Как Google использует поведенческие данные и визуальные превью для предложения вариантов поиска картинок на других языках

Термины и определения

Approximate Translation (Приблизительный перевод)

Термины на втором языке, которые семантически похожи на термины исходного запроса, но не являются их словарным эквивалентом. Сходство может определяться на основе схожести результатов поиска или поведения пользователей (например, выбора одних и тех же результатов по разным запросам).

Cross-language search option (Опция межъязыкового поиска)

Элемент пользовательского интерфейса, представляющий перевод исходного запроса на другой язык. Включает текст перевода и превью (preview) результатов поиска. Является кликабельным элементом.

Exact Translation (Точный перевод)

Термины на втором языке, которые являются словарным эквивалентом терминов исходного запроса.

Frequency of Revision Measurement (Измерение частоты ревизий)

Метрика, измеряющая, как часто поисковые запросы на первом языке переформулируются пользователями в соответствующие поисковые запросы на втором языке (в рамках одной сессии или временного окна).

Frequency of Submission Measurement (Измерение частоты отправок)

Метрика, измеряющая, как часто данный перевод используется пользователями в качестве поискового запроса (популярность запроса).

Historical Data Store (Хранилище исторических данных)

База данных, хранящая логи запросов, клики и данные о сессиях. Используется для расчета метрик оценки переводов.

Preview (Превью)

Визуальное представление результатов поиска для переведенного запроса (например, миниатюра изображения). Ключевой элемент Cross-language search option.

Translation Engine (Механизм перевода)

Компонент системы, отвечающий за генерацию (Translation Generator), оценку (Translation Scorer) и выбор (Translation Selector) переводов исходного запроса.

Unique Users Measurement (Измерение уникальных пользователей)

Метрика для оценки перевода. Оценивает количество уникальных пользователей (по IP или cookies), которые использовали перевод в качестве запроса.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод межъязыкового поиска изображений с акцентом на процесс выбора переводов.

1. Система получает первый запрос на поиск изображений (на языке А) и результаты для него.
2. Система получает переводы этого запроса (на языки B, C и т.д.). Этот процесс включает запатентованный механизм выбора:
   • Получение множества кандидатов в переводы.
   • Определение оценки (score) для каждого кандидата.
   • Выбор итоговых переводов из кандидатов на основе этих оценок.
3. Для каждого выбранного перевода система получает соответствующие результаты поиска.
4. Система предоставляет инструкции клиентскому устройству для отображения интерфейса, включающего:
   • Результаты для первого запроса.
   • Cross-language search option для каждого перевода. Каждая опция включает текст перевода и preview релевантных ему результатов.

Claims 5-9 (Зависимые от 1): Детализируют метрики, используемые для расчета оценки (score) кандидата в переводы (шаг 2 основного процесса). Это ядро изобретения, показывающее, что выбор перевода основан на данных о поведении пользователей (data-driven).

• Claim 5: Оценка определяется на основе Frequency of Submission Measurement (как часто этот перевод используется как запрос).
• Claim 6: Оценка определяется на основе Frequency of Revision Measurement (как часто пользователи переключаются с языка А на язык B для соответствующих запросов).
• Claim 7: Оценка определяется на основе Click Through Rate (CTR) перевода, когда он используется как запрос.
• Claim 8: Оценка определяется на основе количества уникальных пользователей (Unique Users Measurement), которые использовали этот перевод как запрос.
• Claim 9: Оценка определяется на основе количества результатов (Quantity of Results Measurement), доступных по этому переводу.

Claim 3 (Зависимый от 1): Описывает взаимодействие. В ответ на выбор пользователем Cross-language search option, система отображает новый интерфейс с результатами, релевантными выбранному переводу.

Где и как применяется

Изобретение функционирует на этапах понимания запроса, ранжирования и формирования выдачи.

QUNDERSTANDING – Понимание Запросов
Основной этап применения. Translation Engine анализирует входящий запрос и выполняет его расширение в межъязыковом контексте. Он генерирует кандидатов (точные и приблизительные) и оценивает их полезность. Оценка использует Historical Data Store для извлечения поведенческих данных (CTR, частота запросов, паттерны переформулирования). Это форма расширения и переписывания запроса (Query Expansion/Rewriting).

RANKING – Ранжирование
Система выполняет несколько параллельных процессов ранжирования: один для исходного запроса и по одному для каждого выбранного перевода. Это необходимо для получения результатов и выбора изображения для preview.

METASEARCH – Метапоиск и Смешивание
Instruction Engine отвечает за формирование финальной страницы результатов (SERP). Он объединяет результаты исходного запроса с блоком Cross-language search options. Этот блок является специальным элементом выдачи (SERP feature), предоставляющим доступ к результатам из других языковых корпусов.

Входные данные:

• Исходный запрос на поиск изображений.
• Исторические данные о поисковых сессиях (логи запросов, клики, ревизии).
• Словари и базы данных для генерации переводов.
• Индекс изображений.

Выходные данные:

• Инструкции для отображения пользовательского интерфейса, включающего основные результаты и блок Cross-language search options (текст перевода + превью).

На что влияет

• Конкретные типы контента: Патент сфокусирован на поиске изображений (Image Search). Визуальное превью является ключевым элементом для преодоления языкового барьера.
• Специфические запросы: Наибольшее влияние на запросы, связанные с сущностями или концепциями, которые имеют разное представление или популярность в разных языках и культурах (имена знаменитостей, названия произведений, культурные события, географические объекты).
• Языковые и географические ограничения: Система направлена на преодоление этих ограничений, показывая контент из других языковых индексов.

Когда применяется

• Триггеры активации: Система отобразит Cross-language search options только в том случае, если будут найдены переводы, чьи оценки (scores) превышают определенный порог или попадают в топ-N лучших кандидатов.
• Условия работы: Система активируется, когда потенциальная выгода от поиска на другом языке высока. Это определяется с помощью метрик, таких как высокое количество результатов (Quantity of Results), высокий CTR или высокая частота использования (Frequency of Submission) переведенного запроса в целевом языке.

Пошаговый алгоритм

Процесс А: Генерация и оценка переводов (Translation Engine)

1. Генерация кандидатов: Translation Generator получает исходный запрос и генерирует список кандидатов.
   • Точные переводы (Exact Translations) генерируются с использованием словарей или машинного перевода.
   • Приблизительные переводы (Approximate Translations) извлекаются на основе семантического сходства (например, если запросы на разных языках возвращают схожие результаты или пользователи выбирают схожие результаты).
2. Сбор данных для оценки: Translation Scorer собирает данные для каждого кандидата из Historical Data Store. Собираются данные по:
   • Поведенческим метрикам: CTR, Unique Users Measurement, Frequency of Submission.
   • Метрикам выдачи: Quantity of Results Measurement.
   • Метрикам языковой связи: Frequency of Revision Measurement.
3. Расчет оценок: Translation Scorer вычисляет итоговую оценку (score) для каждого кандидата, например, путем взвешенного суммирования или среднего значения нормализованных метрик.
4. Выбор переводов: Translation Selector выбирает итоговый набор переводов на основе оценок (Топ-N или превысившие порог).

Процесс Б: Обработка запроса и формирование выдачи (Image Search System)

1. Получение запроса и первичных результатов: Система получает исходный запрос и результаты для него.
2. Получение выбранных переводов: Система получает набор переводов от Translation Engine (Процесс А).
3. Получение результатов для переводов: Для каждого выбранного перевода система получает набор релевантных результатов.
4. Генерация превью: Instruction Engine выбирает изображение для preview для каждого перевода (например, из топ-результата или наиболее кликабельного результата по историческим данным).
5. Формирование интерфейса: Instruction Engine генерирует инструкции для отображения интерфейса, включающего основные результаты и блок Cross-language search options.
6. Обработка выбора: При выборе пользователем опции система отображает новую страницу результатов, соответствующую переводу.

Какие данные и как использует

Данные на входе

Патент в значительной степени опирается на поведенческие и системные данные для оценки полезности переводов.

• Поведенческие факторы: Критически важны для работы Translation Scorer.
  • Логи запросов: Используются для определения Frequency of Submission и Unique Users Measurement.
  • Данные о кликах: Используются для расчета CTR переводов, когда они используются как запросы.
  • Данные о сессиях: Используются для определения Frequency of Revision (шаблоны переключения между языками) и для выявления Approximate Translations.
• Мультимедиа факторы:
  • Изображения: Используются для генерации визуальных preview. Также в описании патента (не в Claims) упоминается возможность использования Visual Similarity Measurement (оценка визуального сходства) между наборами результатов как фактора оценки.
• Пользовательские факторы: Данные об уникальных пользователях (IP, cookies) используются для Unique Users Measurement (с анонимизацией для защиты приватности).

Какие метрики используются и как они считаются

Система вычисляет оценку (Score) для каждого кандидата в переводы, используя следующие метрики:

• CTR (Click-Through Rate): (Количество кликов по результатам) / (Количество отправок перевода как запроса). Индикатор качества/релевантности.
• Frequency of Submission Measurement: Как часто перевод отправляется как запрос. Индикатор популярности. В патенте упоминается, что расчет может отличаться для "длиннохвостых" запросов (long-tailed query).
• Frequency of Revision Measurement: Как часто пользователи переформулируют запросы с исходного языка на целевой язык перевода. Индикатор связи между языками.
• Unique Users Measurement: Оценка количества уникальных пользователей, отправивших перевод как запрос. Индикатор широты интереса.
• Quantity of Results Measurement: Количество результатов поиска, релевантных переводу. Индикатор объема контента.

Агрегация данных: Итоговая оценка (Score) рассчитывается путем комбинации этих факторов. В патенте упоминается взвешенная сумма или среднее взвешенное. Факторы могут быть предварительно нормализованы.

1. Поведенческие сигналы для валидации переводов: Ключевым аспектом патента является использование реальных данных о поведении пользователей (CTR, частота запросов, шаблоны переформулирования) для оценки полезности и релевантности переводов. Это не просто машинный перевод, а семантическое соответствие, подтвержденное действиями пользователей.
2. Google активно преодолевает языковые барьеры в поиске: Система стремится показать лучший доступный визуальный контент, даже если он находится в другом языковом индексе и пользователь не знает языка.
3. Важность Approximate Translations: Система использует не только словарные переводы, но и семантически связанные запросы (Approximate Translations), основанные на сходстве результатов или поведения пользователей. Это позволяет улавливать нюансы, сленг и культурные особенности.
4. Визуальная коммуникация как мост между языками: В контексте поиска изображений визуальное превью (Preview) является критически важным элементом UI, позволяющим пользователю оценить релевантность перевода без знания языка.
5. Качество и объем выдачи как фактор выбора: Система предпочитает переводы, которые ведут к более богатой (Quantity of Results) и востребованной (CTR) выдаче.

Best practices (это мы делаем)

• Глобальная оптимизация изображений (Image SEO): Убедитесь, что ваши ключевые изображения оптимизированы для релевантных запросов на всех целевых языках (Alt-текст, подписи, окружающий текст). Это повышает вероятность того, что ваше изображение будет найдено и потенциально выбрано как Preview, когда Google выполнит поиск по переведенному запросу.
• Повышение поведенческих факторов на основном языке: Максимизируйте вовлеченность и CTR для вашего контента на каждом языке. Поскольку CTR используется для оценки качества переведенных запросов (Claim 7), высокая вовлеченность на Языке Б увеличивает вероятность того, что Google предложит этот запрос пользователям, ищущим на Языке А.
• Оптимизация под реальные запросы и сленг (Approximate Translations): Исследуйте, как носители языка реально ищут вашу тематику, включая разговорные термины. Поскольку Google использует Approximate Translations, основанные на поведении, оптимизация под эти термины более эффективна, чем под строгие словарные переводы.
• Анализ международного спроса: Определите языки, где ваша тематика наиболее популярна. Высокий спрос (Frequency of Submission) на этих языках является сигналом для качественной локализации контента, чтобы напрямую конкурировать в этих индексах и стать целью для межъязыковых опций.

Worst practices (это делать не надо)

• Использование низкокачественного машинного перевода: Создание контента или оптимизация метаданных изображений с помощью машинного перевода без учета реального спроса неэффективно. Система оценивает полезность по поведенческим сигналам (CTR, Frequency of Submission), которые у такого контента будут низкими.
• Игнорирование международного контекста: Фокусироваться только на одном языке, предполагая, что этого достаточно для глобального охвата. Этот патент показывает, что Google активно ищет и предлагает результаты на других языках, если они лучше.
• Игнорирование локального контекста изображений: Использование одних и тех же изображений для разных рынков без учета культурного восприятия может привести к низкому CTR на определенных языках, что негативно скажется на оценке Translation Scorer.

Стратегическое значение

Патент подтверждает стратегию Google по созданию глобального информационного пространства, где язык не является барьером, особенно для визуального контента. Для SEO это означает, что оценка качества и релевантности происходит в глобальном контексте. Авторитетный контент на одном языке может быть показан пользователям, ищущим на другом. Это подчеркивает необходимость построения тематической авторитетности на международном уровне и важность качественной оптимизации и локализации визуальных активов.

Практические примеры

Сценарий: Оптимизация для туристической достопримечательности (Эйфелева башня)

1. Анализ данных (Google): Google видит, что запрос "Tour Eiffel" (Французский) имеет очень высокий CTR и Frequency of Submission. Также наблюдается высокая Frequency of Revision: пользователи иногда ищут "Eiffel Tower" (Английский), а затем уточняют до "Tour Eiffel".
2. Действие системы: Пользователь ищет "Eiffel Tower". Система присваивает переводу "Tour Eiffel" высокую оценку.
3. Отображение SERP: Пользователю показывается Cross-language search option: [Превью изображения] "Tour Eiffel (French)".
4. Стратегия SEO: Владелец сайта должен убедиться, что его лучшие изображения Эйфелевой башни оптимизированы под французский запрос (с качественным французским контекстом) и имеют высокий CTR во Франции. Это повышает шансы, что именно его изображение будет выбрано для Preview и показано международной аудитории, ищущей на английском.