Семантика и интент в Google: разборы патентов
Детальные разборы патентов Google, связанные с семантикой, поисковыми запросами и интентами
Как Google создает тематические анимированные превью для SERP, анализируя и кластеризируя изображения на странице
Google использует систему для генерации анимированных сниппетов (например, GIF) в результатах поиска. Система анализирует страницу, идентифицирует постоянные изображения (исключая рекламу и иконки), оценивает их расположение и качество, и группирует их по темам. Для одной страницы создается несколько анимированных превью. При получении запроса Google выбирает то превью, которое наиболее релевантно теме запроса, улучшая визуальное представление выдачи.
- US10503803B2
- 2016-11-23
Как Google преобразует изображения в текст для понимания мультимодальных запросов с помощью LLM
Google использует систему для обработки мультимодальных запросов (текст + изображение), позволяя LLM отвечать на вопросы об изображениях. Система анализирует изображение с помощью вспомогательных моделей (распознавание объектов, VQA) и выполняет обратный поиск по картинкам для извлечения текста с найденных веб-ресурсов. Вся эта информация объединяется в структурированный текстовый промт, который позволяет LLM понять визуальный контекст и сгенерировать релевантный ответ.
- US20250061146A1
- 2024-08-13
Как Google использует бездействие пользователя для показа контекстных подсказок и обучения синтаксису поиска (Zero-Query Suggestions)
Google использует механизм показа поисковых подсказок до того, как пользователь начал вводить запрос. Если пользователь бездействует у строки поиска, система предлагает либо примеры использования расширенного синтаксиса (например, булевых операторов) для обучения, либо запросы, связанные с недавно просмотренным медиаконтентом (например, имена актеров из фильма, который пользователь смотрит на Smart TV).
- US9292622B2
- 2012-12-27
Как Google определяет тип ответа на вопрос: показать конкретную сущность или её описание (Entity vs. Description)
Google использует этот механизм для классификации запросов и выбора формата прямого ответа. Система анализирует, присутствуют ли сущности, извлеченные из результатов поиска, в тексте самого запроса. Если найдена новая сущность (которой нет в запросе), она считается ответом (Entity-triggering). Если все сущности уже известны из запроса, система предоставляет текстовое описание (Description-triggering).
- US9229974B1
- 2012-10-22
Как Google объединяет органические результаты, рекламу бренда и контент ритейлеров в единый обогащенный блок выдачи
Google использует механизм для слияния топового органического результата и рекламного объявления, если они относятся к одному и тому же бренду (сущности). Это создает единый обогащенный блок (Combined Content Item). Затем этот блок дополняется контентом от связанных сущностей (например, ритейлеров), который может выбираться через дополнительный аукцион.
- US9298779B1
- 2013-07-16
Как Google определяет сущности (например, болезни) по их атрибутам (например, симптомам), анализируя результаты поиска и аннотации индекса
Google использует систему для ответа на запросы, которые перечисляют атрибуты (например, симптомы), но ищут сущность (например, болезнь). Система определяет связь между ними, используя несколько методов: предварительное аннотирование индекса связями сущностей, анализ частоты упоминания сущностей в топе выдачи или генерацию комбинированных запросов. Также система предлагает дополнительные атрибуты для уточнения.
- US8856099B1
- 2011-09-27
Как Google использует Граф Сущностей для определения главных тем страницы и генерации релевантных рекомендаций контента
Патент Google описывает систему анализа веб-страницы для выявления ее главных тем («Центральных Сущностей») с помощью глобального Графа Сущностей, основанного на совместной встречаемости терминов. Система отфильтровывает периферийные и неоднозначные темы, генерирует на основе главных тем поисковые запросы и предлагает пользователю категоризированный дополнительный контент (новости, видео, товары).
- US20160026727A1
- 2011-06-03
Как Google определяет локальный интент на уровне кластеров запросов для автоматического добавления локальных расширений
Google анализирует кластеры похожих поисковых запросов для определения их коллективного локального интента. Если достаточный процент запросов в кластере вызывает срабатывание локальных функций поиска (например, карт или локальной панели знаний), весь кластер помечается как «высокий локальный интент». Когда пользователь вводит запрос из этого кластера, Google автоматически добавляет локальные расширения (адреса, телефоны) к соответствующим результатам или рекламе.
- US11397737B2
- 2019-10-30
Как Google фильтрует географические синонимы, чтобы предотвратить подмену местоположений в поиске
Google использует структурированную иерархическую базу географических данных для валидации синонимов. Если исходный термин и предложенный синоним являются разными, но связанными географическими объектами (например, соседние города или город и штат), система помечает их как «Проблемные синонимы». Это предотвращает автоматическую замену одного местоположения другим при обработке запроса, повышая точность локальной выдачи и избегая географического «дрейфа темы».
- US8041730B1
- 2007-10-24
Как Google использует структурированные данные и логи запросов для создания языковых моделей и исправления орфографии в сложных доменах (например, адресах)
Google решает проблему создания языковых моделей для доменов с огромным количеством комбинаций (например, географических адресов). Система анализирует логи запросов для определения популярных форматов ввода (Template Distribution) и популярности конкретных мест (Location Distribution). Эти данные объединяются для создания вероятностной языковой модели, которая позволяет исправлять орфографические ошибки в запросах пользователей, предлагая более вероятные варианты.
- US8626681B1
- 2011-01-04
Как Google выбирает, синтезирует и озвучивает прямые ответы для голосового поиска с учетом контекста пользователя
Google обрабатывает голосовые запросы, идентифицируя стандартный результат (ссылка и сниппет) и одновременно находя или синтезируя прямой ответ в форме законченного предложения. Этот ответ адаптируется под контекст пользователя (например, местоположение), конвертируется в аудиоформат и озвучивается вместе с отображением визуальной выдачи.
- US20170235827A1
- 2013-06-20
Как Google планирует заменить статические веб-сайты страницами, генерируемыми ИИ на лету из «сырого» контента
Патент описывает радикально новую архитектуру веба («Generative Navigational Corpus»), где контент-провайдеры предоставляют «сырые» данные (Seed Content), а Большая Фундаментальная Модель (LFM) генерирует веб-страницы, UI и ссылки в реальном времени, адаптируя формат и структуру под конкретный интент пользователя и контекст навигации.
- US20250094521A1
- 2024-09-18
Как Google понимает контекст в цепочках запросов, используя популярность запросов для разрешения неоднозначности местоимений (анафоры)
Google использует механизм для понимания контекстных (последовательных) запросов, содержащих местоимения (например, "он", "она", "это"). Если предыдущий запрос содержал несколько сущностей, система создает варианты переписанного запроса и выбирает наиболее вероятный, основываясь на данных о популярности запросов в интернете (Query Logs) или используя результаты веб-ранжирования.
- US9183257B1
- 2013-03-14
Как Google использует несколько изображений в одном запросе для уточнения визуального поиска через общие атрибуты и проекции эмбеддингов
Google использует механизм поиска, принимающий на вход два или более изображения. Система анализирует их для выявления общих атрибутов (стиль, цвет, тип объекта) и генерирует векторные представления (эмбеддинги). Если изображения вводятся последовательно, система вычисляет «траекторию» интереса пользователя в векторном пространстве и проецирует поиск в этом направлении, чтобы найти результаты, соответствующие эволюционирующему визуальному интенту.
- US12271417B2
- 2023-04-24
Как Google динамически выбирает, форматирует и приоритизирует контент внутри Панели Знаний
Google использует систему для динамической генерации Панелей Знаний. Для сущности определяются релевантные элементы контента (факты, изображения, события), которые классифицируются и оцениваются по популярности/релевантности (Rank Score). Система выбирает, какие категории контента показать и в каком формате (модуле), основываясь на этих оценках и строгих ограничениях по верстке (Panel Constraints), гарантируя приоритет наиболее важной информации.
- US9477711B2
- 2013-03-15
Как Google использует машинное обучение для анализа содержания видео и динамического выбора релевантных тамбнейлов
Google использует систему машинного обучения для связывания аудиовизуальных признаков видео (цвет, текстура, звук) с ключевыми словами. Это позволяет системе понимать содержание каждого кадра и динамически выбирать для тамбнейла (миниатюры) тот кадр, который наилучшим образом соответствует запросу пользователя или общему содержанию видео.
- US20110047163A1
- 2009-08-24
Как Google использует консенсус между сайтами для валидации ключевых слов и ранжирования изображений и видео
Google агрегирует описания (метки) изображения или видео со всех сайтов, где этот контент размещен. Чтобы метка была принята как надежная («Final Label») и использовалась для ранжирования, она должна подтверждаться несколькими независимыми группами источников (консенсус). Этот механизм двойной группировки (по домену и по смыслу) снижает влияние спама и значительно повышает релевантность поиска медиаконтента.
- US8275771B1
- 2010-06-07
Как Google анализирует логи запросов для поиска популярных вопросов и определения их лучшей формулировки
Google использует этот механизм для анализа логов поисковых запросов и автоматического поиска часто задаваемых вопросов. Система группирует разные варианты одного и того же вопроса в «каноническую форму» путем нормализации текста. Затем она выбирает наиболее часто используемую формулировку как «репрезентативный вопрос» для публикации в Q&A сервисах или использования в поиске.
- US8135712B1
- 2008-06-27
Как Google использует оценку новизны (Novelty Score) для ранжирования новостей и блогов, отдавая приоритет первоисточникам
Google анализирует темпоральную последовательность документов (например, новости по одной теме) для выявления нового контента. Система идентифицирует «информационные фрагменты» (сущности, факты) и их взаимодействия. Документы, которые первыми вводят важные фрагменты или значительно дополняют существующие, получают более высокую оценку новизны (Novelty Score) и ранжируются выше, вытесняя вторичный контент.
- US7451120B1
- 2006-03-20
Как Google находит, классифицирует и ранжирует контент «Глубокой паутины» (Deep Web), скрытый за веб-формами
Google использует систему для доступа к контенту, скрытому за веб-формами («Глубокая паутина»). Система сканирует веб, идентифицирует формы, классифицирует их по тематикам (используя «Поисковую онтологию») и понимает, какие поля заполнять. При поиске Google анализирует запрос пользователя, находит релевантные формы, ранжирует их и может автоматически заполнить форму для пользователя или показать уже извлеченный контент.
- US8037068B2
- 2006-04-05
Как Google анализирует личные данные (Email, Календарь, Контакты) для определения скрытого интента и персонализации выдачи
Google создает персонализированную «Модель пользователя» на основе его личного контента (письма, события, контакты). Эта модель хранит ключевые термины и их контекст. Система использует ее, чтобы понять «неявное намерение» запроса — ищет ли пользователь общую информацию в вебе или свои личные данные (например, свой рейс) — и соответствующим образом адаптирует выдачу, даже если запрос выглядит общим.
- US20150012532A1
- 2013-07-02
Как Google интеллектуально уточняет запросы из изображений, предсказывая намерения пользователя и исправляя ошибки OCR
Google совершенствует визуальный поиск (например, Google Lens), анализируя текст на изображениях (OCR) и предсказывая задачу пользователя (например, перевод, покупка). Если результаты поиска по исходному тексту не решают эту задачу, система автоматически корректирует ошибки распознавания и генерирует уточненный запрос, используя данные о завершенных поисковых сессиях (Query Completion).
- US20250217412A1
- 2023-12-28
Как Google сегментирует веб-страницы на семантические блоки (хедер, футер, контент) с помощью анализа геометрии рендеринга
Google использует механизм "псевдо-рендеринга" для анализа геометрической структуры веб-страницы и её разделения на семантически различные области (чанки), такие как основное содержимое, навигация, футер и реклама. Это позволяет системе определять важность контента и ссылок в зависимости от их расположения на странице.
- US7913163B1
- 2004-09-22
Как Google использует распознавание сущностей в тексте (например, в email) для отображения персонализированного медиаконтента и социальных действий
Google анализирует текст (например, электронные письма) для идентификации медиа-сущностей (фильмов, книг, музыки). Система автоматически отображает связанный контент, ссылки для покупки и персонализированную информацию, включая активность социальных связей пользователя. Это демонстрирует возможности Google в извлечении сущностей из неструктурированного текста и их связи с действиями и социальным графом.
- US9430447B1
- 2013-05-20
Как Google определяет ключевые слова, которые сильно связаны с конкретными категориями, для улучшения ранжирования
Google использует статистический анализ частоты запросов и их связи с категориями документов для выявления сильных ассоциаций (например, запрос «суши-бар» и категория «Японский ресторан»). Если пользователь вводит запрос, который является таким ключевым словом, документы, принадлежащие к соответствующей категории, получают повышение в ранжировании.
- US7996393B1
- 2007-09-28
Как Google использует историю запросов в текущей сессии для понимания контекста и переписывания неоднозначных запросов
Google анализирует предыдущие запросы пользователя в рамках текущей сессии, чтобы понять контекст нового запроса. Если новый запрос неоднозначен или содержит отсылки (например, местоимения типа «он», «это»), система пытается объединить его с сущностями из предыдущих запросов. Это позволяет переписать запрос более точно (например, заменить «он» на имя человека), чтобы предоставить результаты, соответствующие истинному намерению пользователя.
- US9547690B2
- 2014-09-15
Как Google использует внешние метки (аннотации) и шаблоны URL для фильтрации и переранжирования поисковой выдачи
Google может обрабатывать запросы, включающие ключевые слова и метки (labels), предоставленные третьими сторонами. Система строит компактный фильтр доменов, связанных с этими метками, и гарантирует минимальную долю результатов из этих источников. Затем результаты, точно соответствующие полным шаблонам URL меток, получают значительное повышение в ранжировании.
- US7668812B1
- 2006-05-09
Как Google использует фразовую индексацию и многоуровневую архитектуру (Primary/Secondary Index) для масштабирования поиска и определения тематической релевантности
Google использует архитектуру множественных индексов (Primary и Secondary) для эффективной индексации миллиардов документов на основе фраз. Система определяет связанные фразы с помощью показателя Information Gain и использует эти данные для ранжирования. Primary Index хранит только наиболее релевантные документы в порядке ранжирования, в то время как Secondary Index хранит остальные, оптимизируя хранение и скорость.
- US7567959B2
- 2005-01-25
Как Google определяет характер районов и neighborhoods на основе данных о бизнесе, демографии и недвижимости
Система Google для автоматического понимания характеристик географических областей (например, «дорогой район», «центр индийской кухни»). Система анализирует распределение бизнес-листингов, демографические данные и информацию о недвижимости, чтобы присвоить регионам классификации. Эти данные используются для улучшения локального поиска и персонализации результатов в зависимости от характера местности и предпочтений пользователя.
- US20150019551A1
- 2011-10-12
Как Google определяет релевантность локальных результатов и решает, когда показывать их первыми в выдаче
Google анализирует запрос, чтобы предсказать, ищет ли пользователь локальную информацию. Если да, система автоматически использует текущее или сохраненное местоположение пользователя для генерации локальных результатов. Затем, используя "белые" (Whitelist) и "черные" (Blacklist) списки запросов, Google решает, насколько высоко ранжировать эти локальные результаты по сравнению с обычными веб-результатами или когда следует запросить у пользователя уточнение местоположения.
- US8005822B2
- 2007-01-17