Семантика и интент в Google: разборы патентов
Детальные разборы патентов Google, связанные с семантикой, поисковыми запросами и интентами
Как Google показывает блоки с ответами (Answer Boxes) прямо в поисковых подсказках во время ввода запроса
Google может показывать блоки с готовыми ответами (Answer Boxes) прямо в интерфейсе поисковых подсказок, ещё до того, как пользователь отправил запрос. Система прогнозирует наиболее вероятный полный запрос ("Dominant Query") на основе частичного ввода, истории поиска и данных профиля пользователя (например, местоположения), и если для этого запроса существует готовый ответ, он отображается немедленно.
- US8538982B2
- 2010-08-31
Как Google определяет интент и позицию вертикальных результатов (например, картинок) для длиннохвостых (long-tail) запросов
Google использует механизм для определения интента пользователя по редким или новым (long-tail) запросам, когда исторические данные отсутствуют. Система эффективно "прощупывает" вертикальные индексы (например, картинки), чтобы решить, стоит ли проводить полный поиск. Для определения позиции блока с результатами используется "предполагаемый интент", унаследованный от характеристик найденных веб-страниц и сайтов, а не от истории самого запроса.
- US9183312B2
- 2013-03-12
Как Google использует "Белые списки" для определения локального интента и подмешивания локальных результатов, если город в запросе не указан
Google применяет систему для выявления неявного локального интента в запросах без указания местоположения (например, "пицца"). Система проверяет запрос по двум разным "Белым спискам" (Whitelists). В зависимости от того, известно ли местоположение пользователя (из профиля или cookie), система либо автоматически добавляет локальные результаты (Local Pack), либо сначала запрашивает у пользователя его локацию.
- US8359300B1
- 2007-04-03
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 изображения и видео на экране пользователя для уточнения неоднозначных поисковых запросов
Google может анализировать активные нетекстовые данные (изображения или видео), отображаемые на устройстве пользователя в момент ввода запроса. Если запрос неоднозначен (например, содержит местоимения или общие фразы), система извлекает из визуального контента сущности, текст (через OCR) или структурированные данные (QR-коды) и использует их для автоматической модификации запроса, чтобы лучше понять намерение пользователя и предоставить точные результаты или инициировать действия.
- US9830391B1
- 2014-06-24
Как Google улучшает интерфейс голосового поиска, предлагая альтернативные варианты распознавания при ошибке ввода
Google использует механизм улучшения пользовательского опыта в голосовом поиске. Если система неверно распознала голосовой запрос и пользователь кликает в строку поиска для исправления, Google автоматически показывает другие вероятные варианты распознавания (n-best list) в области подсказок, облегчая коррекцию ошибки.
- US8249876B1
- 2012-01-03
Как Google использует вероятностные иерархические модели для определения скрытых концепций (тем) в запросах и документах
Google использует генеративную вероятностную модель для понимания семантики текста. Система обучается на больших объемах данных (например, поисковых сессиях), выявляя скрытые "кластеры" (концепции или темы), которые объясняют совместное появление слов и фраз. Любой текст (запрос или документ) затем характеризуется вектором, показывающим степень активации этих концептуальных кластеров, что позволяет сравнивать документы по смыслу, а не только по ключевым словам.
- US7383258B2
- 2003-09-30
Как Google использует графы сущностей и их топологию для семантического понимания запросов и таргетинга контента
Google использует механизм выбора контента (например, рекламы), основанный на свойствах сущностей, а не только на ключевых словах. Система генерирует граф запроса, отражающий сущности и их взаимосвязи из Базы Знаний. Контент выбирается, только если его критерии точно соответствуют как содержанию, так и структуре (топологии) этого графа. Это позволяет учитывать семантический контекст, даже если он не выражен текстом запроса.
- US9542450B1
- 2014-04-01
Как Google обнаруживает неэффективные последовательности запросов и обучает пользователей контекстному поиску
Google анализирует последовательности запросов для выявления паттернов, при которых пользователи излишне повторяют контекст. При обнаружении такого паттерна Google отображает «Teachable Moment Interface» с подсказками о том, как задавать более короткие контекстные последующие запросы (например, с использованием местоимений), повышая эффективность поиска.
- US10120903B2
- 2015-10-15
Как Google определяет, ищет ли пользователь информацию НА сайте сущности (бренда/издателя) или О ней, и переписывает запрос
Google использует систему для распознавания сущностей (например, брендов, новостных изданий) в поисковых запросах. Система оценивает, является ли название сущности общеупотребительным словом. Если название уникально (например, «MSNBC»), запрос автоматически переписывается для поиска только на сайте этой сущности. Если название общеупотребительно (например, «Time»), выполняется обычный поиск, но предлагается ссылка для ограничения поиска сайтом этой сущности.
- US7536382B2
- 2004-03-31
Как Google использует шаблоны сайтов и структурированные компоненты для извлечения и расширения наборов сущностей (Entity Set Expansion)
Патент описывает, как Google автоматически расширяет наборы данных (например, таблицы или списки). Система анализирует существующие сущности и ищет новые похожие элементы в интернете. Для этого используются два ключевых метода: анализ повторяющихся шаблонов веб-страниц (Template Analysis) и извлечение данных из структурированных компонентов (HTML-таблиц и списков) на сайтах.
- US8452791B2
- 2009-01-16
Как Google использует контекстно-зависимые шаблоны запросов для понимания локальных поисковых запросов
Google анализирует исторические логи поиска, чтобы понять, как пользователи в разных странах и на разных языках структурируют географические запросы. Система генерирует вероятностные Шаблоны Запросов (Query Templates) и рассчитывает вероятность их корректности в зависимости от контекста пользователя (локаль, язык, устройство). Это позволяет точнее интерпретировать неоднозначные локальные запросы и адаптироваться к региональным особенностям.
- US9753945B2
- 2013-03-13
Как Google классифицирует коммерческие запросы, чтобы изменить алгоритм ранжирования и нейтрализовать манипуляции
Google использует систему для определения коммерческого намерения пользователя в реальном времени. Система использует предварительно созданный список коммерческих шаблонов, основанный на данных рекламодателей, анализе логов и выявлении манипулятивных техник (например, доменов с множеством дефисов). Если запрос классифицируется как коммерческий, Google применяет измененный алгоритм ранжирования, например, снижая вес ключевых слов в доменном имени, чтобы обеспечить непредвзятые результаты.
- US8046350B1
- 2003-09-24
Как Google автоматически обновляет устаревшие факты (время, цены, должности) внутри документов и электронных писем
Google использует систему для поддержания актуальности информации в документах (например, в Google Docs или Gmail). Система распознает сущности и их чувствительные ко времени атрибуты (например, время рейса или цену акции). Затем она проверяет актуальное значение через поисковую систему и предлагает пользователю обновить устаревшие данные в тексте.
- US9607032B2
- 2014-05-12
Как Google использует Knowledge Graph для выбора формата отображения и ранжирования ответов на запросы с модификаторами (например, «лучший», «самый высокий»)
Google использует этот механизм для ответов на запросы, содержащие сущности и модификаторы (например, «самые высокие здания» или «лучшие фильмы»). Система анализирует запрос, извлекает данные из Knowledge Graph и автоматически определяет, как ранжировать результаты (например, по высоте или рейтингу) и в каком формате их представить (например, в виде списка, карты, временной шкалы или диаграммы) на основе свойств сущностей.
- US9390174B2
- 2012-08-08
Как Google использует ИИ для анализа отзывов и создания «Бейджей», выделяющих конкретные сценарии использования продуктов в поиске
Google разрабатывает систему автоматического создания «Бейджей» для продуктов на основе анализа веб-данных (отзывов, описаний, FAQ) с помощью машинного обучения. Эти бейджи выделяют конкретные сценарии использования, преимущества или недостатки продукта (например, «Подходит для новичков» или «Хорош для путешествий»). Бейджи используются для ранжирования и аннотирования результатов поиска, помогая пользователям быстрее сравнивать товары.
- US20240378256A1 (Заявка на патент)
- 2024-04-16 (Приоритет от 2023-05-09)
Как Google использует вероятностное тематическое моделирование для ранжирования видео и медиаконтента с недостатком текста
Google применяет вероятностную модель для улучшения поиска медиаконтента, такого как видео, где текстовых данных мало. Система определяет скрытые темы (Domain Topics) запроса P(T|Q) и находит контент, релевантный этим темам P(R|T). Это позволяет ранжировать видео, даже если оно не содержит ключевых слов из запроса, используя данные о кликах и базы знаний для установления связей.
- US8620951B1
- 2012-06-01
Как Google выбирает контекстуально релевантные изображения для блоков с ответами (Featured Snippets и Direct Answers)
Google улучшает блоки с ответами, добавляя релевантные изображения. Система объединяет вопрос и ответ в «контекстуальный запрос» для поиска изображений. Затем эти изображения фильтруются и переранжируются, чтобы гарантировать, что они представляют как тему вопроса, так и контекст ответа, обеспечивая более точное визуальное представление.
- US8819006B1
- 2013-12-31
Как Google использует связанные фразы и Information Gain для автоматической кластеризации и организации поисковой выдачи
Патент описывает комплексную систему перехода от индексации слов к индексации фраз. Google определяет статистическую связь между фразами с помощью меры Information Gain. Эти данные используются для автоматической организации поисковой выдачи в тематические кластеры (таксономию), группируя результаты по наиболее частым связанным фразам.
- US7426507B1
- 2004-07-26
Как Google определяет географическую релевантность документа, анализируя неоднозначные термины и названия мест
Google использует классификатор местоположений для определения географической привязки документа, даже если в нем нет точного адреса. Система анализирует неоднозначные термины (например, названия районов или улиц) и использует профили георелевантности (гистограммы), показывающие, где эти термины чаще всего используются. Перемножая эти профили, Google разрешает неоднозначность и вычисляет наиболее вероятное местоположение контента.
- US7716162B2
- 2004-12-30
Как Google адаптирует содержимое Панели Знаний под контекст поискового запроса пользователя
Google использует механизм для динамической настройки Панели Знаний. Система анализирует не только главную сущность в запросе, но и дополнительные контекстные термины. На основе этого контекста система переранжировывает факты и контент внутри панели, выделяет наиболее релевантную информацию и меняет порядок блоков, чтобы точнее ответить на интент пользователя.
- US10402410B2
- 2015-12-16
Как Google использует пары «Сущность-Действие» для таргетинга и отображения рекламы в результатах поиска
Google использует механизм показа рекламы, основанный не на ключевых словах, а на парах «Сущность-Действие» (Entity-Action pairs). Система определяет сущность в запросе (например, фильм) и связанные с ней действия (например, «стриминг» или «купить DVD»). Для каждого действия проводятся отдельные аукционы, что позволяет разным типам рекламодателей конкурировать в своих нишах. Формат показа рекламы динамически меняется в зависимости от того, насколько точно запрос соответствует действию.
- US20140258014A1
- 2013-03-05
Как Google генерирует сниппеты для фактических ответов, требуя близости вопроса и ответа в тексте источника
Патент Google описывает систему ответа на фактические запросы (Fact Query Engine). Для подтверждения факта, извлеченного из Fact Repository (аналог Knowledge Graph), система генерирует сниппеты из исходных веб-документов. Ключевое требование: сниппет должен содержать как термины из запроса пользователя, так и термины ответа, причем система предпочитает фрагменты, где они расположены близко друг к другу (Proximity).
- US7587387B2
- 2005-03-31
Как Google использует местоположение пользователя для понимания и переписывания неявных запросов о ближайших объектах
Google использует механизм для интерпретации неявных запросов (например, «часы работы» или «меню»), основанный на точном местоположении пользователя. Система определяет ближайшие организации, понимает, к какому типу бизнеса относится запрос, и переписывает его, добавляя название наиболее подходящей организации (например, «меню [Название ресторана]»), используя популярность и рейтинги для выбора лучшего варианта среди конкурентов.
- US10474671B2
- 2015-05-08
Как Google использует топовые результаты поиска для активации и выбора блоков с ответами (Answer Boxes/Featured Snippets)
Google может активировать блоки с ответами (Answer Boxes или Featured Snippets), анализируя не только сам запрос, но и топовые результаты поиска. Если ресурсы в выдаче ассоциированы с определенной темой (Answer Box Topic), система покажет соответствующий блок. Это позволяет точнее выбирать ответ при неоднозначных запросах и подчеркивает роль данных, предоставленных издателями.
- US9355175B2
- 2011-05-27
Как Google связывает коммерческие действия с сущностями и меняет вид выдачи в зависимости от интента пользователя
Google патентует систему, которая связывает Сущности (например, фильмы, книги, места) с Онлайн-действиями (например, купить, стримить, забронировать). Вместо таргетинга по ключевым словам, партнеры делают ставки на пары «Сущность-Действие». Система определяет, насколько запрос связан с действием, и динамически меняет визуальное представление этих коммерческих предложений в выдаче (например, в Панели знаний), делая их более или менее заметными.
- US9536259B2
- 2013-03-05
Как Google использует персональные данные пользователя (календарь, фото, историю) для понимания контекстных запросов о местах
Google использует систему для интерпретации семантических запросов о местах, основанных на личном контексте пользователя (например, «ресторан, где мы отмечали годовщину»). Система анализирует персональные данные пользователя (с его разрешения), такие как календари, фотографии и историю местоположений, чтобы идентифицировать конкретное место. Система также учится, какие источники данных наиболее надежны для конкретного пользователя.
- US12164584B2
- 2020-09-08
Как Google определяет запросы, требующие ответа списком, и генерирует ранжированные списки сущностей для SERP
Google использует систему для определения, когда пользователь ищет список объектов (сущностей). Система анализирует запрос на наличие индикаторов списка («лучшие», «топ»), определяет категорию (например, «фильмы») и извлекает релевантные сущности из топовых веб-документов. Затем эти сущности ранжируются на основе их значимости в документе и релевантности документа запросу, и представляются в виде отдельного структурированного списка на странице результатов поиска.
- US10691702B1
- 2017-08-31
Как Google использует окружающие слова для исправления опечаток в названиях брендов, продуктов и именах людей в запросах
Google создает базу данных, связывающую имена сущностей (бренды, люди, продукты) со словами, которые часто появляются рядом с ними (контекст). Когда пользователь допускает опечатку в имени, Google использует другие слова в этом запросе как контекстные подсказки, чтобы найти наиболее вероятную подразумеваемую сущность, учитывая её популярность, силу связи с контекстом и вероятность конкретной опечатки.
- US8402032B1
- 2011-03-24
Как Google автоматически сегментирует обучающие видео ("how-to"), анализируя транскрипты и атрибуты задачи
Google использует систему для анализа и структурирования обучающих ("how-to") видео. Система определяет задачу, оценивает качество видео (Confidence Measure), сравнивая его с идеальным шаблоном (Template), и автоматически разбивает лучшее видео на сегменты (шаги, инструменты). Анализ основан на транскрипте видео и поиске переходных индикаторов, что позволяет пользователям переходить к нужным моментам инструкции (Key Moments).
- US9304648B2
- 2013-06-26