Патент описывает метод повышения эффективности поиска локальных данных (например, контактов) на мобильных устройствах. Система заранее преобразует алфавитно-цифровые данные в числовой индекс, основываясь на раскладке клавиатуры (аналогично T9). Это позволяет устройству быстро находить совпадения при вводе запроса, экономя вычислительные ресурсы и заряд батареи. Патент фокусируется на производительности устройства, а не на алгоритмах веб-поиска.

Описание

Какую проблему решает

Патент решает проблему медленного и ресурсоемкого поиска информации на мобильных устройствах (hand-held electronic devices), особенно тех, которые имеют ограниченные или неоднозначные методы ввода (например, цифровую клавиатуру, используемую для ввода текста как в T9). Цель — ускорить поиск локальных данных (например, контактов, журналов вызовов) и снизить потребление вычислительной мощности и энергии батареи, устраняя необходимость анализа всех возможных алфавитно-цифровых комбинаций при вводе.

Что запатентовано

Запатентована система для эффективного поиска информации на портативных устройствах. Суть изобретения заключается в предварительном индексировании алфавитно-цифровых записей (alphanumeric entries) путем их преобразования в числовые индексные значения (numeric index values). Это преобразование (conversion procedure) основано на стандартном соответствии букв и цифр на клавиатуре телефона (например, ABC=2, DEF=3). Когда пользователь вводит запрос, система вычисляет его числовое значение (query index value) и быстро сравнивает его с предварительно созданным индексом, минуя сложные текстовые операции.

Как это работает

Система работает в два основных этапа:

  1. Предварительное индексирование (Офлайн): Система анализирует набор данных (например, список контактов). Каждая запись преобразуется в числовое значение на основе раскладки клавиатуры. Например, имя "Roman" преобразуется в "76626". Эти числовые значения сохраняются как индекс.
  2. Обработка запроса (Онлайн): Пользователь вводит запрос (например, нажимая "7", затем "6"). Система вычисляет query index value ("76"). Это значение сравнивается с предварительно рассчитанными numeric index values. Система мгновенно отображает все записи, чей индекс соответствует введенному значению.

Актуальность для SEO

Низкая (для SEO). Технология актуальна для разработки операционных систем мобильных устройств (в патенте присутствуют схемы архитектуры Android) для обеспечения быстрого локального поиска и оптимизации ресурсов. Однако, этот патент описывает инфраструктуру устройства и не имеет никакого отношения к алгоритмам ранжирования веб-поиска Google.

Важность для SEO

Влияние на SEO (1/10). Патент имеет минимальное значение для стратегий поисковой оптимизации веб-сайтов. Он описывает внутренние процессы операционной системы мобильного устройства для оптимизации локального поиска и обработки ввода пользователя. Он не содержит информации об индексировании веба, ранжировании сайтов, оценке качества контента или других аспектах веб-поиска Google. Это инфраструктурный патент, ориентированный на UX и производительность устройства.

Детальный разбор

Термины и определения

Alphanumeric Entries (Алфавитно-цифровые записи)
Данные в наборе, которые могут содержать как буквы, так и цифры (например, имена контактов, адреса электронной почты, номера телефонов).
Conversion Procedure (Процедура преобразования)
Метод, используемый для преобразования алфавитно-цифровых символов в числовые значения, обычно основанный на стандартной раскладке телефонной клавиатуры (например, A, B, C -> 2).
Dataset (Набор данных)
Источник информации, который индексируется и используется для поиска. Примеры включают локальный список контактов, журнал вызовов, удаленную базу данных сотрудников или словарь часто используемых терминов.
Index Value / Numeric Index Value (Индексное значение / Числовое индексное значение)
Числовое представление алфавитно-цифровой записи, полученное в результате процедуры преобразования. Используется для быстрого поиска и сопоставления.
Query Index Value (Индексное значение запроса)
Числовое представление ввода пользователя, рассчитанное с использованием той же процедуры преобразования, которая применялась для создания индекса.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод идентификации информации на портативном электронном устройстве.

  1. Индексирование: Система индексирует набор данных, вычисляя набор numeric index values для алфавитно-цифровых записей с использованием conversion procedure.
  2. Получение ввода: Устройство получает ввод от пользователя.
  3. Расчет запроса: Устройство вычисляет query index value, применяя ту же самую conversion procedure к полученному вводу.
  4. Сравнение: Устройство сравнивает query index value с предварительно вычисленными numeric index values в индексе и определяет совпадения.
  5. Отображение: Устройство отображает информацию из записей, индексные значения которых совпадают со значением запроса.

Claim 4 (Зависимый): Уточняет процесс индексирования.

Вычисление numeric index values может включать создание различных индексных значений на основе разных полей в одной записи. Это означает, что одна запись (например, контакт) может иметь несколько индексных значений (одно для имени, другое для номера телефона).

Claim 5 (Зависимый): Уточняет процесс сравнения.

Значение запроса сравнивается как с индексными значениями, представляющими имена, так и с индексными значениями, представляющими числа (например, телефонные номера) в наборе данных.

Claim 10 (Зависимый): Уточняет механизм сравнения.

Сравнение query index value может идентифицировать совпадение, которое представляет собой последовательность символов, начинающуюся в середине слова (middle of a word) в алфавитно-цифровой записи.

Claim 12 (Зависимый): Описывает альтернативный источник ввода.

Система может получать запрос не напрямую от пользователя через клавиатуру, а из сообщения (query in a message), и рассчитывать query index value на основе этого запроса.

Где и как применяется

Патент описывает внутренние процессы Google (в частности, операционной системы мобильного устройства, судя по архитектурным схемам Android в патенте) без прямых рекомендаций для SEO. Он применяется исключительно в контексте локального поиска на устройстве (Local Device Search), а не веб-поиска.

INDEXING – Индексирование (Локальное)
На этом этапе система устройства сканирует локальные наборы данных (контакты, приложения, журналы вызовов). Происходит извлечение признаков (Feature Extraction), где ключевым процессом является преобразование алфавитно-цифровых данных в numeric index values с помощью conversion procedure. Эти данные сохраняются в локальном индексе устройства.

QUNDERSTANDING – Понимание Запросов (Локальное)
Когда пользователь вводит текст или цифры на клавиатуре устройства, система интерпретирует этот ввод. Применяется та же conversion procedure для расчета query index value в реальном времени.

RANKING – Ранжирование (Локальное)
Система быстро сравнивает query index value с numeric index values в локальном индексе. Происходит отбор кандидатов (Retrieval) на основе точного совпадения числовых последовательностей. Патент фокусируется на механизме сопоставления, а не на алгоритме сортировки результатов.

Входные данные:

  • Локальные или доступные устройству Datasets (контакты, журналы вызовов и т.д.).
  • Ввод пользователя (нажатия клавиш) или запрос из сообщения.
  • Определенная Conversion Procedure (раскладка клавиатуры).

Выходные данные:

  • Numeric Index Values (сохраненные в индексе).
  • Список совпадающих записей из локальных Datasets.

На что влияет

Алгоритм влияет исключительно на пользовательский опыт взаимодействия с мобильным устройством:

  • Конкретные типы контента: Влияет на поиск контактов (PIM), записей в журналах вызовов, возможно, названий приложений или настроек устройства.
  • Специфические запросы: Влияет на запросы, вводимые для поиска локальной информации на устройстве.
  • Технические аспекты: Влияет на скорость локального поиска и потребление ресурсов устройства (CPU, батарея).

Патент не упоминает влияния на веб-контент, коммерческие или информационные веб-запросы, конкретные ниши (YMYL и т.д.) или ранжирование в веб-поиске.

Когда применяется

  • Условия работы: Алгоритм применяется, когда пользователь инициирует поиск информации на мобильном устройстве, используя клавиатуру (физическую или виртуальную).
  • Триггеры активации: Активируется при вводе первого символа в поле поиска локального приложения (например, в приложении "Контакты").
  • Частота применения: При каждом нажатии клавиши во время сессии локального поиска для обновления списка результатов.

Пошаговый алгоритм

Процесс А: Подготовка индекса (Офлайн или при обновлении данных)

  1. Определение источников данных: Система идентифицирует локальные и, возможно, удаленные Datasets для индексации.
  2. Применение Conversion Procedure: Для каждой алфавитно-цифровой записи (и для различных полей внутри записи, таких как имя и номер) система вычисляет Numeric Index Value, используя заданное соответствие букв и цифр.
  3. Сохранение индекса: Индексные значения сохраняются в памяти устройства (например, в базе данных SQLite, упомянутой в архитектурных схемах патента) для быстрого доступа.

Процесс Б: Обработка запроса (Онлайн)

  1. Получение ввода: Система получает ввод от пользователя.
  2. Расчет Query Index Value: Система применяет ту же Conversion Procedure к вводу пользователя для расчета Query Index Value.
  3. Сравнение с индексом: Полученное Query Index Value сравнивается с предварительно сохраненными Numeric Index Values.
  4. Идентификация совпадений: Система находит записи, чьи индексные значения совпадают с запросом. Совпадение может быть как с начала записи, так и с середины слова.
  5. Отображение результатов: Совпадающие записи отображаются пользователю.
  6. Ожидание действия: Система проверяет, выбрал ли пользователь один из результатов.
    • Если НЕТ: Возврат к шагу 1 для обработки дополнительного ввода.
    • Если ДА: Запуск соответствующего приложения (например, приложения для звонка) или отображение полной информации о выбранной записи.

Какие данные и как использует

Данные на входе

Патент фокусируется на обработке ввода и локальных данных устройства. Он не использует стандартные факторы ранжирования веб-поиска.

  • Контентные факторы (Локальные): Текст из полей локальных баз данных (имя контакта, номер телефона, название компании, адрес электронной почты).
  • Пользовательские факторы: Непосредственный ввод пользователя с клавиатуры (текстовый или числовой).
  • Технические данные устройства: Информация о раскладке клавиатуры, используемая в Conversion Procedure.

Патент не упоминает использование ссылочных факторов, поведенческих факторов (CTR, bounce rate), временных факторов (возраст страницы) или технических факторов веб-сайтов.

Какие метрики используются и как они считаются

Система использует следующие ключевые метрики и методы:

  • Numeric Index Value: Рассчитывается путем преобразования алфавитно-цифровых символов в числа на основе предопределенного маппинга (например, раскладки клавиатуры).
  • Query Index Value: Рассчитывается аналогично Numeric Index Value, но применяется к вводу пользователя.
  • Совпадение (Matching): Основной механизм — это сравнение числовых последовательностей. Патент не описывает сложные метрики релевантности, а фокусируется на точном числовом сопоставлении для быстрого отбора кандидатов.
  • Методы анализа текста: Используется простая токенизация и преобразование символов. Сложные NLP-методы или извлечение сущностей не упоминаются.

Выводы

Патент является чисто техническим и описывает внутренние процессы операционной системы мобильного устройства для оптимизации локального поиска. Он не дает практических выводов для SEO-специалистов, занимающихся продвижением веб-сайтов.

Основные выводы для понимания технологий Google:

  1. Приоритет эффективности на мобильных устройствах: Патент демонстрирует фокус Google (уже в 2007 году) на оптимизации производительности и снижении потребления ресурсов на мобильных устройствах. Предварительное индексирование используется для минимизации вычислений во время поиска.
  2. Индексирование для быстрого отбора: Механизм преобразования сложных данных (текста) в простой формат (числа) для мгновенного сопоставления является классическим подходом для повышения скорости отклика.
  3. Обработка неоднозначного ввода: Система предназначена для работы в условиях неоднозначности ввода (например, на цифровых клавиатурах, T9), эффективно обрабатывая все возможные текстовые интерпретации числового ввода через единый индекс.
  4. Отсутствие связи с веб-поиском: Описанные механизмы не имеют отношения к алгоритмам ранжирования, индексирования или оценки качества веб-сайтов в Google Search.

Практика

Практическое применение в SEO

Этот патент является инфраструктурным и описывает оптимизацию локального поиска на устройстве. Он не дает практических рекомендаций для SEO-специалистов, работающих над оптимизацией веб-сайтов для Google Search.

Best practices (это мы делаем)

Информация для применения в SEO отсутствует в тексте патента.

Worst practices (это делать не надо)

Информация для применения в SEO отсутствует в тексте патента.

Стратегическое значение

Стратегическое значение для веб-SEO отсутствует. Патент имеет значение только для разработчиков операционных систем и приложений для мобильных устройств, занимающихся реализацией функций локального поиска и оптимизацией производительности.

Практические примеры

Практических примеров для SEO нет, так как патент не относится к веб-поиску. Пример работы на устройстве:

Сценарий: Быстрый поиск контакта на телефоне

  1. Индексирование: Телефон предварительно обработал список контактов. Имя "Page Keeper" было преобразовано в Numeric Index Value "7243#533737" (где # может представлять пробел).
  2. Ввод пользователя: Пользователь хочет найти этот контакт и начинает вводить на клавиатуре "7", "2", "4".
  3. Обработка: Система рассчитывает Query Index Value как "724".
  4. Сопоставление: Система мгновенно находит все контакты, чей Numeric Index Value начинается с "724".
  5. Результат: На экране отображаются "Page Keeper" (так как P=7, A=2, G=4) и, возможно, другие совпадения (например, номера телефонов, начинающиеся с 724).

Вопросы и ответы

Описывает ли этот патент, как Google ранжирует сайты в мобильной выдаче?

Нет. Этот патент не имеет никакого отношения к ранжированию веб-сайтов в Google Search. Он описывает исключительно методы оптимизации локального поиска (например, поиска контактов или приложений) внутри операционной системы мобильного устройства.

Что такое "Conversion Procedure", упоминаемая в патенте?

Это метод преобразования букв в цифры, основанный на стандартной раскладке телефонной клавиатуры (например, A, B, C соответствуют цифре 2; D, E, F — цифре 3). Система использует эту процедуру для создания числового индекса из текстовых данных и для преобразования ввода пользователя в числовой запрос.

В чем основное преимущество использования числового индекса (Numeric Index Value)?

Основное преимущество — значительное повышение скорости поиска и снижение нагрузки на процессор устройства. Сравнение чисел происходит намного быстрее, чем сложный анализ и сопоставление текстовых строк, что критично для мобильных устройств с ограниченными ресурсами.

Может ли этот механизм использоваться для поиска в интернете?

Патент не описывает применение этого механизма для веб-поиска. Он предназначен для поиска в ограниченных наборах данных (Datasets), таких как список контактов, журнал вызовов или локальный словарь. Для масштабов интернета такой подход числового индексирования неэффективен.

Актуален ли этот патент, учитывая, что большинство современных телефонов используют QWERTY-клавиатуры?

Технология индексирования для быстрого локального поиска остается актуальной, независимо от типа клавиатуры. Хотя патент часто ссылается на цифровые клавиатуры (популярные на момент подачи заявки в 2007 году), основной принцип эффективного индексирования применяется и в современных ОС для поиска приложений, контактов и настроек.

Упоминается ли в патенте машинное обучение или NLP?

Нет. Патент описывает детерминированный алгоритм, основанный на прямом преобразовании символов в числа и точном сопоставлении числовых последовательностей. Сложные методы машинного обучения или обработки естественного языка (NLP) не упоминаются.

Может ли система находить совпадения в середине слова?

Да, патент явно указывает (Claim 10), что механизм сравнения может идентифицировать совпадения, начинающиеся в середине слова (middle of a word). Это делает локальный поиск более гибким для пользователя.

Какие практические выводы для SEO можно сделать из этого патента?

Для SEO-специалистов, занимающихся оптимизацией веб-сайтов, практических выводов нет. Патент относится к области разработки пользовательских интерфейсов и оптимизации производительности мобильных устройств, а не к веб-поиску.

Как этот патент связан с Android?

Патент подан Google, и в нем подробно описывается архитектура операционной системы мобильного устройства, включая Linux Kernel, Dalvik Virtual Machine и Application Libraries, что соответствует архитектуре платформы Android. Вероятно, этот механизм индексации используется в Android для поиска контактов и набора номера.

Индексирует ли система только локальные данные?

Патент упоминает, что набор данных (Dataset) может включать информацию, которая хранится локально на устройстве, информацию, которая хранится удаленно и доступна устройству, или их комбинацию (например, локальные контакты и удаленный корпоративный справочник). Однако, это по-прежнему поиск в ограниченных базах данных, а не в интернете.

Похожие патенты

Как Google адаптировал поисковый индекс для обработки неоднозначных запросов с кнопочных телефонов (WAP/T9)
Google разработал метод для обработки поисковых запросов с устройств с ограниченным вводом, таких как кнопочные телефоны. Система создает вторичный "неоднозначный" индекс (например, числовой), который отражает раскладку клавиатуры устройства. Это позволяет напрямую сопоставлять неоднозначный ввод пользователя (например, последовательность цифр) с терминами в индексе, не требуя уточнения каждой буквы.
  • US6529903B2
  • 2003-03-04

  • Индексация

Как Google создавал "неоднозначные индексы" для обработки запросов с кнопочных телефонов и устройств с ограниченным вводом
Google разработал метод обработки запросов с устройств, где ввод текста затруднен (например, кнопочные телефоны). Система создает вторичный, намеренно "неоднозначный" индекс (например, числовой), транслируя стандартный алфавитный индекс. Неоднозначный запрос пользователя (строка цифр) сопоставляется напрямую с этим вторичным индексом для поиска результатов.
  • US6865575B1
  • 2005-03-08

  • Индексация

Как Google ускоряет автозаполнение (Autocomplete) и какие факторы ранжирования подсказок раскрывает этот механизм кэширования
Google оптимизирует производительность Autocomplete, кэшируя подсказки локально в браузере, чтобы избежать запросов к серверу при каждом вводе символа. Хотя патент фокусируется на скорости, он также подтверждает, что Google ранжирует подсказки на основе популярности запросов (частоты использования) и значимости сущностей (например, численности населения для географических объектов).
  • US20130054632A1
  • 2013-02-28
Как Google организует локальный поиск и индексирование данных приложений на мобильных устройствах
Патент описывает архитектуру локальной службы индексирования и поиска на устройствах (например, смартфонах). Система централизованно собирает данные из различных приложений (почта, контакты, файлы) и создает единый локальный индекс, оптимизированный для устройств с ограниченными ресурсами. Это позволяет выполнять быстрый унифицированный поиск по всему контенту устройства. Патент не связан с веб-поиском Google.
  • US9558248B2
  • 2017-01-31

  • Local SEO

  • Индексация

Как Google интегрирует предсказание и выполнение поиска непосредственно в клавиатуру (Gboard) на основе контекста ввода
Google использует клавиатурное приложение (например, Gboard) для анализа текста, вводимого пользователем в реальном времени (например, в чате). Система идентифицирует поисковые сущности или триггерные фразы, автоматически генерирует релевантные поисковые запросы и предлагает их прямо в интерфейсе клавиатуры. Это позволяет пользователю мгновенно выполнить поиск и получить результаты, не покидая текущее приложение.
  • US10305828B2
  • 2019-05-28

  • Семантика и интент

  • Персонализация

Популярные патенты

Как Google динамически переоценивает значимость факторов ранжирования, основываясь на их надежности в контексте конкретной выдачи
Google использует механизм для повышения качества ранжирования путем анализа надежности (Trustworthiness) различных факторов, влияющих на позицию документа. Если система обнаруживает значительную разницу в надежности сигналов среди результатов поиска, она снижает влияние менее достоверных факторов. Это гарантирует, что документы, получившие высокие оценки за счет ненадежных или легко манипулируемых сигналов, не будут ранжироваться выше документов с более достоверными показателями качества и релевантности.
  • US9623119B1
  • 2017-04-18

  • EEAT и качество

  • Поведенческие сигналы

  • SERP

Как Google индексирует контент внутри мобильных приложений для показа в результатах поиска (App Indexing)
Google использует механизм для индексации контента, который пользователи просматривают в нативных мобильных приложениях. Система получает данные о просмотренном контенте и deep links напрямую от приложения на устройстве. Эта информация сохраняется в индексе (персональном или публичном) и используется для генерации результатов поиска, позволяя пользователям переходить к контенту внутри приложений напрямую из поисковой выдачи.
  • US10120949B2
  • 2018-11-06

  • Индексация

  • SERP

  • Персонализация

Как Google использует околоссылочный текст и заголовки (Web Quotes) для индексирования страниц и генерации сниппетов
Google анализирует текст на страницах, ссылающихся на целевой документ, извлекая «Web Quotes». Это не только текст абзаца, окружающего ссылку, но и текст из ближайших заголовков. Эти цитаты ранжируются по качеству ссылающегося источника (например, PageRank) и используются для индексирования целевой страницы (даже если этих слов на ней нет) и для формирования сниппета в результатах поиска.
  • US8495483B1
  • 2013-07-23

  • Индексация

  • Ссылки

  • SERP

Как Google использует личную историю поиска и профиль интересов для персонализации подсказок Autocomplete
Google персонализирует поисковые подсказки (Autocomplete), используя профиль интересов пользователя, созданный на основе его прошлых запросов и кликов. Система сравнивает тематику потенциальных подсказок с интересами пользователя и повышает в списке те варианты, которые соответствуют его предпочтениям, с учетом актуальности этих интересов.
  • US20140108445A1
  • 2014-04-17

  • Персонализация

  • Поведенческие сигналы

  • Семантика и интент

Как Google использует персональное дерево интересов пользователя для определения важности слов в запросе и его переписывания
Google использует иерархический профиль интересов пользователя (Profile Tree), построенный на основе истории поиска и поведения, чтобы определить, какие слова в запросе наиболее важны для конкретного человека. Специфичные интересы (глубокие узлы в дереве) получают больший вес. Это позволяет системе отфильтровать шум в длинных запросах и сгенерировать более точный альтернативный запрос.
  • US8326861B1
  • 2012-12-04

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует данные о кликах пользователей (CTR и Click Ratio) для определения официального сайта по навигационным запросам
Google анализирует журналы запросов, чтобы определить, какой результат пользователи подавляюще предпочитают по конкретному запросу. Если результат демонстрирует исключительно высокий CTR и/или Click Ratio по популярному запросу, система помечает его как «авторитетную страницу». Затем этот результат может отображаться на выдаче с особым выделением, потенциально переопределяя стандартное ранжирование.
  • US8788477B1
  • 2014-07-22

  • Поведенческие сигналы

  • EEAT и качество

  • SERP

Как Google использует анализ со-цитирования (Co-citation) для группировки результатов поиска по темам
Google использует механизм кластеризации для организации поисковой выдачи, особенно при неоднозначных запросах. Система анализирует, какие внешние страницы одновременно ссылаются на несколько результатов поиска (со-цитирование). На основе этого вычисляется показатель сходства, который учитывает и нормализует популярность страниц, чтобы точно сгруппировать результаты по конкретным темам (например, отделить «Saturn» как планету от «Saturn» как автомобиль).
  • US7213198B1
  • 2007-05-01

  • Ссылки

  • SERP

Как Google создает мгновенные интерактивные результаты на SERP, предварительно загружая и персонализируя скрытый контент
Google использует механизм для создания интерактивных блоков ответов (Answer Boxes), таких как Погода или Панели Знаний. Система отправляет пользователю не только видимый результат, но и дополнительный скрытый контент («карточки»), выбранный на основе истории взаимодействий пользователя. При взаимодействии с блоком (свайп или клик) дополнительный контент отображается мгновенно, без отправки нового запроса на сервер.
  • US9274683B2
  • 2016-03-01

  • SERP

  • Персонализация

  • Поведенческие сигналы

Как Google генерирует "Свежие связанные запросы" на основе анализа трендов и новостного контента
Google анализирует недавние поисковые логи, чтобы выявить запросы, демонстрирующие резкий рост популярности или отклонение от ожидаемой частоты. Эти "свежие" запросы проходят обязательную валидацию: они должны возвращать достаточное количество новостных результатов и иметь хорошие показатели вовлеченности (CTR). Это позволяет Google динамически обновлять блок "Связанные поиски", отражая актуальные события и тренды.
  • US8412699B1
  • 2013-04-02

  • Свежесть контента

  • Поведенческие сигналы

  • SERP

Как Google определяет скрытый интент сессии, используя универсальные уточняющие слова, и переранжирует выдачу
Google идентифицирует универсальные слова-модификаторы (например, «фото», «отзывы», «pdf»), которые пользователи часто добавляют к разным запросам. Если такое слово появляется в сессии, система определяет скрытый интент пользователя. Затем Google переранжирует выдачу, основываясь на том, какие документы исторически предпочитали пользователи с таким же интентом, адаптируя результаты под контекст сессии.
  • US8868548B2
  • 2014-10-21

  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация