Bias Measures в общий показатель (Overall Bias Measure). Подсказки ранжируются на основе этого показателя. Также система может учитывать атрибуты и Bias Measures только что введенного запроса для ранжирования подсказок следующего запроса в этой же сессии.

Актуальность для SEO

Высокая. Персонализация и понимание контекста поисковой сессии являются критически важными направлениями развития современных поисковых систем. Поисковые подсказки (Google Autocomplete) — это ключевая точка входа в поиск, и их адаптация под индивидуальные интересы и текущие намерения пользователя значительно улучшает пользовательский опыт.

Важность для SEO

Влияние на SEO – высокое, но косвенное (7.5/10). Патент не описывает ранжирование веб-результатов, но критически важен для понимания того, как формируется поисковый спрос. Персонализированные подсказки направляют трафик. Если система ассоциирует ваш бренд или тематику с определенными атрибутами пользователей, она будет чаще предлагать связанные с вами запросы этим пользователям. Понимание этого механизма позволяет влиять на то, что и как пользователи ищут в вашей нише.

Детальный разбор

Термины и определения

Bias Measure (Мера смещения)

Показатель, который количественно определяет вероятность отправки запроса (идентифицируемого Query Identifier) пользователями, обладающими определенным User Attribute. Высокий показатель указывает на сильную положительную связь.

Indicated Interactions (Зафиксированные взаимодействия)

Действия пользователя, отслеживаемые системой. Включают взаимодействия с документами (веб-страницы, email, посты в соцсетях, календарные записи, мобильные приложения) и локациями (посещение мест, чекины).

Overall Bias Measure (Общая мера смещения)

Агрегированная оценка для поисковой подсказки, рассчитанная на основе индивидуальных Bias Measures всех атрибутов, которые совпали у пользователя и подсказки.

Overlapping Attributes (Пересекающиеся атрибуты)

Атрибуты пользователя, которые ассоциированы как с предыдущим запросом (или подсказкой), так и с подсказкой для текущего (последующего) запроса. Используются для адаптации подсказок внутри сессии.

Query Attributes and Bias Measures Database

База данных, хранящая Query Identifiers и связанные с ними User Attributes и их Bias Measures.

Query Identifier (Идентификатор запроса)

Представление, которое может идентифицировать один запрос (например, текст запроса), набор связанных запросов или характеристики запросов (например, ключевые слова или сущности, связанные с запросом).

Suggestion System (Система подсказок)

Система (например, Autocomplete), которая идентифицирует и ранжирует поисковые подсказки в ответ на ввод пользователя.

User Attribute (Атрибут пользователя)

Характеристика пользователя, часто выводимая на основе его взаимодействий (Indicated Interactions). Атрибуты могут представлять собой идентификаторы документов, домены, сущности (entities), темы, кластеры сайтов и т.д. Атрибут может иметь вес (Attribute Weight), отражающий его важность для пользователя.

User Attributes Engine

Компонент, отвечающий за анализ взаимодействий пользователя и формирование профиля User Attributes.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализированного ранжирования подсказок и механизм адаптации внутри сессии.

1. Система идентифицирует подсказки для ввода пользователя.
2. Идентифицируются атрибуты пользователя (User Attributes).
3. Для данной подсказки (S1) определяется набор связанных с ней атрибутов пользователя.
4. Для каждого атрибута из набора извлекается Bias Measure (показатель смещения) для S1. Этот показатель основан на истории отправок S1 пользователями, у которых были взаимодействия, связанные с этим атрибутом.
5. Вычисляется Overall Bias Measure для S1 путем агрегации индивидуальных показателей.
6. Определяется ранг S1 на основе этого общего показателя.
7. (Адаптация сессии) Система фиксирует отправку S1 пользователем.
8. Для следующего ввода пользователя идентифицируются новые подсказки (S2).
9. Для подсказки S2 определяются ее атрибуты и выявляются Overlapping Attributes (те, что были связаны и с S1, и с S2).
10. Для S2 вычисляется новый общий показатель смещения. Он основан на комбинации: (а) Bias Measures для S2 и (б) Bias Measures из предыдущего шага (для S1) для пересекающихся атрибутов. Использование показателей от S1 обусловлено тем, что S2 следует за S1.
11. Определяется ранг S2 на основе этого комбинированного показателя.

Claim 13 (Независимый пункт): Фокусируется на механизме адаптации сессии, начиная с отправленного запроса (в отличие от Claim 1, который начинается с подсказки).

1. Система идентифицирует отправленный пользователем запрос (Q1) и его атрибуты/Bias Measures.
2. Для последующего запроса (Q2) идентифицируются подсказки.
3. Определяются Overlapping Attributes между Q1 и подсказками для Q2.
4. Ранжирование подсказок для Q2 основывается на Overall Bias Measure, который учитывает как Bias Measures, специфичные для подсказки Q2, так и Bias Measures из предыдущего запроса Q1 для пересекающихся атрибутов.

Система использует контекст (атрибуты и смещения) непосредственно предшествующего поискового действия для влияния на ранжирование подсказок следующего действия, обеспечивая тем самым последовательность и релевантность в рамках одной поисковой сессии.

Где и как применяется

Изобретение применяется в системе поисковых подсказок (Suggestion System) и затрагивает несколько этапов обработки данных и понимания запросов.

INDEXING / Data Acquisition (Обработка данных о поведении)
Система непрерывно обрабатывает данные о поведении пользователей (Indicated Interactions, Submitted Queries). На этом этапе User Attributes Engine формирует профили пользователей, а Query Attributes Engine вычисляет Bias Measures для пар (Запрос, Атрибут). Это офлайн-процессы.

QUNDERSTANDING – Понимание Запросов
Это основная область применения патента. Система работает в реальном времени в процессе формулирования запроса пользователем (Autocomplete/Suggestions). Она использует предварительно вычисленные данные для персонализации предлагаемых вариантов.

RANKING (Ранжирование подсказок)
Ranking Engine внутри Suggestion System использует вычисленный Overall Bias Measure в качестве одного из ключевых сигналов для определения порядка отображения подсказок.

Входные данные:

• Ввод пользователя (частичный или полный запрос).
• Идентификатор пользователя (для извлечения User Attributes).
• База данных User Attributes and Submitted Queries.
• База данных Query Attributes and Bias Measures.
• Данные о предыдущем запросе в сессии (для контекстного ранжирования).

Выходные данные:

• Отсортированный список персонализированных поисковых подсказок.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы, которые могут иметь множество интерпретаций или направлений развития. Персонализация помогает сузить варианты до наиболее релевантных для конкретного пользователя (например, ввод «apple» для фаната техники и для повара).
• Повторяющиеся задачи и интересы: Сильно влияет на подсказки, связанные с хобби, профессиональными интересами, предпочитаемыми брендами или регулярными задачами пользователя, так как по ним формируются устойчивые User Attributes.
• Конкретные ниши: Влияние заметно в нишах, где у пользователя есть четко выраженные предпочтения (например, e-commerce, путешествия, развлечения).

Когда применяется

• Триггер активации: Ввод пользователем символов в поисковую строку (формирование partial query) или отправка полного запроса (для генерации связанных подсказок).
• Условия применения: Механизм активируется, когда система располагает достаточным объемом данных о пользователе (сформирован профиль User Attributes) и когда для потенциальных подсказок существуют релевантные Bias Measures.
• Контекст сессии: Механизм учета предыдущего запроса активируется, когда система идентифицирует текущий и предыдущий ввод как часть одной поисковой сессии (например, на основе временной близости).

Пошаговый алгоритм

Процесс А: Офлайн-формирование Атрибутов Пользователя

1. Сбор взаимодействий: Идентификация набора документов и/или локаций, с которыми взаимодействовал пользователь (из базы Indicated Interactions).
2. Извлечение атрибутов: Идентификация одного или нескольких атрибутов (сущности, темы, идентификаторы) для каждого документа/локации.
3. Ассоциация и взвешивание: Ассоциация извлеченных атрибутов с пользователем. Вычисление веса (Attribute Weight) для каждого атрибута на основе частоты и характера взаимодействий.
4. Сохранение профиля: Обновление профиля User Attributes пользователя.

Процесс Б: Офлайн-вычисление Bias Measures

1. Идентификация запроса: Выбор Query Identifier (например, из логов запросов).
2. Идентификация атрибута: Выбор User Attribute.
3. Анализ пользователей: Определение набора пользователей, которые обладают данным атрибутом И отправляли данный запрос.
4. Измерение отправок: Определение меры отправок (measure of submissions) данного запроса этими пользователями.
5. Анализ весов атрибута: Определение веса данного атрибута (weight of the user attribute) для этих пользователей.
6. Расчет Bias Measure: Вычисление Bias Measure для пары (Query Identifier, User Attribute) на основе меры отправок и весов атрибута.
7. Сохранение: Ассоциация Bias Measure и User Attribute с Query Identifier в базе данных.

Процесс В: Онлайн-ранжирование подсказок

1. Получение ввода: Идентификация ввода пользователя (запроса).
2. Генерация кандидатов: Идентификация набора потенциальных поисковых подсказок.
3. Получение профиля пользователя: Идентификация User Attributes пользователя.
4. Сопоставление атрибутов: Для данной подсказки определяется набор атрибутов, которые совпадают с атрибутами пользователя.
5. Извлечение Bias Measures: Для каждого совпадающего атрибута извлекается соответствующая Bias Measure.
6. Расчет общей меры: Вычисление Overall Bias Measure для подсказки путем агрегации индивидуальных мер.
7. Ранжирование: Определение позиции подсказки на основе Overall Bias Measure (и других сигналов ранжирования).

Процесс Г: Онлайн-ранжирование с учетом сессии

1. Идентификация контекста: Определение предыдущего отправленного запроса в текущей сессии.
2. Анализ предыдущего запроса: Идентификация атрибутов и Bias Measures, связанных с предыдущим запросом (с учетом профиля пользователя).
3. Идентификация перекрытия: Для подсказки к текущему вводу определяются «перекрывающиеся атрибуты» — те, что связаны и с предыдущим запросом, и с текущей подсказкой.
4. Расчет общей меры (контекстный): Вычисление Overall Bias Measure для текущей подсказки. В расчете используются Bias Measures перекрывающихся атрибутов, взятые из контекста предыдущего запроса (и могут комбинироваться с мерами из Процесса В).
5. Взвешивание: При расчете Bias Measures от предыдущего запроса могут весить меньше, чем Bias Measures от текущего, особенно если между запросами прошло время.
6. Ранжирование: Определение ранга подсказки на основе контекстной Overall Bias Measure.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Являются основой изобретения. Используются Indicated Interactions: просмотры документов, клики по результатам поиска, взаимодействия через различные приложения (почта, социальные сети, календари, просмотр фото). Также используется история отправленных запросов (Submitted Queries).
• Географические факторы: Явно упоминаются взаимодействия с локациями (Interactions with locations) как источник данных для формирования User Attributes.
• Пользовательские факторы: Система строит и использует профиль User Attributes, который является моделью интересов и характеристик пользователя, выведенной из его истории.
• Контентные факторы: Косвенно используются атрибуты контента (темы, сущности), с которым взаимодействовал пользователь, для определения User Attributes.

Какие метрики используются и как они считаются

• User Attribute Weight (Вес атрибута пользователя): Метрика, отражающая важность атрибута для пользователя. Рассчитывается на основе количества взаимодействий с документами/локациями, связанными с этим атрибутом. Может быть нормализована (например, доля взаимодействий с этим атрибутом от общего числа взаимодействий).
• Measure of Submissions (Мера отправок): Количественная метрика отправок конкретного запроса пользователями, обладающими определенным атрибутом.
• Bias Measure (Мера смещения): Ключевая метрика, определяющая вероятность запроса при наличии атрибута. Рассчитывается на основе Measure of Submissions и User Attribute Weight для соответствующей группы пользователей. В патенте приводится пример формулы, основанной на произведении количества отправок и относительного веса взаимодействий: (submissions(Q1,A)) * ((interactions(D1,A) / interactions(A))).
• Overall Bias Measure (Общая мера смещения): Агрегированная оценка для подсказки. Рассчитывается путем объединения (например, усреднения, взвешенной суммы) индивидуальных Bias Measures для всех атрибутов, совпавших у пользователя и подсказки.

Выводы

1. Глубокая персонализация подсказок: Поисковые подсказки формируются не только на основе общей популярности или текстового совпадения, но и глубоко персонализируются. Система строит профиль интересов пользователя (User Attributes) и активно использует его для предсказания следующих шагов.
2. Разнообразие источников данных для профилирования: User Attributes формируются на основе широкого спектра взаимодействий (Indicated Interactions), включая просмотр веб-страниц, использование приложений, email, социальные сети и посещение физических локаций. Это комплексный взгляд на поведение пользователя.
3. Количественная оценка связи интересов и запросов: Метрика Bias Measure позволяет численно оценить, насколько определенный интерес (атрибут) повышает или понижает вероятность ввода конкретного запроса.
4. Критическая роль контекста сессии: Патент явно описывает механизм использования контекста немедленно предшествующего запроса для влияния на подсказки следующего. Это подтверждает, что Google рассматривает поиск как последовательность связанных действий, а не изолированные события.
5. Связь потребления контента и будущего интента: Атрибуты пользователя выводятся из контента, который он потребляет. Это означает, что контент, с которым пользователь взаимодействует сегодня, напрямую влияет на то, какие подсказки он увидит завтра.

Практика

Best practices (это мы делаем)

• Фокус на Topical Authority и четкое таргетирование контента: Создавайте контент, который четко связан с конкретными сущностями, темами и интересами (атрибутами). Это поможет Google ассоциировать ваш сайт с этими атрибутами. Чем четче связь, тем выше вероятность, что взаимодействие с вашим контентом сформирует соответствующий User Attribute у пользователя.
• Стимулирование долгосрочного вовлечения и повторных визитов: Стратегия должна быть направлена на построение отношений с аудиторией. Пользователи, регулярно взаимодействующие с вашим контентом, развивают сильные User Attributes, связанные с вашей тематикой. Это увеличивает вероятность того, что они увидят подсказки, ведущие на ваш сайт или связанные с вашим брендом.
• Оптимизация под всю поисковую сессию (User Journey): Анализируйте, как запросы перетекают друг в друга. Понимайте цепочки запросов. Механизм учета предыдущего запроса (overlapping attributes) означает, что оптимизация должна учитывать последовательность интентов и обеспечивать релевантность на каждом шаге сессии.
• Использование разнообразных форматов и платформ: Поскольку взаимодействия на разных платформах (веб, приложения, локальные данные) учитываются при формировании User Attributes, необходимо поддерживать сильное присутствие в релевантных каналах (например, качественный блог + активные соцсети + оптимизированный локальный профиль).

Worst practices (это делать не надо)

• Ориентация только на объемные общие запросы: Игнорирование специфических интересов и атрибутов целевой аудитории. В условиях персонализированных подсказок общая популярность запроса может уступить место индивидуальной релевантности.
• Использование кликбейта и некачественного контента: Контент, который не удовлетворяет интент и не способствует формированию четких интересов, не приведет к формированию сильных User Attributes. Случайные взаимодействия не создают устойчивых связей для будущих подсказок.
• Изолированный анализ ключевых слов: Рассмотрение каждого ключевого слова в отрыве от контекста сессии и профиля пользователя. Это противоречит логике патента, где контекст и история имеют решающее значение.

Стратегическое значение

Патент подтверждает стратегическую важность перехода от оптимизации под ключевые слова к оптимизации под интересы аудитории и тематики (Topics/Entities). Для SEO это означает, что необходимо фокусироваться на том, чтобы стать частью профиля интересов (User Attributes) целевой аудитории. Персонализация на уровне подсказок также усложняет универсальный анализ частотности запросов, поскольку «видимый» набор популярных подсказок будет отличаться для разных групп пользователей.

Практические примеры

Сценарий 1: Персонализация на основе долгосрочных интересов

1. Профиль пользователя: Пользователь часто читает технические обзоры о фототехнике Canon и посещает соответствующие форумы. Система формирует сильные User Attributes: [«Фотография», «Canon», «Зеркальные камеры»].
2. Ввод пользователя: «Обзор 5D»
3. Стандартные подсказки: Могут быть связаны с кинотеатрами или другими продуктами с маркировкой 5D.
4. Персонализированные подсказки: Система использует User Attributes [«Canon»] и вычисляет высокий Overall Bias Measure для подсказки «Обзор Canon 5D Mark IV». Эта подсказка поднимается на первую позицию.

Сценарий 2: Учет контекста сессии

1. Предыдущий запрос: Пользователь отправляет запрос «Авиабилеты в Барселону». Связанные атрибуты: [«Путешествия», «Барселона»].
2. Следующий ввод (в той же сессии): «Лучшие…»
3. Стандартные подсказки: «Лучшие фильмы», «Лучшие книги».
4. Контекстные подсказки: Система идентифицирует «перекрывающиеся атрибуты» [«Барселона»] между предыдущим запросом и потенциальными подсказками. Bias Measures из предыдущего запроса используются для повышения подсказок «Лучшие рестораны Барселоны» и «Лучшие отели Барселоны».

Вопросы и ответы