Google патентует систему для создания «опытно-ориентированного» рынка NFT. Она позволяет встраивать кнопку покупки NFT на любую веб-страницу с помощью специального SDK. Этот SDK содержит «данные-выноски» (Callout Data), которые распознаются поисковой системой, позволяя отображать кнопку покупки и фильтровать результаты по наличию NFT прямо в SERP.
Автор: Виктор Репин
Яндекс использует механизм для контроля содержания поисковых подсказок (Autocomplete). Если пользователь вводит слово из списка «потенциально запрещенных» (например, названия наркотиков, оскорбления), система применяет логику черных или белых списков для генерации продолжений. Это позволяет блокировать нежелательные подсказки (например, «купить наркотик»), но разрешать допустимые (например, «побочные эффекты наркотика»).
Google применяет двухэтапный механизм ранжирования, когда пользователь сортирует выдачу по атрибуту (например, цене). Сначала система рассчитывает комбинированную оценку и делит результаты на «бакеты» (subsets) по уровню релевантности. Затем результаты сортируются по атрибуту только внутри своего бакета. Это не позволяет дешевым, но нерелевантным товарам опережать более дорогие и релевантные.
Патент Google, описывающий механизм ускорения запуска нативных мобильных приложений при клике на deep link в результатах поиска. Система заранее загружает (пре-инстанциирует) приложения в фоновом режиме, чтобы снизить задержку при открытии. Также описаны механизмы управления ресурсами устройства и автоматического закрытия неиспользуемых фоновых экземпляров.
Патент Google, описывающий механизм сравнения результатов из разных индексов (Веб, Новости, Видео), имеющих разные шкалы оценок. Для этого используется статистическая нормализация на основе квантилей, что позволяет формировать смешанную выдачу (Universal Search). В описании патента также детализированы методы приоритизации контента на основе социальных связей и модель «Cost/Gain» для контроля разнообразия выдачи.
Google использует статистический метод для оценки того, как часто будет обновляться новый документ. Система анализирует исторические данные о частоте изменений похожих документов (например, страниц с аналогичной структурой URL или на том же домене), чтобы определить оптимальную частоту сканирования новой страницы. Это позволяет поддерживать свежесть индекса и эффективно расходовать краулинговый бюджет.
Google использует многофакторную систему для выбора наилучшего изображения, представляющего новостную статью или кластер. Система фильтрует неподходящие изображения (рекламу, логотипы), анализирует контекст (подписи, Alt-текст, расположение рядом с заголовком) и оценивает технические параметры (размер, формат), чтобы выбрать изображение для показа в результатах поиска новостей.
Патент описывает технологию «Живого поиска». Google анализирует скорость ввода текста и вероятность завершения запроса. Если выполняется «Критерий прогнозирования» (например, пауза при вводе), система отображает результаты поиска для наиболее вероятной подсказки до того, как пользователь нажмет Enter. Также описаны механизмы показа результатов для нескольких подсказок одновременно и реклама для частичных запросов.
Анализ патента Google, описывающего систему для повышения разнообразия в поиске по товарам. Система вычисляет степень схожести между товарами одного продавца на основе названия, модели, описания и изображения. Похожие товары объединяются в кластеры, и в результатах поиска отображается только ограниченное количество товаров из каждого кластера, чтобы предотвратить доминирование одного продавца с вариациями одного продукта.
Google анализирует, что предыдущие пользователи искали или какие функции включали при просмотре определенной области карты (Map Space). На основе этих данных система генерирует тематики (Content Targeting Data) и немедленно показывает релевантную рекламу следующему пользователю, который открывает ту же область карты, даже до того, как он что-либо ввел.
Google разделяет нативные приложения на две группы: те, у которых есть соответствующий веб-ресурс, и те, у которых его нет (app-only). Каждая группа ранжируется отдельно с использованием разных сигналов. Затем система рассчитывает «Универсальную оценку ранжирования» (Universal Ranking Score) на основе позиции приложения в своем списке, что позволяет справедливо объединить эти списки в единую поисковую выдачу.
Google использует этот механизм для выбора наиболее качественной и авторитетной веб-страницы в качестве целевой (Landing Page) для результатов поиска по картинкам. Если изображение или его близкие копии присутствуют на нескольких сайтах, система определяет страницу с наивысшей оценкой важности (Web Score) и направляет пользователя именно на нее. Также учитываются характеристики размещения изображения на странице.
Яндекс патентует механизм создания динамического контекстного меню («Browser Contextual Assistant»). Когда пользователь выделяет текст или объект на странице, система отправляет его как запрос в различные поисковые вертикали (Карты, Картинки, Веб). Определив наиболее релевантную вертикаль и семантику выделения, Яндекс формирует меню с релевантными действиями (например, «Показать на карте») или информационными сниппетами (например, определение сущности).
Google использует механизм для точного определения языка, на котором пользователь вводит запрос, особенно когда слова неоднозначны или не содержат диакритических знаков. Система анализирует язык интерфейса пользователя и статистику использования слов в разных языках. Это позволяет Google понять, какие диакритические знаки (например, акценты) следует добавить к запросу, чтобы найти наиболее релевантные документы на правильном языке.
Google патентует технологию создания интерактивных «цифровых компонентов» (например, рекламы), которые содержат встроенный интерфейс чат-бота или ассистента. Этот ассистент отвечает на вопросы пользователя, используя специализированную модель (граф знаний), построенную исключительно на основе контента целевой страницы (лендинга) этого компонента, позволяя пользователю взаимодействовать с контентом, не покидая текущую страницу.
Яндекс патентует метод для повышения чувствительности A/B тестирования при оценке изменений в поиске. Вместо анализа средних значений поведенческих метрик, система анализирует тренды вовлеченности пользователей во времени. Для этого используются дискретные преобразования (например, Фурье) для вычисления метрик Амплитуды (величина изменения) и Фазы (направление изменения), что позволяет точнее оценить долгосрочное влияние обновлений.
Google анализирует геоданные и временные метки фотографий, загруженных пользователями, чтобы отличить туристов от местных жителей. На основе скопления «туристических» фотографий система определяет популярные достопримечательности и создает тепловые карты (heat areas). Это позволяет визуализировать зоны активности и фильтровать локальные результаты (например, отели) в наиболее релевантных районах.
Google использует этот механизм для глубокой персонализации поиска, интегрируя релевантный контент из личных источников пользователя (Gmail, Drive, Calendar) и от его социальных связей. Система индексирует этот контент с разрешения пользователя, ранжирует его с учетом социальных сигналов (Affinity) и адаптивно отображает в SERP, смешивая с публичными результатами.
Google может отображать интерфейс голосования (VUI) прямо на странице результатов поиска для кампаний (ТВ-шоу, выборы, конкурсы). Система использует историю активности пользователя (user-specific index) для подтверждения интереса, позволяет голосовать на SERP и динамически подгружает социальный контент выбранного участника.
Google использует адаптивную систему управления краулинговым бюджетом. Система прогнозирует вероятность успешного сканирования URL на основе скорости ответов сервера и приоритета запроса. Если пропускная способность ограничена, низкоприоритетные URL немедленно отклоняются (Early Rejection), не дожидаясь таймаута, чтобы обеспечить быстрое сканирование важного контента.