Как Яндекс использует контекст пользователя (местоположение, сенсоры, историю веб-поиска) для рекомендации мобильных приложений

Описание

Какую задачу решает

Патент решает задачу повышения обнаруживаемости (discoverability) мобильных приложений в крупных репозиториях (например, Yandex.Store). Он направлен на улучшение пользовательского опыта за счет предоставления персонализированных и контекстуально релевантных рекомендаций, вместо того чтобы полагаться только на общие чарты популярности или ручной поиск пользователя. Патент не устраняет SEO-манипуляции и не относится к ранжированию веб-поиска.

Что запатентовано

Запатентован метод и система для генерации контекстных рекомендаций приложений. Суть изобретения заключается в агрегации широкого спектра user-specific parameters (включая историю веб-поиска, геолокацию, данные сенсоров, демографию) для определения текущего контекста пользователя и сопоставлении этого контекста с application-specific parameters (категория, теги, анализ отзывов) для определения contextual relevance.

Как это работает

Система (которая может работать как на сервере, так и на устройстве пользователя) непрерывно собирает данные о пользователе. Это включает мониторинг местоположения (GPS, POI), физической активности (данные акселерометра, барометра), используемых приложений, статуса соединения (WiFi/4G) и, что критически важно, истории поисковых запросов для определения search intent. Параллельно система анализирует доступные приложения, извлекая их характеристики, в том числе с помощью анализа отзывов других пользователей (используя ML). Когда комбинация пользовательских и прикладных параметров указывает на релевантность (например, пользователь находится в спортзале и ранее искал диеты), система генерирует рекомендацию скачать новое приложение или использовать уже установленное.

Актуальность для SEO

Высокая (для мобильных экосистем и ASO). Контекстные рекомендации, использование данных сенсоров и кросс-сервисная персонализация (использование истории поиска в рекомендациях приложений) являются центральными элементами современных мобильных платформ и рекомендательных движков.

Важность для SEO

Влияние на веб-SEO низкое (3/10). Патент не описывает алгоритмы ранжирования веб-поиска и фокусируется на ASO (App Store Optimization). Однако он имеет стратегическое значение, поскольку раскрывает возможности Яндекса по глубокому сбору и анализу пользовательских данных для понимания контекста и намерений. Он подтверждает, что Яндекс агрегирует историю поиска, местоположение и данные с устройства для профилирования пользователя — данные, которые также могут использоваться для персонализации веб-выдачи (Ranking L4).

Детальный разбор

Термины и определения

Application-specific parameter (Параметр, специфичный для приложения)

Характеристика приложения. Включает категорию, теги, рейтинг, стоимость, а также характеристики, извлеченные из отзывов пользователей (например, «простой интерфейс», «быстро разряжает батарею»).

Computing Apparatus (Вычислительное устройство)

Обобщенный термин для устройства, выполняющего метод. Это может быть сервер или электронное устройство пользователя (смартфон).

Contextually Relevant (Контекстуально релевантный)

Приложение, которое соответствует текущей ситуации, местоположению, времени или предполагаемому намерению пользователя.

Potentially-recommended application (Потенциально рекомендуемое приложение)

Приложение-кандидат для рекомендации. Может относиться как к новому приложению для загрузки, так и к уже установленному приложению (Potentially-recommended installed application).

Search Intent (Поисковое намерение)

Предполагаемая цель пользователя, определенная на основе анализа истории его поисковых запросов в поисковой системе.

User-specific parameter (Параметр, специфичный для пользователя)

Данные, описывающие пользователя и его контекст. Включают историю использования приложений, историю поисковых запросов, геолокацию (координаты, маршруты, POI), данные сенсоров (акселерометр, гироскоп, датчик давления), статус соединения, демографические данные и т.д.

Ключевые утверждения (Анализ Claims)

Патент описывает систему рекомендаций приложений, которая может работать как на стороне сервера, так и на стороне клиента, и охватывает как рекомендации по загрузке новых приложений, так и рекомендации по использованию установленных.

Claim 1 (Независимый пункт): Описывает метод, выполняемый на сервере, для предложения загрузки нового приложения.

1. Получение (Appreciating) как минимум одного user-specific parameter.
2. Получение как минимум одного application-specific parameter для потенциально рекомендуемого приложения.
3. Определение contextual relevance приложения на основе комбинации (1) и (2).
4. Если приложение контекстуально релевантно, отправка триггера на устройство пользователя, который вызывает показ визуальной рекомендации для загрузки этого приложения.

Claim 2 (Зависимый от 1): Уточняет типы user-specific parameters.

Параметры пользователя включают по крайней мере одно из: (i) прошлое взаимодействие с другим приложением, (ii) прошлое взаимодействие с поисковой системой, (iii) геолокация пользователя, (iv) данные сенсоров устройства.

Claim 7 (Зависимый от 2): Уточняет механизм использования данных поисковой системы.

Взаимодействие с поисковой системой включает получение истории поисковых запросов пользователя и определение на ее основе как минимум одного search intent.

Claim 10 (Зависимый от 1): Расширяет метод на рекомендацию уже установленных приложений.

Система также определяет параметры для установленного приложения и проверяет его контекстную релевантность. Если оно релевантно, триггер также вызывает рекомендацию использовать это установленное приложение.

Claim 12 (Зависимый от 1): Уточняет механизм определения application-specific parameters.

Получение параметров приложения может включать анализ отзывов других пользователей об этом приложении. (Claim 13 уточняет, что для анализа может применяться машинное обучение).

Claim 17 (Независимый пункт): Описывает аналогичный метод (как в Claim 1), но выполняемый локально на электронном устройстве пользователя (Client-side).

Где и как применяется

Этот патент не описывает архитектуру веб-поиска Яндекса (CRAWLING, INDEXING, RANKING). Он описывает систему рекомендаций мобильных приложений (например, в Yandex.Store или Yandex Launcher). Однако механизмы сбора данных и анализа намерений тесно связаны с компонентами веб-поиска.

CRAWLING & DATA ACQUISITION (Сбор данных о пользователе)
Система предполагает наличие инфраструктуры для сбора огромного массива данных о пользователе с его электронного устройства (смартфона/планшета). Это включает данные сенсоров, статус устройства, активность в приложениях и логи поисковых запросов.

QUERY PROCESSING – Понимание Запросов (Анализ намерений)
Ключевым компонентом системы является анализ истории поисковых запросов для определения search intent (Claim 7). Это используется для понимания интересов пользователя (например, интерес к «спортивным диетам»). Это напрямую указывает на возможности Яндекса по анализу намерений, которые используются и в веб-поиске.

RANKING (Персонализация и Контекст)
Хотя патент ранжирует приложения, а не веб-страницы, он демонстрирует методологию Яндекса для определения contextual relevance. Система строит глубокий профиль пользователя, учитывая его текущую ситуацию (место, время, активность). Это те же механизмы, которые могут применяться на уровне L4 (Personalization) веб-поиска для адаптации выдачи к контексту.

На что влияет

• Основное влияние: Обнаруживаемость и вовлеченность мобильных приложений (ASO).
• Типы контента: Влияет только на мобильные приложения. Не влияет на статьи, товары, веб-страницы.
• Ниши: Наибольшее влияние в контекстно-зависимых нишах: путешествия, локальные сервисы, фитнес, развлечения.
• Опосредованное влияние на веб-поиск: Подтверждает важность контекста пользователя (местоположение, время) и истории поиска для определения релевантности в системах Яндекса.

Когда применяется

Алгоритм применяется проактивно для генерации рекомендаций.

• Триггеры активации: Изменение контекста пользователя. Примеры: пользователь прибыл в новое место (спортзал, аэропорт), начал движение (данные сенсоров), сменил тип сети (выход из дома), выполнил серию тематических поисковых запросов (возникновение интента).
• Взаимодействие с устройством: Рекомендации могут показываться при разблокировке экрана или в специальном виджете.

Пошаговый алгоритм

Процесс рекомендации контекстно-релевантного приложения.

1. Сбор данных о пользователе (User-Specific Parameters): Система (на сервере или клиенте) агрегирует данные: логи поисковых запросов, данные GPS и сенсоров, историю использования приложений, демографические данные.
2. Анализ намерений и контекста:
   • История поиска анализируется для определения search intent (например, интерес к путешествиям).
   • Данные геолокации и сенсоров анализируются для определения текущей ситуации (например, «пользователь в спортзале», «пользователь в центре города вечером»).
3. Сбор данных о приложениях (Application-Specific Parameters): Система анализирует приложения-кандидаты. Это включает анализ метаданных (категория, теги) и анализ отзывов пользователей (с использованием ML/NLP) для извлечения ключевых характеристик. Этот шаг может выполняться офлайн.
4. Определение контекстной релевантности: Система сопоставляет контекст пользователя (Шаг 2) с характеристиками приложений (Шаг 3). Ищется соответствие между потребностями пользователя и функциональностью приложения.
5. Выбор рекомендаций: Выбираются приложения (новые для загрузки и/или уже установленные), которые признаны contextually relevant.
6. Доставка рекомендации:
   • Если система работает на сервере: отправляется триггер на устройство пользователя.
   • Если система работает на клиенте: рекомендация отображается напрямую.
7. Отображение: На устройстве пользователя показывается визуальная рекомендация (например, в виде виджета).

Какие данные и как использует

Данные на входе

Патент описывает исключительно широкий спектр используемых данных для профилирования пользователя.

• Поведенческие факторы:
  • История поисковых запросов: Логи запросов пользователя к поисковой системе.
  • История использования приложений: Частота использования, категории, сессии, установка/удаление приложений.
• Географические факторы:
  • Геолокация (GPS координаты).
  • Маршруты пользователя.
  • Точки интереса (POI): определение типа заведения (спортзал, музей, ресторан).
  • Общее местоположение (дома, на работе), район проживания.
• Технические факторы (Данные устройства и сенсоров):
  • Данные акселерометра и гироскопа (активность, точное местоположение внутри зданий).
  • Данные датчика давления (определение высоты/этажа).
  • Статус соединения (GPRS, EDGE, 3G, LTE, WiFi) и его изменение (например, отключение от домашнего WiFi).
  • Статус батареи и зарядки.
• Временные факторы: Текущее время, день недели, типичные рабочие часы пользователя.
• Пользовательские факторы (Демография и Профиль):
  • Пол, возраст, уровень дохода.
  • Наличие автомобиля, супруга, детей.
  • Рабочий статус и график работы.
  • Информация из календаря (например, причина поездки).
• Данные о приложениях (Контентные/Структурные):
  • Категория, теги, рейтинг, стоимость (платно/бесплатно).
  • Отзывы других пользователей (текст).

Какие метрики используются и как они считаются

• Search Intent (Поисковое намерение): Вычисляется на основе анализа истории поисковых запросов (Claim 7).
• Contextual Relevance (Контекстная релевантность): Определяется на основе комбинации user-specific parameters и application-specific parameters. Конкретная формула не указана.
• Application Summary (Сводка по приложению): Генерируется путем анализа отзывов пользователей для извлечения ключевых характеристик в предопределенном формате. Патент упоминает использование машинного обучения (machine learning algorithm) (Claim 13) и вычислительной лингвистики (computational linguistics) для этого анализа.

Выводы

1. Глубокое профилирование пользователя: Патент демонстрирует, что Яндекс собирает и использует исчерпывающий набор данных для понимания пользователя, далеко выходящий за рамки стандартных веб-метрик. Учитываются физическая активность, точное местоположение (вплоть до этажа), демография, социальный статус и данные сенсоров устройства.
2. Кросс-платформенная аналитика и интеграция данных: Система связывает поведение пользователя в веб-поиске с его активностью на мобильном устройстве. История поиска является ключевым источником данных для определения search intent и интересов пользователя, которые затем используются для контекстных рекомендаций в других сервисах.
3. Контекст определяет релевантность: Ключевым элементом является определение contextual relevance. Релевантность в этой системе динамична и зависит от текущей ситуации пользователя (время, место, активность).
4. Анализ неструктурированных данных (Отзывы): Яндекс использует анализ отзывов (с помощью ML и NLP) для извлечения характеристик сущностей (в данном случае приложений). Это указывает на способность системы анализировать пользовательский контент для оценки качества.
5. Фокус на ASO, а не SEO: Патент не имеет прямого отношения к ранжированию веб-сайтов, но критически важен для ASO (App Store Optimization).

Практика

Best practices (это мы делаем)

Хотя патент посвящен рекомендациям приложений (ASO), он дает важные инсайты о том, как Яндекс понимает пользователей, что применимо к стратегии веб-SEO.

• Учет контекста пользователя (особенно для локального SEO): Патент подчеркивает важность геолокации, времени и текущей активности. SEO-стратегии должны учитывать контекст, в котором пользователь ищет информацию (например, оптимизация под запросы «рядом со мной», учет времени работы, адаптация контента для мобильных пользователей в движении).
• Фокус на удовлетворении интента: Поскольку Яндекс использует историю поиска для определения интересов пользователя (Search Intent) кросс-платформенно, важно создавать контент, который четко удовлетворяет запросы в вашей нише. Это помогает формировать профиль интересов пользователя в экосистеме Яндекса.
• Стимулирование позитивных отзывов и работа с UGC (SERM): Патент показывает, что Яндекс анализирует отзывы для понимания характеристик сущностей (приложений) с помощью ML. Это подтверждает важность мониторинга и стимулирования отзывов о вашем бизнесе/сайте, так как аналогичные механизмы могут использоваться для оценки репутации в веб-поиске.
• (ASO) Оптимизация метаданных и отзывов: Если у проекта есть мобильное приложение, этот патент напрямую применим. Оптимизируйте метаданные и работайте над содержательными отзывами, чтобы повысить шансы попасть в контекстные рекомендации Яндекса. Четко позиционируйте приложение под конкретные сценарии использования.

Worst practices (это делать не надо)

• Игнорирование мобильного контекста: Создание пользовательского опыта, который не учитывает, что пользователь может быть в движении, иметь ограниченное время или специфические локальные потребности.
• Игнорирование негативных отзывов (SERM/ASO): Негативные отзывы могут быть проанализированы системой для извлечения отрицательных характеристик вашего продукта, приложения или бизнеса (например, «drains battery»).

Стратегическое значение

Стратегическое значение этого патента для SEO заключается в подтверждении того, что Яндекс является компанией с возможностями глубокого профилирования пользователей. Он показывает, что Яндекс стремится понять не только ЧТО ищет пользователь, но и ГДЕ, КОГДА и ПОЧЕМУ он это делает, используя данные сенсоров и геолокации. Долгосрочная SEO-стратегия должна учитывать неизбежный рост персонализации и контекстуализации поиска, основанный на подобных технологиях.

Практические примеры

Сценарий 1: Понимание контекста пользователя (Влияние на Локальное SEO)

1. Действия пользователя: Пользователь находится в центре города в 19:00 (геолокация, время). Система знает (из истории поиска или использования приложений), что пользователь интересуется кино.
2. Анализ Яндекса: Система определяет контекст: «Вечерний досуг в центре».
3. Применение в поиске (Гипотеза на основе патента): Если пользователь в этот момент ищет «что посмотреть», Яндекс, понимая срочность и контекст запроса (как описано в патенте), с большей вероятностью отдаст приоритет локальным результатам (кинотеатры поблизости) и свежей информации (сеансы на сегодня).
4. Вывод для SEO: Владельцы локального бизнеса должны обеспечивать максимальную актуальность информации (часы работы, афиша) и оптимизировать страницы под локальный контекст.

Сценарий 2: Использование истории поиска для ASO

1. Действия пользователя: Пользователь регулярно ищет в Яндексе «как выбрать палатку», «лучшие маршруты для похода».
2. Анализ Яндекса: Система определяет Search Intent: «Туризм и походы». Это сохраняется как User-specific parameter.
3. Контекстный триггер: Пользователь находится на вокзале в пятницу вечером (геолокация и время).
4. Рекомендация: Система сопоставляет интерес «Туризм» и контекст «Поездка» и рекомендует пользователю скачать приложение с офлайн-картами маршрутов.
5. Вывод для ASO: Чтобы приложение попало в рекомендацию, его описание и отзывы должны четко соответствовать интенту «Туризм и походы».

Вопросы и ответы