Как Google определяет язык смешанных запросов с помощью посимвольного анализа на стороне клиента

Термины и определения

Character-to-language mapping (Отображение "символ-язык")

База данных, связывающая каждый уникальный символ (например, по Unicode) с набором пар Language-writing system, в которых он используется. Может храниться на Client device.

Client device (Клиентское устройство)

Устройство пользователя (например, браузер), на котором может выполняться процесс определения языка для ускорения работы и снижения нагрузки на сервер.

Count (N) (Счетчик)

Количество пар Language-writing system, в которых встречается определенный символ. Является мерой распространенности символа.

Cross-language query suggestion (Кросс-язычная поисковая подсказка)

Перевод Primary-language query suggestion на другой язык.

Language-writing system pair (Пара "язык-система письма")

Комбинация естественного языка и системы письма (скрипта). Например, Японский-Хирагана, Японский-Кандзи, Китайский-Ханцзы.

Primary-language query suggestion (Основная поисковая подсказка)

Подсказка, сгенерированная Suggestion Service на основе ввода пользователя. Именно ее язык определяется в патенте.

Sub-score (Промежуточная оценка)

Оценка, генерируемая для Language-writing system pair на основе анализа одного символа. Обратно пропорциональна Count (N).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает полный процесс, выполняемый на client device для определения языка и генерации перевода подсказки.

1. Хранение character-to-language mapping на клиентском устройстве.
2. Получение search query (который является query suggestion).
3. Для каждого символа запроса:
   1. Идентификация кандидатов language-writing system pairs с помощью mapping.
   2. Генерация sub-score для каждого кандидата на основе общего количества (count) найденных пар для этого символа.
4. Агрегация всех sub-scores для получения итоговой оценки для каждой пары-кандидата.
5. Определение исходного языка (source language) на основе итоговых оценок.
6. Генерация запроса на перевод (translation request) к сервису машинного перевода.

Claim 2 (Независимый пункт): Описывает ядро метода определения языка (аналогично шагам 3-5 из Claim 1), но без привязки к клиентскому устройству и генерации перевода.

Claim 5 (Зависимый от 2): Уточняет расчет sub-score.

Он имеет отрицательную корреляцию (negative correlation) с количеством language-writing system pairs, идентифицированных для символа. Чем больше языков используют символ, тем ниже оценка, которую получает каждый из них.

Claim 6 (Зависимый от 2): Вводит механизм повышения (boosting).

Если language-writing system pair является единственным кандидатом (the only candidate) для какого-либо символа в запросе (т.е. символ уникален для этого языка), ее sub-score повышается.

Где и как применяется

Изобретение применяется на этапе взаимодействия пользователя с поисковой строкой и связано с инфраструктурой Autocomplete/Suggest.

QUNDERSTANDING – Понимание Запросов

Механизм используется для определения языка primary-language query suggestions. Ключевая особенность, описанная в патенте, — возможность выполнения этого процесса на Клиентском устройстве (Client device).

Сценарий взаимодействия:

1. Пользователь вводит текст (q). Клиент отправляет его в Suggestion Service.
2. Suggestion Service возвращает основные подсказки (Q).
3. Активация механизма: Language Detector на клиенте анализирует Q, используя локальный Character-to-language mapping, и определяет исходный язык (A).
4. Клиент отправляет запрос в Translation Service (Q, A->B, где B — целевой язык).
5. Translation Service возвращает кросс-язычные подсказки (QAB).
6. Клиент отображает Q и QAB пользователю.

Входные данные:

• Текст Primary-language query suggestion.
• Локально хранимая база Character-to-language mapping.

Выходные данные:

• Определенный исходный язык (Source Language).
• Запрос на перевод (Translation Request).

На что влияет

• Специфические запросы: Наибольшее влияние на смешанные запросы (mixed language queries), содержащие символы из разных систем письма (например, Латиница + Кириллица или CJK иероглифы).
• Языковые ограничения: Критичен для различения языков с пересекающимися наборами символов (например, Китайский, Японский, Корейский — CJK).
• Качество UX: Влияет на точность кросс-язычных подсказок в Autocomplete.

Когда применяется

• Условия работы: Применяется в реальном времени, когда пользователь вводит запрос и система генерирует primary-language query suggestions.
• Триггеры активации: Необходимость определить исходный язык подсказки для её корректного перевода на другой язык (генерация cross-language query suggestions).

Пошаговый алгоритм

Процесс определения исходного языка запроса Q.

1. Получение данных: Система получает поисковую подсказку Q.
2. Предварительная обработка (Опционально): Удаление универсальных символов (например, пробелы, цифры), не несущих информации о языке.
3. Цикл обработки символов: Для каждого символа $C_{i}$ в запросе Q:
   1. Поиск соответствий: Поиск $C_{i}$ в Character-to-language mapping.
   2. Идентификация кандидатов: Определение набора пар language-writing system $(L_{j})$, к которым принадлежит $C_{i}$.
   3. Подсчет (Ni): Определение общего количества найденных пар $(N_{i})$ для символа $C_{i}$.
   4. Расчет Sub-score (SS): Генерация sub-score для каждой пары $L_{j}$. SS отрицательно коррелирует с $N_{i}$ (например, по формуле вида $1/N_{i}$).
   5. Бустинг (Опционально): Если $N_{i}=1$ (символ уникален), SS для этой пары значительно увеличивается (boosted).
4. Агрегация: Для каждой уникальной пары $L_{j}$ суммируются все её sub-scores для получения Final Score.
5. Определение языка: Выбирается пара с наивысшим Final Score в качестве исходного языка.
6. Генерация перевода: Отправка Translation request.

Какие данные и как использует

Данные на входе

Патент фокусируется исключительно на анализе символов и использовании предварительно созданной базы данных.

• Контентные факторы: Текст primary-language query suggestion. Анализируется на уровне отдельных символов и их уникальных идентификаторов (например, Unicode).
• Системные данные: Character-to-language mapping. Ключевая структура данных, содержащая информацию о принадлежности символов к языкам и системам письма.

Какие метрики используются и как они считаются

• Count (N): Количество пар language-writing system, в которых существует анализируемый символ. Является мерой уникальности символа.
• Sub-score (SS): Промежуточная оценка. Рассчитывается на основе Count (N) с использованием отрицательной корреляции. Например, $SS = 1/N$.
• Boosting (Повышающий коэффициент): Множитель или константа, применяемая к Sub-score, если N=1.
• Final Score (Итоговая оценка): Рассчитывается путем агрегации (суммирования) всех Sub-scores для данного языка по всем символам запроса.

1. Инфраструктурный патент для Autocomplete: Патент описывает внутренние процессы Google Autocomplete/Suggest, а не алгоритмы ранжирования веб-страниц. Его цель — точное определение языка подсказок для их корректного перевода.
2. Определение языка по уникальности символов: Ключевой механизм — использование уникальности символов для определения языка коротких строк. Система отдает предпочтение языкам, чьи символы реже встречаются в других языках.
3. Механизм Бустинга (Boosting): Символы, уникальные для одного языка (N=1), являются очень сильным сигналом и получают значительное повышение в оценке. Это позволяет надежно идентифицировать язык даже по одному символу.
4. Обработка смешанных запросов: Метод эффективно обрабатывает mixed language queries путем взвешивания вклада символов разных языков.
5. Клиентская реализация (Client-side): Механизм оптимизирован для быстрого выполнения на стороне клиента с использованием локального Character-to-language mapping, что критично для мгновенного отклика интерфейса.

Патент является инфраструктурным и не дает прямых практических выводов для SEO-стратегий, направленных на улучшение ранжирования. Основная ценность заключается в понимании работы Google Autocomplete и обработки мультиязычных запросов.

Best practices (это мы делаем)

• Анализ смешанных запросов (Международное SEO): При работе на мультиязычных рынках (особенно CJK — Китай, Япония, Корея) важно анализировать Autocomplete, чтобы понять, как пользователи формируют смешанные запросы (например, бренд на английском + термин на локальном языке). Патент показывает, что Google корректно интерпретирует язык таких запросов. Контент сайта должен быть релевантен этим комбинациям.
• Техническая корректность (Кодировка): Убедитесь, что сайт использует корректную кодировку (UTF-8). Это гарантирует, что все символы будут правильно считаны и обработаны системами определения языка.
• Использование стандартных систем письма: Создавайте контент, используя корректные системы письма для целевого языка (например, Хирагана и Катакана в японском), чтобы соответствовать тому, как пользователи ищут и как Google интерпретирует эти запросы.

Worst practices (это делать не надо)

• Манипуляции с языком для влияния на ранжирование: Попытки искусственно смешивать языки или символы в контенте страниц в надежде повлиять на ранжирование бессмысленны. Описанный алгоритм применяется к тексту подсказок в Autocomplete, а не к контенту веб-страниц для ранжирования.
• Неестественное смешение символов: Использование символов из разных систем письма для стилизации или обфускации может потенциально усложнить определение основного языка контента.

Стратегическое значение

Патент подтверждает способность Google обрабатывать многоязычные запросы на гранулярном (посимвольном) уровне. Это подчеркивает сложность международного SEO и внимание Google к корректной интерпретации языка, даже если запрос сформулирован неоднозначно. Стратегически важно понимать, что Google располагает эффективными механизмами для языковой классификации даже самых коротких фрагментов текста.

Практические примеры

Сценарий 1: Различение языков CJK (Китай, Япония, Корея)

Запрос: “春の花” (Японский: Весенние цветы).

1. Анализ '春' (Весна): Используется в Китайском (Hanzi), Японском (Kanji), Корейском (Hanja). N=3. Sub-score для каждого ≈ 0.33.
2. Анализ 'の' (Частица): Используется только в Японском (Hiragana). N=1. Sub-score = 1. Применяется Boosting (например, множитель 10). Итоговый вклад ≈ 10.
3. Анализ '花' (Цветок): Используется в Китайском и Японском. N=2. Sub-score для каждого = 0.5.
4. Агрегация: Японский получает наивысшую оценку (≈ 0.33 + 10 + 0.5) благодаря уникальному символу Хираганы и бустингу.
5. Результат: Язык корректно определен как Японский.

Сценарий 2: Обработка смешанного запроса (Латиница + Локальный язык)

Запрос: “iPhone отзывы”

1. Анализ “iPhone”: Латинские символы используются во многих языках (N>30). Sub-score для каждого языка очень низкий (например, <0.03 за символ).
2. Анализ “отзывы”: Кириллические символы используются в нескольких языках (Русский, Украинский и т.д., N≈10). Sub-score для этих языков средний (например, 0.1 за символ).
3. Агрегация: Языки на кириллице получат значительно более высокую итоговую оценку, чем языки на латинице, так как их символы являются более сильным (менее распространенным) сигналом.
4. Результат: Система определит основной язык как Русский (или другой язык на кириллице).