Как Яндекс использует контекст пользователя (геолокацию, историю поиска и датчики устройства) для рекомендации мобильных приложений

Описание

Какую задачу решает

Патент решает задачу повышения релевантности и своевременности рекомендаций мобильных приложений. Цель — предложить пользователю наиболее подходящее приложение в нужный момент времени, основываясь на его текущем контексте, а не на общих трендах. Система направлена на улучшение пользовательского опыта путем предоставления своевременных предложений как для скачивания новых приложений (App Discovery), так и для запуска уже установленных (Re-engagement). Патент не направлен на устранение SEO-манипуляций и не улучшает работу веб-поиска.

Что запатентовано

Запатентована система и способ определения контекстуального соответствия мобильного приложения для конкретного пользователя. Суть изобретения заключается в анализе и комбинации двух типов данных: параметров конкретного пользователя (включая его историю поиска, геолокацию, данные с датчиков устройства) и параметров конкретного приложения (например, анализ отзывов). На основе этой комбинации система принимает решение о рекомендации.

Как это работает

Система (которая может функционировать как на сервере, так и непосредственно на устройстве пользователя) собирает и оценивает данные о пользователе для формирования его текущего контекста. Параллельно анализируются характеристики доступных приложений. Ключевым механизмом является определение того, насколько потенциально-рекомендуемое приложение соответствует этому контексту. Если соответствие установлено, система генерирует сигнал запуска, который побуждает электронное устройство показать пользователю визуальную рекомендацию скачать или использовать приложение.

Актуальность для SEO

Средняя. Персонализированные и контекстные рекомендательные системы являются стандартом для мобильных экосистем (Google Play, App Store). Описанные в патенте принципы использования геолокации, истории поиска и данных сенсоров актуальны. Однако патент датирован 2014 годом, и современные системы, вероятно, используют значительно более сложные модели машинного обучения. Актуальность для веб-поиска Яндекса низкая.

Важность для SEO

Влияние на Web SEO минимальное (1/10). Патент не имеет прямого отношения к ранжированию веб-документов в органическом поиске Яндекса. Он не описывает факторы качества сайтов, алгоритмы обработки веб-запросов или механизмы веб-ранжирования. Изобретение полностью сфокусировано на экосистеме мобильных приложений и механизмах их рекомендации (ближе к ASO — App Store Optimization). Для специалистов, занимающихся продвижением сайтов, этот патент не предоставляет практических инсайтов.

Детальный разбор

Термины и определения

Контекстуальное соответствие (Contextual Relevance)

Ключевая метрика, определяющая, насколько приложение релевантно для пользователя в данный момент времени с учетом его окружения, намерений и предыдущих действий.

Параметр конкретного пользователя (User Parameter)

Данные, характеризующие пользователя и его контекст. Включают историю взаимодействия с приложениями и поисковой системой, географическое местоположение, данные с датчиков устройства.

Параметр конкретного приложения (Application Parameter)

Данные, характеризующие приложение. В патенте в качестве примера приводится анализ отзывов других пользователей.

Потенциально-рекомендуемое приложение

Приложение-кандидат для рекомендации. Может быть как еще не установленным (рекомендация скачать), так и уже установленным (рекомендация использовать).

Сигнал запуска (Trigger Signal)

Команда, отправляемая сервером на электронное устройство (или генерируемая локально), которая инициирует показ визуальной рекомендации приложения.

Электронное устройство

Устройство пользователя (например, смартфон, планшет), на котором выполняются приложения и собираются данные о пользователе (GPS, сенсоры).

Ключевые утверждения (Анализ Claims)

Патент описывает гибкую систему рекомендаций, которая может работать как на стороне сервера, так и на стороне клиента, и предлагать как новые, так и установленные приложения.

Claim 1 (Независимый пункт, Серверная реализация): Описывает способ, выполняемый на сервере, для предложения приложения к скачиванию.

1. Сервер оценивает по меньшей мере один параметр конкретного пользователя.
2. Сервер оценивает по меньшей мере один параметр конкретного приложения.
3. Определяется, является ли приложение контекстуально соответствующим пользователю на основе комбинации этих двух типов параметров.
4. Если соответствие установлено, сервер передает на электронное устройство сигнал запуска, который инструктирует устройство показать визуальную рекомендацию для скачивания.

Claim 17 (Независимый пункт, Клиентская реализация): Описывает аналогичный способ (как в Claim 1), но выполняемый непосредственно на электронном устройстве пользователя.

• Устройство само оценивает параметры пользователя и приложения, определяет контекстуальное соответствие и отображает рекомендацию на экране (без сигнала запуска с сервера).

Claims 2, 3, 18, 19 (Зависимые пункты, Параметры пользователя): Детализируют источники данных для параметров пользователя. Система учитывает один или несколько из следующего:

• (i) Взаимодействие пользователя в прошлом с другим приложением.
• (ii) Взаимодействие пользователя в прошлом с поисковой системой.
• (iii) Географическое местоположение пользователя (например, GPS, Claims 4, 20).
• (iv) Данные, связанные с датчиками электронного устройства (Claims 5, 21).

Claims 7, 23 (Зависимые пункты): Уточняют использование истории поиска. Процесс включает получение истории поисковых запросов от сервера поисковой системы и определение по меньшей мере одной цели поиска (интента) на ее основе.

Claims 10, 26 (Зависимые пункты, Рекомендация использования): Расширяют способ для рекомендации уже установленных приложений.

• Система проверяет контекстуальное соответствие установленного приложения и, если оно установлено, инициирует рекомендацию по его использованию (повторное вовлечение).

Claims 12-14, 28-30 (Зависимые пункты, Параметры приложения): Уточняют оценку параметров приложения.

• Оценка включает анализ отзывов других пользователей (Claims 12, 28).
• Для анализа может применяться алгоритм машинного обучения (Claims 13, 29).
• Анализ может включать создание аннотации приложения заранее определенного формата (Claims 14, 30).

Где и как применяется

Важно отметить, что данное изобретение не применяется в стандартной архитектуре веб-поиска Яндекса (CRAWLING, INDEXING, QUERY PROCESSING, RANKING, BLENDER).

Оно относится к отдельной Рекомендательной системе мобильных приложений. Эта система может быть интегрирована в продукты мобильной экосистемы Яндекса (например, магазины приложений, персонализированные лончеры, виджеты или главное приложение Яндекса).

Среда выполнения и взаимодействие:

• Система может работать как на сервере (Claims 1, 36), так и локально на устройстве пользователя (Claims 17, 37, 38).
• Она взаимодействует с электронным устройством для сбора локальных данных (GPS, сенсоры, использование приложений) и отображения рекомендаций.
• Она взаимодействует с сервером поисковой системы для получения истории поисковых запросов пользователя (Claims 7, 23).

Входные данные: Параметры пользователя (история поиска, локация, использование приложений, данные сенсоров) и параметры приложений (отзывы, аннотации).

Выходные данные: Решение о контекстуальном соответствии и сигнал запуска (или прямое отображение) визуальной рекомендации.

На что влияет

Алгоритм влияет исключительно на видимость, частоту скачиваний и вовлеченность в использование мобильных приложений в рамках данной рекомендательной системы.

Он не оказывает влияния на:

• Ранжирование веб-контента (статьи, товары, локальные страницы).
• Обработку типов веб-запросов в поиске.
• SEO для конкретных ниш или тематик в веб-поиске (YMYL и т.д.).

Когда применяется

Система работает проактивно, оценивая контекст пользователя.

• Триггеры активации: Изменение контекста пользователя, которое приводит к тому, что определенное приложение становится контекстуально соответствующим. Примеры триггеров: смена географического местоположения (пользователь приехал на вокзал), недавняя активность в поиске, указывающая на цель поиска (пользователь искал такси), данные с датчиков (пользователь начал движение).
• Частота применения: Может применяться в режиме реального времени при изменении контекстуальных сигналов.

Пошаговый алгоритм

Процесс выработки рекомендации (общий для серверной и клиентской реализации):

1. Сбор и оценка параметров пользователя. Система получает данные из различных источников:
   • Получение истории поисковых запросов и определение целей поиска.
   • Получение текущей геолокации (данные GPS).
   • Получение истории взаимодействия с другими приложениями.
   • Получение данных с датчиков устройства.
2. Сбор и оценка параметров приложения (для кандидатов). Система анализирует характеристики потенциально-рекомендуемых приложений:
   • Анализ отзывов других пользователей (с возможным применением машинного обучения).
   • Создание или извлечение аннотации приложения.
3. (Опционально) Определение контекстуальной информации. Агрегация параметров пользователя для формирования понимания текущего контекста (Claims 8, 9, 24, 25).
4. Определение контекстуального соответствия. Вычисление метрики соответствия приложения текущему контексту пользователя на основе комбинации параметров пользователя и приложения. Этот шаг выполняется как для новых (Claim 1, 17), так и для уже установленных приложений (Claim 10, 26).
5. Принятие решения и исполнение. Если приложение признано контекстуально соответствующим:
   • В серверной реализации: Передача сигнала запуска на устройство.
   • В клиентской реализации: Немедленное отображение визуальной рекомендации на экране.

Какие данные и как использует

Данные на входе

Система использует широкий спектр персональных и контекстных данных. Факторы, традиционные для веб-SEO (контентные факторы веб-страниц, ссылочные, технические факторы сайта), в данном патенте не упоминаются.

• Поведенческие факторы:
  • Взаимодействие пользователя в прошлом с другими приложениями (история использования) (Claims 2, 6, 18, 22).
  • Взаимодействие пользователя в прошлом с поисковой системой (история поисковых запросов) (Claims 2, 7, 18, 23).
• Географические факторы: Географическое местоположение пользователя (данные от устройства GPS) (Claims 2, 4, 18, 20).
• Пользовательские/Технические факторы (Устройство): Данные, связанные с датчиками электронного устройства (сенсоры) (Claims 2, 5, 18, 21).
• Внешние данные (о приложениях): Отзывы других пользователей, связанные с потенциально-рекомендуемым приложением (Claims 12, 28).

Какие метрики используются и как они считаются

• Контекстуальное соответствие: Ключевая метрика патента. Патент не предоставляет конкретной формулы расчета, но указывает, что это результат «комбинации» параметров пользователя и параметров приложения.
• Цель поиска: Метрика, определяемая на основе анализа пользовательской истории поисковых запросов (Claims 7, 23). Используется для понимания текущего намерения пользователя.
• Алгоритмы машинного обучения (ML): Упоминается применение ML для анализа отзывов пользователей о приложении (Claims 13, 29). Это позволяет оценить качество и функциональность приложения автоматически.
• Аннотация приложения: Структурированное описание приложения, созданное в заранее определенном формате на основе анализа отзывов (Claims 14, 30). Используется как параметр приложения при расчете соответствия.

Выводы

1. Патент не про веб-поиск: Изобретение описывает систему рекомендаций мобильных приложений и не имеет отношения к алгоритмам ранжирования сайтов в Яндексе. Практических выводов для SEO специалистов нет.
2. Глубокая контекстуализация и персонализация: Ключевой механизм — определение контекстуального соответствия. Система стремится предложить нужное приложение в нужный момент, основываясь на текущей ситуации пользователя.
3. Широкий сбор и кросс-сервисное использование данных: Для формирования контекста Яндекс использует разнообразные источники: историю веб-поиска, точную геолокацию (GPS), историю использования приложений и данные с физических датчиков устройства.
4. Два типа рекомендаций (Скачать vs Использовать): Система не только помогает находить новые приложения (установки), но и стимулирует повторное вовлечение (re-engagement) в уже установленные, если они релевантны текущему контексту.
5. Гибкая архитектура: Патент предусматривает как серверную, так и клиентскую (локально на устройстве) реализацию логики выработки рекомендаций.
6. Автоматическая оценка приложений (ML): Яндекс использует машинное обучение для анализа пользовательских отзывов и создания аннотаций приложений, что позволяет масштабировать процесс оценки качества и функциональности приложений.

Практика

ВАЖНО: Патент является инфраструктурным и описывает систему рекомендаций мобильных приложений. Он не дает практических выводов или рекомендаций для SEO-продвижения веб-сайтов.

Best practices (это мы делаем)

Нет применимых практик для веб-SEO. Патент не содержит информации, которая может быть использована для улучшения ранжирования сайтов в поиске Яндекс.

Патент релевантен для специалистов по ASO (App Store Optimization) и косвенно подтверждает важность:

• Работы с отзывами: Отзывы анализируются системой (в том числе с помощью ML) для оценки параметров приложения.
• Соответствия контекстам использования: Приложения, решающие задачи пользователей в специфических контекстах (локальных, связанных с поисковыми интентами), имеют больше шансов быть рекомендованными этой системой.

Worst practices (это делать не надо)

Нет применимых практик для веб-SEO.

Стратегическое значение

Стратегическое значение для SEO минимально. Патент демонстрирует компетенции Яндекса в области глубокой персонализации и использовании контекстных сигналов (включая физические, такие как GPS и сенсоры) для улучшения пользовательского опыта в своих продуктах. Он подтверждает, как данные из одного сервиса (Веб-поиск) используются для повышения качества другого (Рекомендации приложений), укрепляя экосистему Яндекса, но не оказывает влияния на стратегии веб-SEO.

Практические примеры

Практических примеров применения для веб-SEO нет.

Ниже приведен пример работы описанной системы для рекомендации приложений.

Сценарий: Контекстная рекомендация приложения такси

1. Сбор параметров пользователя:
   • Геолокация (GPS): Пользователь находится в аэропорту.
   • История поиска: Пользователь недавно искал «как добраться из аэропорта в центр» (определена цель поиска).
   • Датчики: Устройство активно используется.
2. Определение контекста: Пользователь прибыл в новый город и нуждается в транспорте.
3. Оценка приложения: Система анализирует приложение для заказа такси. Отзывы положительные, аннотация подтверждает функциональность.
4. Контекстуальное соответствие: Приложение такси высоко соответствует контексту пользователя.
5. Рекомендация: Пользователю показывается рекомендация скачать приложение такси (если не установлено) или использовать его (если установлено).

Вопросы и ответы