Персонализация в Google: разборы патентов
Детальные разборы патентов Google, связанные с персонализацией поиска
Как Google использует радар для понимания жестов и физического состояния пользователя при обработке поисковых запросов
Google патентует технологию использования радарных систем (например, Project Soli) для улучшения поиска путем интерпретации физических жестов и физиологических данных пользователя в реальном времени. Система может распознать, куда указывает пользователь или в каком направлении он движется, и использовать эту информацию для уточнения поискового запроса (например, поиск кафе в направлении движения) или даже для инициирования поиска без текстового ввода.
- US11169988B2
- 2014-10-01
Как Google адаптирует ранжирование контента под частоту посещений пользователя, балансируя между важностью и новизной
Google использует механизм для персонализации лент контента (например, Новости, Discover). Система анализирует, как часто пользователь запрашивает контент. Для частых посетителей приоритет отдается новизне, чтобы избежать повторов. Для редких посетителей приоритет отдается важности контента, чтобы они не пропустили ключевые материалы, даже если они были опубликованы давно.
- US9477376B1
- 2012-12-19
Как Google анализирует последовательность запросов в сессии для предсказания следующего шага пользователя
Google отслеживает последовательность запросов пользователя в текущей поисковой сессии и сравнивает её с миллионами исторических сессий. Если текущий путь поиска совпадает с популярными маршрутами других пользователей, система предлагает наиболее частые следующие или завершающие запросы из этих данных. Это механизм для генерации контекстных подсказок, помогающих пользователю быстрее завершить задачу.
- US8725756B1
- 2008-11-11
Как Google использует интерактивные "Опорные Точки" (Pivot Points) для динамической навигации по товарам в поисковой выдаче
Google использует механизм для улучшения навигации по товарам, особенно на мобильных устройствах. Система создает многомерное пространство товаров на основе их атрибутов и выбирает репрезентативные "Опорные Точки" (Pivot Points). Пользователи могут "приближать" точку для просмотра похожих товаров или "отдалять", чтобы увидеть новый набор опорных точек, динамически адаптированный под их интересы и историю взаимодействий.
- US10606907B1
- 2016-06-01
Как Google использует историю медиапотребления и фоновый звук для персонализации поисковых подсказок (Autocomplete)
Google может анализировать историю потребления медиаконтента пользователем (музыка, фильмы) и захватывать фоновый звук (например, играющую музыку) в момент ввода запроса. На основе распознанных сущностей (артисты, названия) система персонализирует поисковые подсказки (Autocomplete), предлагая запросы, связанные с недавно потребленным или текущим контентом.
- US9984075B2
- 2015-10-06
Как Google использует персональные оценки пользователей для экстраполяции предпочтений и персонализации поисковой выдачи
Google использует механизм для агрегации оценок (явных или неявных), которые пользователь дает отдельным веб-страницам. Система формирует персональный «рейтинг сайта» или раздела сайта на основе этих данных. Затем этот агрегированный рейтинг используется для повышения или понижения позиций других страниц этого сайта в будущих поисковых результатах конкретного пользователя, даже если эти страницы он ранее не оценивал.
- US8589391B1
- 2005-09-15
Как Google автоматически создает и выполняет «постоянные запросы» на основе поведения и местоположения пользователя (Проактивный поиск)
Google использует систему проактивного поиска, которая отслеживает повторяющиеся действия пользователя (например, частые поиски или задачи). Система автоматически создает «постоянные запросы» и выполняет их в фоновом режиме, основываясь на контексте пользователя (местоположении, времени) и частоте его прошлых действий. Результаты доставляются в виде уведомлений, если система считает момент подходящим.
- US9147001B1
- 2012-08-15
Как Google индексирует действия пользователя на локальном устройстве для контекстного поиска (Архитектура Google Desktop)
Патент описывает архитектуру клиентского поискового движка (например, Google Desktop), который в реальном времени фиксирует взаимодействия пользователя с контентом (веб-страницы, документы, email). Система индексирует этот контент локально и может генерировать автоматические (имплицитные) запросы на основе текущего контекста пользователя, объединяя локальные и веб-результаты.
- US7725508B2
- 2004-06-30
Как Google передает данные об интересах пользователя сторонним сайтам для персонализации контента после клика
Google анализирует активность пользователя для определения его тематических интересов (например, "тайская еда" или "собаки"). При генерации поисковой выдачи Google может закодировать релевантные интересы прямо в URL ссылки. Это позволяет стороннему сайту немедленно адаптировать контент лендинга под пользователя и потенциально передать данные о его поведении обратно в Google для уточнения профиля.
- US9754036B1
- 2014-03-26
Как Google использует социальные связи для персонализации и повышения в ранжировании онлайн-форумов в результатах поиска
Google использует механизм для персонализации поисковой выдачи путем интеграции данных из социальной сети. Если система определяет, что результат поиска является онлайн-форумом, она проверяет, являются ли социальные контакты пользователя участниками этого форума. При обнаружении таких связей система повышает рейтинг форума в выдаче и добавляет социальные аннотации, указывая, кто из контактов пользователя активен на этом ресурсе.
- US8862598B1
- 2012-09-13
Как Google использует поведенческие сигналы и контекст событий для обучения моделей целостному пониманию изображений
Google использует анализ естественного языка (например, из Google Assistant) для определения значимых событий. Система анализирует поведенческие сигналы (время просмотра, редактирование, шеринг) и контент изображений, сделанных в этот период, чтобы автоматически аннотировать релевантные фотографии. Эти данные критически важны для обучения моделей машинного обучения целостному (holistic) пониманию контекста и тематики изображений, выходя за рамки простого распознавания объектов.
- US11836183B2
- 2023-01-05
Как Google использует Социальный Граф и метрику Affinity для персонализации и ранжирования поиска по картинкам
Google использует социальный граф пользователя для персонализации поиска по картинкам. Система идентифицирует изображения, опубликованные контактами пользователя (друзьями, подписками), и ранжирует их в единой выдаче с общими результатами. Ключевую роль играет метрика Affinity (близость контакта к пользователю), основанная на степени связи и частоте взаимодействий, которая используется для повышения релевантных социальных результатов.
- US20150169571A1
- 2010-10-21
Как Google ранжирует стриминговые сервисы и поставщиков медиаконтента в результатах поиска
Google использует персонализированный алгоритм для ранжирования поставщиков медиаконтента (фильмов, сериалов). Система учитывает наличие у пользователя подписок, установленных приложений, историю взаимодействий, стоимость контента, поддержку глубоких ссылок и популярность сервиса, чтобы определить, какие ссылки на просмотр показать первыми в выдаче.
- US20170364598A1
- 2015-11-19
Как Google персонализирует поисковые подсказки (Autocomplete) используя ваш социальный граф
Google использует данные из социального графа пользователя для персонализации и ранжирования поисковых подсказок (Autocomplete). Система учитывает, что искали ваши контакты, на какие результаты они кликали и какие ресурсы они одобряли (Endorsements). Подсказки, популярные среди близких контактов, ранжируются выше.
- US9305092B1
- 2012-08-10
Как Google использует тип устройства, скорость соединения и время суток для персонализации рекомендаций контента
Google персонализирует рекомендации контента, анализируя контекст подключения пользователя. Система учитывает тип устройства (смартфон, ПК, ТВ), скорость интернета, время суток и день недели, чтобы определить, какой контент предложить далее. Это позволяет адаптировать рекомендации, например, предлагая короткие видео для мобильных устройств с медленным соединением.
- US9369354B1
- 2013-11-14
Как Google персонализирует локальную выдачу, используя активность и присутствие контактов из вашего социального графа
Google улучшает результаты локального поиска (например, рестораны или магазины), показывая, кто из ваших социальных контактов находится там сейчас, недавно посещал это место или часто там бывает. Система также интегрирует сообщения или отзывы, оставленные этими контактами о данном заведении, непосредственно в сниппет результата поиска.
- US8972368B1
- 2012-12-07
Как Google персонализирует поисковые подсказки (Autocomplete) на основе интересов пользователя
Google использует механизм для персонализации поисковых подсказок (Autocomplete). Система определяет категории интересов пользователя на основе его истории поиска. Когда пользователь вводит начало запроса, подсказки ранжируются не по глобальной популярности, а по частоте их использования людьми с похожими интересами. Это направляет поисковое поведение пользователя в сторону запросов, релевантных его категории.
- US8027990B1
- 2008-07-09
Как Google использует клики, удаление и архивирование новостей для персонализации и обновления ленты Google News
Патент Google, описывающий механизм поддержания актуальности и релевантности новостной ленты (например, Google News). Система использует явные (удаление, понижение) и неявные (клики) сигналы пользователя для фильтрации контента. Просмотренные или скрытые новости удаляются из ленты вместе с похожими материалами и заменяются свежим контентом. Эти взаимодействия также используются для переранжирования оставшихся новостей.
- US8880499B1
- 2005-12-28
Как Google персонализирует выдачу, понижая результаты, которые пользователь исторически игнорирует или быстро покидает
Google использует историю поиска пользователя для выявления результатов, которые пользователь систематически пропускает или считает нерелевантными (например, быстро возвращается на выдачу). Такие результаты идентифицируются как «нежелательные» (User-Disfavored) и активно понижаются в персональной выдаче для этого пользователя, даже если их общий рейтинг высок.
- US7827170B1
- 2007-08-28
Как Google анализирует поведение пользователей для выбора разнообразных связанных запросов и диверсификации контента на выдаче
Google использует механизм для диверсификации предложений на странице результатов (например, связанных запросов или рекламных блоков), основанный на анализе сессий пользователей. Система отбирает подсказки, которые часто следуют за исходным запросом (высокая «Utility»), но при этом редко следуют друг за другом (высокая «Diversity»). Это позволяет покрыть разные намерения пользователя, исходящие из одного неоднозначного запроса.
- US8631030B1
- 2010-12-28
Как Google (YouTube) использует последовательность просмотров и общее время просмотра для определения и ранжирования похожих видео
Google использует поведенческие сигналы для определения похожих видео на платформах типа YouTube. Система анализирует, какие видео пользователи смотрят одно за другим в течение короткого времени (ко-просмотры). Если пользователи положительно взаимодействуют (например, долго смотрят) с Видео А и сразу после этого с Видео Б, система считает их связанными. Финальный список рекомендаций ранжируется с учетом временной близости просмотров и общего времени просмотра (Total Watch Time).
- US9088808B1
- 2008-02-08
Как Google использует социальные связи, демографию и неявные сигналы для ранжирования персонализированных результатов
Google патентует систему для обработки «социальных опросных запросов» (например, «что мои друзья думают о фильме X»). Система определяет релевантность контента, учитывая социальный граф пользователя, авторитетность участников сети, их демографические атрибуты и неявные сигналы (например, текущее местоположение), чтобы предоставить персонализированные и социально релевантные результаты.
- US9122756B2
- 2013-06-06 (Continuation of 2010-12-16)
Как Google использует динамические UI-элементы (Floatables и Chips) для ускорения обнаружения видео и адаптации рекомендаций в реальном времени
Google патентует механизмы интерфейса для мобильных платформ (например, YouTube), направленные на улучшение обнаружения контента. Система активно показывает превью скрытых видео в виде анимированных плавающих элементов (Floatables) или компактных плиток (Chips) до того, как пользователь до них доскроллит. Взаимодействие с этими элементами обеспечивает мгновенную обратную связь для адаптации рекомендаций в реальном времени.
- US11941240B1
- 2022-12-21
Как Google ранжирует результаты для контекстного (неявного) поиска на основе форматирования контента и поведения пользователя
Патент описывает технологию "неявного поиска" (Implicit Search), которая анализирует текущий контекст пользователя (например, редактируемый документ или просматриваемую страницу) для автоматической генерации запросов. Ранжирование этих контекстных результатов учитывает характеристики исходного контента (форматирование, капитализация, TF-IDF) и предпочтения пользователя (клики, типы файлов).
- US7693825B2
- 2004-03-31
Как Google автоматически создает и ранжирует шаблоны запросов с сущностями для улучшения поисковых подсказок (Autocomplete)
Google использует систему для автоматического обнаружения паттернов в поисковых запросах, которые включают фиксированные термины и сущности из определенной категории (например, «рестораны в [городе]»). Система генерирует шаблоны запросов, оценивает их качество на основе частоты использования, разнообразия сущностей и их распределения, а затем использует эти шаблоны для формирования более точных и структурированных поисковых подсказок в реальном времени.
- US9529856B2
- 2013-06-03
Как Google формирует персонализированные поисковые подсказки (Autocomplete) на основе контента пользователя (например, в Gmail)
Google использует механизм для улучшения поисковых подсказок (Autocomplete) в таких сервисах, как Gmail. Система анализирует корпус документов пользователя, распознает сущности (например, email-адреса, имена) и предлагает их в качестве подсказок. Это помогает пользователю быстрее находить нужный контент, предлагая контекстуализированные подсказки (например, полный контакт) вместо отдельных слов.
- US20140201229A1
- 2013-08-19
Как Google динамически меняет поисковые подсказки в зависимости от того, что пользователь видит на экране (Viewport)
Google динамически генерирует поисковые подсказки на основе контента, который пользователь просматривает. Система придает больший вес сущностям и темам, которые находятся непосредственно в видимой области экрана (Viewport), меньший вес тому, что пользователь уже пролистал, и наименьший — контенту, до которого он еще не дошел.
- US9652556B2
- 2012-10-05
Как Google использует институциональные подписки для предоставления доступа к закрытым документам в Google Scholar
Google интегрирует данные из библиотек и научных учреждений для улучшения поисковой выдачи (преимущественно в Google Scholar). Система получает от библиотек информацию о доступных документах (holding information) и список авторизованных пользователей (affiliation list). При поиске система идентифицирует пользователя (например, по IP-адресу) и, если он авторизован, добавляет в результаты поиска прямую ссылку для доступа к закрытым материалам через его библиотеку.
- US7526475B1
- 2006-05-10
Как Google приоритизирует локальное поведение пользователей над глобальной популярностью в международном поиске
Google использует систему для корректировки поискового ранжирования на основе местоположения и языка пользователя. Система приоритизирует данные о кликах от конкретной популяции пользователей (например, страны) над более широкими популяциями (например, глобальными данными). Глобальные сигналы популярности «понижаются» в весе, чтобы гарантировать более высокое ранжирование локально релевантных результатов, даже если они менее популярны в мировом масштабе.
- US8694511B1
- 2007-08-20
Как Google использует личные данные (Gmail, историю местоположений) для ответов на запросы о посещенных местах
Google анализирует личные данные пользователя (электронные письма, данные о местоположении, календари) для ответа на запросы типа «рестораны, которые я посетил в Атланте». Система определяет, является ли запрос «персональным локационным», извлекает релевантные взаимодействия из приватного индекса пользователя и обогащает их публичными данными о сущности (адрес, телефон), отображая эти персональные результаты над стандартной органической выдачей.
- US10089394B2
- 2013-07-11