Семантика и интент в Google: разборы патентов
Детальные разборы патентов Google, связанные с семантикой, поисковыми запросами и интентами
Как Google разбирает запрос на значимые фразы, предпочитая длинные концепции отдельным словам
Google использует систему для интерпретации поисковых запросов, которая разбивает текст запроса на все возможные комбинации фраз (фразификации). Система оценивает эти комбинации, используя вероятность существования фразы в индексе и предпочитая интерпретации с меньшим количеством длинных фраз. Это позволяет поисковой системе понимать запрос как набор концепций, а не просто набор ключевых слов.
- US8166021B1
- 2007-03-30
Как Google использует одновременный ввод видео и аудио (Multimodal Search) для понимания сложных запросов
Google разрабатывает систему мультимодального поиска, позволяющую пользователям записывать видео и одновременно задавать вопрос голосом или записывать звук. Система использует продвинутые ML-модели для генерации видео-эмбеддингов, анализа временной информации и аудиосигнатур. Это позволяет поиску понимать сложные запросы, требующие визуального и аудиального контекста (например, диагностика поломок, обучение действиям), и находить релевантные ответы в виде видео, веб-страниц или AR.
- US20240403362A1 (Application)
- 2023-05-31
Как Google использует мультимодальный поиск (изображение + голос) для более точного понимания запросов и ранжирования результатов
Google использует механизм мультимодального поиска, обрабатывая запросы, которые одновременно содержат изображение (например, фото) и аудио (например, голосовое описание или уточнение). Система анализирует визуальные признаки и конвертирует речь в текст, используя совместную модель релевантности для поиска ресурсов (таких как товары или веб-страницы), которые соответствуют обоим типам входных данных.
- US8788434B2
- 2010-10-28
Как Google кластеризует, фильтрует и ранжирует популярные запросы для сервисов типа Google Trends
Патент описывает систему Google для определения популярных и быстрорастущих запросов (например, для Google Trends). Чтобы избежать дублирования и повысить качество, система группирует похожие запросы в кластеры, выбирает лучший репрезентативный запрос и ранжирует темы. Ранжирование учитывает общую популярность темы, качество результатов поиска (используя CTR, PageRank, длительность кликов) и популярность категории.
- US8145623B1
- 2009-05-01
Как Google комбинирует тематическую релевантность и географическую близость для ранжирования локальных результатов
Google использует систему для ранжирования результатов поиска, которая учитывает как тематическую релевантность (Topical Score), так и географическую близость (Distance Score). Система определяет, насколько тема запроса чувствительна к местоположению (Location Sensitivity), и использует этот фактор для корректировки влияния расстояния на итоговый рейтинг, обеспечивая оптимальный баланс между близостью и качеством.
- US7606798B2
- 2003-12-31
Как Google использует кластеры совместной встречаемости терминов и статистику просмотров страниц для иерархической классификации сайтов
Google использует автоматизированную систему для классификации веб-сайтов в иерархическую таксономию (тематические вертикали). Система определяет кластеры совместно встречающихся терминов на сайте и агрегирует их значимость, взвешивая её по количеству просмотров страниц (Pageviews). Затем она выбирает наиболее специфичную категорию в иерархии, чья совокупная оценка (включая подкатегории) превышает порог достоверности. Эта классификация используется для определения релевантной рекламы.
- US8229957B2
- 2005-04-22
Как Google использует базу данных сущностей (Knowledge Graph) для формирования прямых ответов на вопросы о фактах
Google использует систему для идентификации запросов, направленных на получение фактов о конкретной сущности (Entity-Triggering Questions). Система анализирует топовые результаты поиска, определяет, какие сущности чаще всего ассоциируются с этими документами, и выбирает наиболее релевантную сущность. Затем система извлекает запрошенный атрибут (например, адрес, дату рождения) из своей базы данных сущностей или находит лучший сниппет, содержащий этот факт, чтобы предоставить прямой ответ пользователю.
- US9081814B1
- 2013-03-12
Как Google ранжирует сущности в Knowledge Graph, используя адаптивные веса для метрик вклада, известности и наград
Google использует систему для ранжирования сущностей, извлеченных из Knowledge Graph. Система рассчитывает четыре ключевые метрики: связанность, значимость типа, вклад и награды. Затем она применяет весовые коэффициенты, которые адаптируются в зависимости от типа сущности (например, «Фильм» или «Человек»), чтобы определить итоговый рейтинг. Это влияет на то, какие сущности будут показаны в каруселях, панелях знаний и других функциях поиска, связанных с сущностями.
- US10235423B2
- 2012-12-12
Как Google генерирует сниппеты для Sitelinks, используя контент целевых страниц, а не исходный запрос
Google использует специальный метод для генерации сниппетов в расширенных результатах поиска (Sitelinks). Сниппет для главной страницы часто основан на запросе пользователя, но сниппеты для внутренних ссылок (sub-documents) генерируются на основе "репрезентативных ключевых слов" (например, Title) самой внутренней страницы, а не исходного навигационного запроса. Это позволяет сделать описание Sitelinks более точным и релевантным теме целевой страницы.
- US9081831B2
- 2013-03-14
Как Google изучает свойства и атрибуты сущностей, анализируя логи поисковых запросов пользователей
Google использует автоматизированный метод для построения базы знаний о сущностях (Entity) и их атрибутах (Attribute). Система анализирует миллионы поисковых запросов, выявляя лингвистические паттерны (например, «столица Франции»). Это позволяет понять, какие атрибуты важны для разных типов сущностей (например, «население» для города, «побочные эффекты» для лекарства), и сформировать структурированное знание об объектах реального мира.
- US8005842B1
- 2007-05-18
Как Google использует кластеризацию контента и результаты поиска для определения авторства и формирования профилей сущностей
Google использует механизм для точной ассоциации контента (статей, веб-страниц) с конкретными сущностями (авторами, людьми). Система предварительно группирует похожий контент в кластеры. При запросе имени автора система ранжирует эти кластеры, сравнивая их содержимое с результатами поиска по этому имени. Это позволяет разрешать неоднозначность авторов, формировать точные профили (например, в Google Scholar или Knowledge Graph) и автоматически их обновлять.
- US9400789B2
- 2013-07-17
Как Google отличает сетевые бренды от общих терминов и локальных компаний для улучшения локальной выдачи
Google использует несколько алгоритмов для автоматического определения, является ли бизнес сетевым (имеет много филиалов) и ищет ли пользователь именно его. Система анализирует триггерные слова (например, «адреса»), соотношение локальных и веб-запросов (Localness Score), частоту упоминания в названиях и категориях, а также географическое распределение запросов. Это позволяет точнее ранжировать результаты и показывать ближайшие точки на карте.
- US20140358971A1
- 2010-10-19
Как Google классифицирует вакансии и запросы с помощью векторов и таксономии профессий для улучшения поиска работы
Google использует модель идентификации вакансий для преодоления ограничений поиска по ключевым словам в сфере трудоустройства. Система обучается на основе таксономии профессий, генерируя векторы для вакансий с использованием специализированных весовых коэффициентов (Inverse Occupation Frequency и Occupation Derivative). Это позволяет системе понимать, что запросы вроде "Patent Guru" соответствуют профессии "Патентный поверенный", и возвращать релевантные вакансии, даже если ключевые слова не совпадают.
- US10643183B2
- 2016-10-18
Как Google конвертирует визуальные характеристики изображений в текстовые ключевые слова для визуального поиска
Google использует механизм для понимания содержания изображений путем анализа их визуальных характеристик (цвет, текстура, края). Система сопоставляет эти характеристики с текстовыми терминами, используя модели машинного обучения, обученные на истории поиска картинок. Это позволяет Google генерировать релевантные текстовые запросы для любого изображения, что является основой работы визуального поиска (например, Google Lens).
- US8935246B2
- 2012-08-08
Как Google итеративно вычисляет «самодостаточность» фраз для определения главной темы запроса
Google использует итеративный алгоритм для анализа исторических логов запросов, чтобы вычислить «независимую от запроса оценку» (Query-Independent Score) для каждого слова или фразы. Эта оценка показывает, насколько вероятно сегмент является самостоятельным запросом или главной темой. Это помогает системе отличить ключевые концепции от модификаторов, точнее понять интент пользователя и улучшить подбор релевантного контента.
- US9690847B2
- 2014-08-07
Как Google использует Knowledge Graph для ответа на запросы о пространственной и временной близости сущностей (например, «банки рядом с ресторанами»)
Google обрабатывает сложные «композиционные запросы», сравнивая атрибуты (местоположение или время) разных типов сущностей в Knowledge Graph. Система находит пары, удовлетворяющие критерию связи (например, расстоянию), и визуализирует результаты на картах или временных шкалах с возможностью динамической фильтрации.
- US11003729B2
- 2012-12-12
Как Google использует LLM для декомпозиции сложных запросов на подзапросы и синтеза генеративного ответа (Основа AI Overviews)
Google использует LLM для анализа сложных, многоаспектных или "шумных" запросов. Система разбивает такой запрос на несколько простых подзапросов, эффективно проверяет их релевантность и разнообразие с помощью эмбеддингов, выполняет поиск по каждому, а затем синтезирует единый ответ (например, AI Overview). Это позволяет отвечать на сложные пользовательские задачи за один шаг.
- US20250117381A1
- 2024-10-07
Как Google индексирует, верифицирует и ранжирует действия (Actions) на сайтах и в приложениях для выполнения задач пользователя
Google индексирует не только контент, но и действия (Actions), которые можно выполнить на сайте или в приложении (например, «Слушать», «Забронировать»). Система определяет тип действия и необходимые параметры, проверяет (Verification) работоспособность действия и использует эту информацию (Action Score) для ранжирования, чтобы отвечать на запросы, подразумевающие выполнение задачи.
- US10013496B2
- 2015-06-18
Как Google использует архитектуру «Generative Companion» для ведения диалогового поиска с сохранением контекста и выбора специализированных LLM (SGE)
Google патентует архитектуру диалогового поиска («Generative Companion»), которая поддерживает состояние пользователя (контекст, историю запросов и взаимодействий) на протяжении всей сессии. Система использует начальную LLM для генерации «синтетических запросов», классифицирует намерение пользователя на основе текущего состояния и динамически выбирает специализированные «Downstream LLM» (для суммаризации, креатива или уточнения) для формирования финального генеративного ответа.
- US20240289407A1
- 2024-02-27
Как Google моделирует неопределенность и широту темы, используя вероятностные распределения вместо векторных точек
Google использует метод для улучшения dense retrieval, представляя запросы и документы не как отдельные точки (векторы) в семантическом пространстве, а как многомерные вероятностные распределения (области). Это позволяет системе учитывать неопределенность в понимании контента и широту охвата темы, повышая точность поиска за счет сравнения этих распределений.
- US20240354557A1
- 2024-04-19
Как Google определяет скрытый локальный интент в общих запросах на основе региональной популярности и использования Карт
Google анализирует, является ли общий запрос (без указания места) статистически более популярным в конкретном регионе или часто вводится через интерфейс Карт. Если да, система определяет запрос как «локально значимый», автоматически создает его локализованную версию и подмешивает местные результаты в основную выдачу, обеспечивая видимость локального контента.
- US9348925B2
- 2011-06-16
Как Google переводит GPS-координаты в концептуальные «Области Поиска» (Search Area) для локальной выдачи на мобильных устройствах
Google использует механизм для локального поиска, который абстрагируется от точных GPS-координат пользователя к концептуальной «Области Поиска» (например, магазин, торговый центр или район). Система выбирает наиболее подходящую область из иерархии вложенных территорий, учитывая контекст (точность координат, скорость движения), и использует её название как запрос для предоставления релевантных локальных результатов, в том числе при «пустых» запросах.
- US8396888B2
- 2010-11-24
Как Google использует иерархические таксономии для понимания связей между соседними словами в запросе
Google использует механизм для интерпретации поисковых запросов путем анализа соседних слов на предмет иерархических связей (например, «Город, Страна» или «Род, Вид»). Система сопоставляет комбинации слов с известными таксономиями (география, биология, бизнес) и оценивает вероятность того, что пользователь имел в виду именно эту иерархическую связь. Это позволяет точнее определить интент запроса, особенно в локальном поиске и при категоризации.
- US8745028B1
- 2012-04-20
Как Google использует авторитетные сайты в органической выдаче для активации и позиционирования блоков с ответами (Answer Boxes)
Google определяет, когда показывать блок с ответом (Answer Box) или вертикальную интеграцию (погода, акции и т.д.), анализируя не только текст запроса, но и состав органической выдачи. Если в результатах присутствуют специфические авторитетные URL или ключевые слова (называемые «индикаторами блока ответов»), система с большей вероятностью покажет соответствующий блок. Эти индикаторы определяются заранее путем анализа того, какие сайты часто появляются по ключевым «исходным запросам» для данной темы.
- US9607087B1
- 2014-08-01
Как Google превращает объекты на изображениях в интерактивные элементы для выполнения действий (звонок, покупка, маршрут)
Google анализирует визуальные запросы (изображения) для распознавания сущностей (продукты, логотипы, текст, здания). Система находит связанную информацию в индексе (номера телефонов, адреса, URL) и генерирует «действенные результаты» — интерактивные кнопки, позволяющие пользователю немедленно совершить действие (позвонить, купить, проложить маршрут), запуская соответствующее приложение.
- US8977639B2
- 2010-08-11
Как Google автоматически выявляет новые термины и классифицирует их по темам для создания специализированных словарей
Google использует статистические методы для обновления языковых моделей. Система обнаруживает новые слова и фразы, анализируя снижение энтропии (неопределенности) в текстах. Затем она определяет тематику этих слов, сравнивая частоту их употребления в конкретной теме с частотой в общем корпусе (анализ дивергенции). Это позволяет автоматически создавать специализированные "доменные словари" для лучшего понимания контента.
- US7983902B2
- 2007-08-23
Как Google переписывает запросы на естественном языке для поиска более качественных результатов
Google использует систему для улучшения результатов поиска по запросам на естественном языке. Если первоначальная выдача не удовлетворяет требованиям качества (например, отсутствуют прямые ответы или релевантность низкая), система генерирует и тестирует альтернативные, переписанные версии запроса. Если альтернативная версия дает лучшие результаты, они заменяют или дополняют исходную выдачу.
- US20170270159A1
- 2013-09-11
Как Google использует фиды данных для связи продуктов и услуг с сущностями в Knowledge Graph и показа коммерческих предложений в Knowledge Panel
Google позволяет поставщикам контента (например, стриминговым сервисам, интернет-магазинам) загружать фиды данных о своих товарах и услугах. Система автоматически связывает элементы фида с конкретными сущностями (например, фильмами, книгами) и действиями (например, «смотреть онлайн», «купить»). Это позволяет показывать релевантные коммерческие предложения в Knowledge Panel и проводить отдельные аукционы для разных типов действий.
- US9953085B1
- 2013-07-01
Как Google использует визуальное сходство изображений для проверки качества перевода и улучшения кросс-язычного поиска (CLIR)
Google проверяет точность перевода фраз, сравнивая визуальное сходство результатов поиска по картинкам и видео для исходной фразы и её перевода. Если топовые визуальные результаты похожи и показывают высокое качество взаимодействия, перевод считается валидным. Этот механизм используется для расширения запроса и показа релевантного контента на других языках (Cross-Lingual Information Retrieval).
- US8538957B1
- 2009-06-03
Как Google учится выводить недостающие факты для Графа Знаний, анализируя текст в интернете и существующие связи
Система Google для заполнения пробелов в Графе Знаний. Если факт отсутствует (например, отношение «дедушка»), система ищет текстовые подтверждения в интернете («A — дедушка B»). Затем она анализирует существующие связи в графе (например, A — родитель C, C — родитель B) и выводит правило (Родитель + Родитель = Дедушка). Это позволяет отвечать на фактические запросы, даже если связь явно не указана в базе знаний.
- US9842166B1
- 2014-08-08