Google-Patent: Feedback bei Dialog-Fragen

Sprachassistenten und dialogbasierte Suchoberflächen beantworten täglich Millionen von Fragen – von Faktenabfragen bis zu komplexen Recherchen. Entscheidend ist nicht nur die erste Antwort, sondern auch, wie ein System erkennt, ob Nutzer zufrieden sind oder eine bessere Lösung brauchen. Ein 2022 erteiltes Google-Patent beschreibt genau diesen Mechanismus: Question-Answering in Human-to-Computer-Dialog-Systemen mit Auswertung von Nutzer-Feedback auf zuvor gelieferte Antworten.

Hintergrund: Googles Dialog-Patente und der neue Ansatz

Google investiert seit Jahren in Patente rund um menschlich-computerbasierte Dialoge. Bereits frühere Dokumente behandelten allgemeine Dialog-Architekturen und die Vervollständigung von Assistenten-Gesprächen. Das Patent „Providing answers to voice queries using user feedback“ (US 11.289.096) geht einen Schritt weiter: Es beschreibt, wie Eingaben nach einer beantworteten Frage als Feedback klassifiziert und zur Verbesserung künftiger Antworten genutzt werden.

Kernidee: Nachdem ein Dialog-System eine Antwort ausgegeben hat, wird jede weitere Nutzereingabe geprüft, ob sie Feedback auf genau diese Antwort ist. Wird Feedback erkannt, klassifiziert das System es als positiv oder negativ. Bei negativem Feedback kann eine alternative Lösung bereitgestellt werden – ohne dass der Nutzer die ursprüngliche Frage erneut stellen muss.

Wie Feedback erkannt und bewertet wird

Das Verfahren beginnt mit dem Empfang einer Spracheingabe nach einer bereits gelieferten Antwort. Das System prüft mehrere Signale gleichzeitig: Liegt die Eingabe innerhalb eines definierten Zeitfensters nach der Antwort? Wird sie nach der Ausgabe der Lösung empfangen? Ähnelt die Eingabe der ursprünglichen Frage? Oder ist eine Aktion damit verbunden – etwa das Wählen einer Telefonnummer oder das Senden einer E-Mail, die mit der Antwort verknüpft ist?

Wird die Eingabe als Feedback klassifiziert, wird ein vordefinierter Feedback-Score zugeordnet. Dieser Score passt einen Confidence-Wert an, der die Stärke einer Frage-Antwort-Kombination beschreibt. Liegt der Score unter einem Schwellenwert, gilt das Feedback als negativ und der Confidence-Wert sinkt. Liegt er darüber, wird es positiv gewertet und der Score steigt.

Beispiele aus dem Patent: Dankbarkeit versus Widerspruch

Das Patent illustriert positive und negative Fälle mit konkreten Dialogen. Fragt ein Nutzer „Who invented the telephone?“ und erhält die Antwort „Alexander Graham Bell“, kann eine nachfolgende Äußerung wie „Thanks“ als positives Feedback gewertet werden. Das System speichert, dass diese Antwort zur Frage gut passt.

Im negativen Beispiel lautet die Frage „What was the highest-grossing romantic comedy of 2003?“ Die erste Antwort ist „Gigli“. Reagiert der Nutzer mit „That can't be right“, klassifiziert das System negatives Feedback. Der Confidence-Score für das Paar Frage und Antwort sinkt. Als Follow-up kann das System eine Alternative liefern – etwa „How to Lose a Guy in 10 Days may be a better answer“ – und damit signalisieren, dass es sich um eine Nachkorrektur handelt.

Confidence-Scores und Frage-Antwort-Repository

Dialog-Geräte speichern Informationen über die Stärke von Antworten in Bezug auf bestimmte Fragen. Jede Frage-Antwort-Kombination erhält einen Confidence-Score, der die Relevanz der Antwort für die Frage ausdrückt. Das Patent beschreibt ein Repository, das diese Scores zentral verwaltet und sowohl online bei Nutzerinteraktion als auch offline anpassen kann.

Existiert noch kein Eintrag für eine Kombination, kann ein Standard-Score vergeben werden – etwa 0,5 auf einer Skala von 0,0 bis 1,0. Anschließend passt eine Scoring-Engine den Wert anhand des Feedback-Scores an. Mögliche Operationen umfassen Mittelwertbildung mit anderen Nutzer-Feedbacks, Addition, Multiplikation oder andere mathematische Verknüpfungen. Aggregiertes Feedback mehrerer Geräte fließt ebenfalls ein.

Technische Architektur: Geräte, Server und Suchmaschine

Die beschriebene Umgebung umfasst Nutzergeräte – Smartphones, Tablets, Laptops oder dedizierte Assistenten-Hardware – sowie mehrere Server: ein Repository für Frage-Antwort-Scores, einen Feedback-Klassifizierer, ein Feedback-Score-Repository und einen Suchmaschinenserver. Nutzergeräte und Server sind über Netzwerke verbunden; in manchen Implementierungen übernehmen Geräte Teile der Server-Funktion lokal.

Answer Generation Engine und Suchintegration

Die Answer Generation Engine wandelt gesprochene Fragen per Speech-to-Text in Text um und erzeugt daraus Suchanfragen. Stop-Wörter wie „the“, „a“ oder „is“ können entfernt werden; Präfixe und Suffixe werden normalisiert. Aus der Frage „What was the highest-grossing romantic comedy of 2003?“ kann etwa die Query „highest-grossing romantic comedy 2003“ entstehen.

Suchergebnisse fließen mit Confidence-Werten ein, die unter anderem Relevanz, Dokumentqualität, Traffic und Alter berücksichtigen. Alternativ oder ergänzend nutzt die Engine gespeicherte Frage-Antwort-Paare aus dem Repository – inklusive semantischer Ähnlichkeit, Hamming-Distanz oder Edit-Distance, um paraphrasierte Fragen zu erkennen. Die Antwort wird per Sprache oder Display ausgegeben.

Feedback-Klassifizierer und Follow-up-Antworten

Der Feedback Classifier Engine ordnet eingehendes Feedback dem zuletzt gestellten Frage-Antwort-Paar zu – typischerweise innerhalb von 15 Sekunden, 30 Sekunden oder einer Minute, alternativ unabhängig von der Zeit, wenn kein anderes Feedback dazwischen liegt. Wiederholte Fragen, Follow-up-Themen oder Aktionen wie Suchen, Anrufe oder E-Mails können die Bewertung zusätzlich beeinflussen.

Fällt der Feedback-Score unter einen Schwellenwert, liefert die Answer Generation Engine eine Follow-up-Antwort – häufig die zweitbeste Option aus Kandidaten mit niedrigerem, aber noch relevantem Score oder frische Suchergebnisse. So entsteht ein lernendes System, das Antwortqualität dynamisch an Nutzermeinungen anpasst.

Vorteile und strategische Bedeutung für SEO

Laut Patent-Vorteile kann das System die wahrscheinliche Nutzerhaltung gegenüber einer Antwort einschätzen – Zufriedenheit, Unzufriedenheit oder Ambivalenz. Daraus verbessert sich die Question-Answering-Fähigkeit über Zeit: Antworten werden dynamisch optimiert, und bei Unzufriedenheit folgt unmittelbar eine Alternative. Für SEO-Teams und Voice-Search-Strategen ist das mehr als technisches Detail.

Es zeigt, wie Google dialogbasierte Suche mit klassischer Websuche verknüpft, Confidence-Scores für Antworten pflegt und implizites Nutzer-Feedback als Ranking-Signal nutzt. Wer Inhalte für Featured Snippets, Assistenten und KI-Suchoberflächen optimiert, sollte verstehen, dass Antwortqualität nicht statisch ist – sie wird durch aggregiertes Feedback, Suchergebnisse und semantische Frage-Mappings fortlaufend neu bewertet.

Das Patent US 11.289.096 wurde am 29. März 2022 erteilt, eingereicht am 15. November 2019, und nennt als Erfinder Gabriel Taubman, Andrew W. Hogue und John J. Lee. Es reiht sich in Googles Serie zu Human-to-Computer-Dialog, Voice Queries und automatisierten Assistenten ein und liefert erneut Einblicke in die technische Richtung der Google-Suche jenseits klassischer SERP-Klicks.