Персонализация в Google: разборы патентов
Детальные разборы патентов Google, связанные с персонализацией поиска
Как Google использует иерархию истории поиска (Profile Tree) для персонализации поисковых подсказок
Google создает иерархическое дерево интересов (Profile Tree) для пользователя на основе его истории поиска, кликов и просмотров. При вводе запроса система переранжирует стандартные подсказки. Подсказки, соответствующие более глубоким и специфичным (нишевым) интересам пользователя, получают повышение, вытесняя общие популярные варианты.
- US8316019B1
- 2010-06-23
Как Google использует язык интерфейса пользователя и поведенческие сигналы для определения языковой релевантности документа
Google определяет, для носителей каких языков релевантен документ, анализируя агрегированные данные о кликах. Система изучает, какой языковой интерфейс поиска (например, google.fr или google.de) использовали пользователи, кликнувшие на результат. Учитывая поведенческие факторы, такие как время пребывания на странице (Dwell Time) и позиция клика, Google рассчитывает Оценку Языковой Релевантности. Это позволяет определить целевую аудиторию страницы независимо от языка ее контента.
- US9208231B1
- 2011-11-28
Как Google предсказывает запросы в Картах до того, как пользователь открыл приложение или ввел запрос
Google использует машинное обучение для анализа местоположения, скорости движения и истории пользователя, чтобы предсказать, когда он откроет приложение Карт и что будет искать. Это позволяет системе заранее подготовить релевантные ссылки на маршруты и показать их мгновенно при запуске приложения, обеспечивая нулевую задержку.
- US12141136B2
- 2019-12-05
Как Google предугадывает ваш следующий запрос и заранее показывает его результаты в текущей выдаче
Google анализирует агрегированную историю поисковых сессий, чтобы предсказать, какой запрос пользователь введет следующим. Система может выполнить этот предполагаемый запрос (Inferred Action) заранее и встроить его результаты непосредственно в текущую страницу выдачи. Этот механизм часто активируется при показе персональных данных или Панелей знаний и учитывает контекст (время, сезон) и интересы пользователя.
- US20170116284A1
- 2013-12-30
Как Google использует социальные связи и действия пользователей для персонализации и аннотирования поисковой выдачи
Google использует механизм для персонализации поисковой выдачи путем добавления аннотаций к результатам, которые связаны с социальными группами пользователя (друзья, коллеги, жители города). Система определяет, как участники этих групп взаимодействовали с контентом (создали, поделились, одобрили), приоритизирует эти действия и добавляет пояснения к сниппетам. Также описаны механизмы агрегации действий и защиты конфиденциальности при показе аннотаций.
- US10142441B2
- 2011-01-28
Как Google использует агрегированные интересы социальных групп для персонализации и переранжирования поисковой выдачи
Google патентует механизм «Социальной линзы», позволяющий пользователям уточнять результаты поиска на основе интересов и поведения выбранного социального круга (например, «Коллеги» или «Геймеры»). Система агрегирует историю поиска и веб-активность участников круга в профиль интересов и использует эти данные для переранжирования или фильтрации выдачи, делая ее более релевантной контексту этой группы.
- US9141617B1
- 2012-10-26
Как Google использует социальный граф и профиль интересов пользователя для глубокой персонализации Knowledge Panel и поисковой выдачи
Google использует механизм для обогащения поисковой выдачи и Панелей Знаний (Knowledge Panels) персонализированными социальными аннотациями. Если тема запроса пересекается с сильными интересами пользователя (определяется по Topic Score), система подмешивает в выдачу релевантный контент из его социального графа, например, действия друзей, фотографии или чекины, связанные с темой.
- US9934283B2
- 2013-03-08
Как Google A/B тестирует и оптимизирует сниппеты (заголовки, описания, изображения) для повышения CTR
Google использует механизм для оптимизации отображения контента (сниппетов). Система показывает разные варианты заголовков, описаний или изображений для одной и той же ссылки разным пользователям или на разных платформах. Затем она измеряет кликабельность (CTR) каждого варианта и выбирает наиболее эффективный для дальнейшего использования, учитывая также тип устройства пользователя.
- US9569432B1
- 2012-08-10
Как Google использует анализ жестов и машинное обучение для показа интерактивных видео-превью прямо в результатах поиска
Google использует интерфейс для поиска медиаконтента, объединяющий прокручиваемый список результатов и специальную «область фокуса» для автоматического воспроизведения превью. Система анализирует жесты пользователя (свайпы, касания) в реальном времени, используя персонализированное машинное обучение для определения заинтересованности, и мгновенно показывает соответствующее превью, не требуя перехода на другую страницу.
- US11762902B2
- 2017-12-12
Как Google персонализирует результаты поиска в зависимости от сайта, с которого отправлен запрос
Google анализирует совокупные поисковые запросы и последующие клики пользователей, инициирующих поиск с определенного веб-сайта. На основе этих данных создается «Профиль Веб-сайта», отражающий коллективные интересы его аудитории. Этот профиль используется для переранжирования будущих результатов: один и тот же запрос, отправленный с разных сайтов, даст разную выдачу, адаптированную под контекст источника.
- US8078607B2
- 2006-03-30
Как Google использует контекст и историю пользователя для понимания голосовых команд и запуска неявных поисковых запросов
Патент раскрывает методы интерпретации голосового ввода на носимых устройствах. Система анализирует обширный контекст (недавние документы, местоположение, календари), чтобы определить намерение пользователя. Ключевой особенностью является генерация «неявных поисковых запросов» (Implicit Search Requests) автоматически, без прямой команды пользователя, на основе его текущей деятельности.
- US20130018659A1
- 2011-11-08
Как Google ранжирует персональные документы (письма, файлы), используя обобщенные данные о взаимодействии на уровне признаков
Google решает проблему ранжирования личных документов (например, электронных писем), для которых нет истории кликов. Вместо анализа кликов по конкретному документу система анализирует взаимодействие на уровне признаков. Она агрегирует данные о том, как миллионы пользователей взаимодействуют с документами, имеющими схожие признаки (например, структуру темы письма или отправителя), и использует эти данные для ранжирования похожих документов в вашем личном поиске.
- US10394832B2
- 2016-10-24
Как Google использует теги внутри видео, социальные связи и одобрения для генерации персонализированных рекомендаций
Google использует систему рекомендаций, анализирующую элементы (людей, объекты, места), отмеченные тегами непосредственно внутри видео. Система находит связанный контент, содержащий те же элементы. Если в видео отмечен человек, система может рекомендовать контент, который этот человек одобрил (смотрел, лайкнул), учитывая силу социальной связи между ним и зрителем, при строгом соблюдении настроек конфиденциальности.
- US9639634B1
- 2014-01-28
Как Google использует профили пользователей для персонализации и изменения порядка показа рекламы в поиске
Google создает детальные профили интересов пользователей на основе истории поиска, поведения и взаимодействия с контентом. Эти профили используются для персонализации выдачи, в частности, для изменения порядка показа рекламы (Placed Content). Система вычисляет показатель сходства между профилем пользователя и профилем рекламы, корректируя стандартный рейтинг (CTR * Ставка), чтобы показывать пользователю наиболее релевантные объявления.
- US7693827B2
- 2004-07-13
Как Google использует историю поиска и браузинга для персонализации выдачи и создания неявного "Избранного"
Google записывает историю поиска и просмотров пользователя для персонализации результатов. Система определяет "предпочтительные сайты" на основе частоты посещений, кликов и времени на сайте, повышая их в выдаче для этого пользователя. Патент также описывает объединение предпочтений пользователя с предпочтениями других людей для формирования комбинированного рейтинга.
- US20060224608A1
- 2005-03-31
Как Google использует историю браузера пользователя для персонализации и переранжирования результатов поиска
Google использует локально сохраненную историю посещений пользователя для изменения стандартной поисковой выдачи. Система отслеживает, какие документы пользователь посещал ранее, как часто и как долго. При последующих поисках ранее посещенные сайты агрессивно повышаются в выдаче или добавляются в нее, обеспечивая персонализированный результат, основанный на предыдущем поведении пользователя.
- US7730054B1
- 2003-09-30
Как Google использует персональные выделения контента и поведение чтения для гиперперсонализации поисковой выдачи
Google отслеживает, какой текст пользователи выделяют на веб-страницах и как они читают контент (включая скорость прокрутки и потенциально отслеживание взгляда). Эта информация используется для глубокой персонализации будущих поисковых запросов: система аннотирует знакомые результаты, использует содержание выделенного текста для подбора другого релевантного контента и автоматически возвращает пользователя к последнему просмотренному фрагменту.
- US11514126B2
- 2020-05-19
Как Google использует историю посещений (чекины) пользователя и его друзей для персонализации локальной выдачи
Google может повышать в ранжировании места (рестораны, магазины), которые посещал сам пользователь или его контакты из социального графа. Система учитывает данные о физическом присутствии, давность посещения и силу социальной связи, чтобы персонализировать результаты локального поиска.
- US9659065B1
- 2013-06-05
Как Google использует удобство взаимодействия (UX) и аффинитивность пользователя для ранжирования поставщиков контента и услуг
Патент Google описывает систему ранжирования результатов для сущностей (например, музыка, фильмы, бронирования). Система использует «Меру Эффективности» (Effectiveness Measure), которая учитывает два ключевых фактора: насколько быстро пользователь может получить контент или завершить транзакцию после клика (Quantity of Steps) и насколько пользователь предпочитает конкретного поставщика (Affinity Measure), основываясь на его подписках, установленных приложениях и истории взаимодействий.
- US9767159B2
- 2014-06-13
Как Google использует машинное обучение для оптимизации обхода Knowledge Graph и поиска связанных концепций
Google оптимизирует обход Knowledge Graph для эффективного поиска семантически связанных фраз. Вместо анализа всех связей сущности система использует ML-модели для выбора только тех отношений (свойств), которые вероятнее всего приведут к ценным результатам. Этот выбор основан на истории поисковых запросов и контексте пользователя, что позволяет экономить вычислительные ресурсы и повышать релевантность предложений.
- US10140286B2
- 2017-02-22
Как Google в Autocomplete динамически выбирает между показом общих категорий и конкретных подсказок в зависимости от «завершенности запроса»
Google анализирует «меру завершенности запроса» (Measure of Query Completeness) по мере ввода текста пользователем. Если намерение неясно и существует много вариантов продолжения (низкая завершенность, высокая энтропия), система предлагает общие категории (например, «Регионы», «Бизнесы»). Если намерение становится ясным (высокая завершенность, низкая энтропия), система переключается на конкретные подсказки или сущности.
- US9275147B2
- 2012-06-18
Как Google обучает модели машинного обучения для персонализации поиска при недостатке данных о пользователе
Этот патент описывает продвинутую технику машинного обучения, используемую Google для комбинирования различных типов сигналов (запрос, история пользователя, контекст) при ранжировании. Он использует метод иерархического взвешивания (тензорные произведения и слои), который гарантирует точность системы, даже если часть информации (например, история пользователя) отсутствует, отдавая приоритет фундаментальной релевантности над сложными взаимодействиями.
- US9122986B2
- 2012-11-05
Как Google использует персональные оценки и метки (аннотации) для персонализации и переранжирования поисковой выдачи
Патент Google описывает систему, позволяющую пользователям явно оценивать, комментировать и помечать веб-страницы. Эти аннотации используются для переранжирования будущих результатов поиска пользователя, повышая полезные страницы и понижая бесполезные. Система также вычисляет общие оценки сайтов (Site Rating) на основе оценок отдельных страниц для дальнейшей персонализации.
- US8990193B1
- 2005-09-15
Как Google проактивно формирует путеводители, анализируя разрозненные действия пользователя для предсказания его поездок
Google патентует систему для предсказания будущих поездок пользователя путем анализа его действий (поисковые запросы, электронные письма, просмотры веб-страниц). Система связывает эти действия с сущностями и локациями, вычисляет вероятность поездки и проактивно предоставляет сводную информацию (путеводитель) без прямого запроса пользователя. Это механизм для систем типа Google Discover, фокусирующийся на долгосрочном понимании намерений пользователя.
- US9146116B1
- 2014-06-04
Как Google использует контекст пользователя (местоположение, время, историю) для предсказания поискового намерения в локальном поиске (Queryless Search)
Google использует механизм предиктивного поиска (Queryless Search), который анализирует местоположение пользователя, время суток, историю поиска и историю перемещений. На основе этих данных система автоматически предлагает релевантные категории (например, "Рестораны", "Бары") еще до ввода запроса. Система адаптирует предложения в зависимости от знакомства пользователя с локацией и фильтрует результаты по времени работы и близости.
- US9529867B1
- 2013-09-19
Как Google использует погоду, время, текущие события и социальные сигналы для персонализации поисковых подсказок (Autocomplete)
Google динамически изменяет поисковые подсказки (Autocomplete и переписанные запросы), основываясь на текущем контексте пользователя. Система учитывает такие факторы, как погода, время суток, актуальные новости, рекомендации друзей в социальных сетях и их местоположение. Стандартные подсказки переоцениваются и переранжируются в реальном времени, чтобы предложить пользователю наиболее релевантный запрос в данный момент и в данном месте.
- US20160041991A1
- 2013-05-20
Как Google персонализирует локальную выдачу и ранжирует отзывы, основываясь на отеле, в котором остановился пользователь
Google использует данные о месте проживания пользователя (например, отеле) для персонализации локального поиска. При поиске ресторанов или достопримечательностей система повышает в ранжировании те места, которые высоко оценили другие гости этого же отеля. Отзывы от постояльцев также показываются в приоритетном порядке, так как они считаются более релевантными для пользователя.
- US9817907B1
- 2014-06-18
Как Google персонализирует выдачу, определяя ваши аккаунты в соцсетях и показывая контент, которым поделились ваши контакты
Google использует механизм для определения других аккаунтов пользователя в социальных сетях (Кандидатные Идентификаторы), даже если они не были связаны явно. Система анализирует совпадение контактов между известным профилем пользователя и потенциальными аккаунтами. Затем результаты поиска персонализируются путем повышения контента, который был создан или аннотирован (например, расшарен) контактами из этих социальных сетей. Система также может запрашивать подтверждение владения аккаунтом прямо в поисковой выдаче.
- US8972398B1
- 2012-02-27
Как Google отслеживает, анализирует и использует историю поведения пользователя для персонализации поиска и визуализации активности
Патент Google описывает инфраструктуру для сбора и анализа истории действий пользователя (запросы, клики по органике и рекламе, просмотры страниц). Система использует эти данные, включая метрики вовлеченности вроде «stay-time», для определения «предпочитаемых местоположений» и персонализации выдачи. Также описан метод графической визуализации объема этой активности.
- US7694212B2
- 2005-03-31
Как Google персонализирует списки трендовых тем на основе профиля интересов пользователя
Google использует механизм для адаптации списков популярных ("горячих") тем под конкретного пользователя. Система сравнивает профиль интересов пользователя (основанный на его истории поиска и активности) с тематическим профилем трендовой темы. На основе схожести стандартный рейтинг темы корректируется с помощью Boost Factor, формируя персонализированный список трендов.
- US8762326B1
- 2010-09-23