Семантика и интент в Google: разборы патентов
Детальные разборы патентов Google, связанные с семантикой, поисковыми запросами и интентами
Как Google выявляет и удаляет подсказки в Autocomplete, которые отвлекают пользователя от его изначальной цели поиска
Google использует механизм для очистки системы автозаполнения (Autocomplete). Система выявляет популярные подсказки, которые развлекают или интересуют пользователей, но не соответствуют их изначальному намерению. Путем экспериментов с временным скрытием этих подсказок Google проверяет, ищут ли пользователи эту информацию самостоятельно. Если нет, подсказка классифицируется как отвлекающая и понижается.
- US9355191B1
- 2013-01-24
Как Google агрегирует и ранжирует пользовательские метки для идентификации объектов в Визуальном поиске (Google Lens)
Google использует этот механизм для повышения точности идентификации объектов при поиске по изображению. Система находит множество визуально похожих изображений, загруженных пользователями (UGC), и анализирует их текстовые метки. Метки группируются по смыслу, а затем эти группы ранжируются на основе совокупной визуальной релевантности. Это позволяет определить наиболее вероятное название объекта, опираясь на коллективное мнение.
- US9424279B2
- 2013-03-08
Как Google определяет наиболее релевантную часть документа, игнорируя ключевые слова из Title и URL
Google использует механизм для определения самой важной части страницы по запросу пользователя. Система классифицирует слова запроса на «навигационные» (если они есть в Title или URL) и «информационные». При анализе контента внутри страницы вес «навигационных» слов снижается или обнуляется, позволяя точнее выделить конкретный фрагмент текста, содержащий ответ.
- US8005825B1
- 2005-09-27
Как Google динамически определяет стоп-слова в локальных запросах, тестируя разные интерпретации запроса
Google использует механизм для точной интерпретации локальных запросов, содержащих неоднозначные слова. Вместо статического удаления стоп-слов система генерирует несколько вариантов разделения запроса на субъект и местоположение. Она тестирует варианты с удалением и сохранением потенциального стоп-слова, выполняет параллельные поиски и выбирает ту интерпретацию, которая дает наилучшие результаты.
- US9009144B1
- 2012-03-29
Как Google использует 3D-модели объектов для понимания контекста изображений и переписывания поисковых запросов
Google использует базу данных 3D-моделей для глубокого анализа объектов в поисковых запросах, особенно в изображениях. Система сопоставляет объект с его эталонной 3D-моделью, чтобы определить точный контекст: ориентацию, масштаб, освещение и окружающую обстановку. Затем исходный запрос переписывается с учетом этого контекста, что позволяет предоставлять более релевантные результаты, адаптированные под ситуацию (например, продукт на кухне vs продукт в магазине).
- US9529826B2
- 2013-12-26
Как Google определяет текстовое описание изображения для визуального поиска, анализируя похожие картинки и связанные с ними запросы
Google использует систему визуального поиска, которая позволяет пользователям отправлять изображение в качестве запроса. Для этого система создает индекс визуальных признаков и анализирует метаданные (запросы, по которым кликали на картинку, и текст на ссылающихся страницах). При получении изображения система находит визуально похожие картинки в индексе, анализирует связанные с ними текстовые фразы (n-граммы) и выбирает наилучшее описание. Затем выполняется стандартный поиск по этому текстовому описанию.
- US8761512B1
- 2010-12-03
Как Google использует местоположение и направление смартфона для понимания запросов о местах поблизости
Google может определять, о каком месте спрашивает пользователь (например, "какие отзывы у этого ресторана?"), даже если название не указано. Система использует GPS и компас, чтобы понять, где находится пользователь и куда направлен его телефон (ориентация). Затем она сужает поиск до объектов в поле зрения, определяя конусообразную зону поиска в направлении взгляда, и переписывает запрос, добавляя название найденного места.
- US10185746B2
- 2015-08-20
Как Google использует Knowledge Graph для автоматической кластеризации результатов поиска по свойствам сущностей
Google использует Knowledge Graph для организации поисковой выдачи по широким запросам. Система определяет сущность в запросе (например, «Собаки»), находит в Knowledge Graph её наиболее важное свойство (например, «Порода») и автоматически генерирует уточняющие подзапросы. Результаты поиска представляются в виде организованных кластеров, соответствующих этим подзапросам.
- US20150269231A1
- 2012-08-08
Как Google объединяет изображение и текст для создания мультимодальных запросов (Google Multisearch)
Google патентует интерфейс для уточнения визуального поиска. Пользователь загружает изображение, видит результаты и специальное поле для ввода текстового уточнения. Система объединяет изображение и текст в единый мультимодальный запрос (Multimodal Search Query), чтобы точнее понять намерение пользователя и предоставить релевантные результаты разных форматов, включая товары, видео и статьи.
- US20240028638A1
- 2022-07-22
Как Google кластеризует документы на разных языках для улучшения поиска и выявления переводов
Google использует метод для объединения документов на разных языках в общие тематические кластеры. Все документы переводятся на единый базовый язык, затем анализируются ключевые слова, и на этой основе формируются кластеры. Это позволяет находить релевантные результаты независимо от языка запроса и определять, являются ли два документа переводом друг друга.
- US8639698B1
- 2012-07-16
Как Google Ads прогнозирует конверсию ключевых слов, используя кластеризацию интентов и агрегированные данные рынка
Google использует ML-систему для прогнозирования эффективности (например, коэффициента конверсии) ключевых слов в Google Ads, особенно для рекламодателей с недостаточными данными. Система анализирует контент сайта, определяет ключевые слова и соотносит их с кластерами запросов (интентами). Эффективность прогнозируется на основе агрегированных исторических данных о конверсиях для всего кластера интентов, а не только данных конкретного рекламодателя.
- US20250110978A1 (Патентная заявка)
- 2024-07-26
Как Google группирует подсказки в Google Картах и адаптирует их в зависимости от масштаба карты
Google использует систему группировки поисковых подсказок (автозаполнения) в интерфейсах карт. Система определяет основной термин запроса (например, «отели») и группирует связанные уточнения (например, «рядом с Oakland» или «люкс»). Ключевая особенность — выбор типа уточнений (географические или качественные) динамически зависит от текущего масштаба и местоположения, отображаемого на карте.
- US8612414B2
- 2011-11-21
Как Google использует real-time анализ текста, аудио и изображений для автоматической генерации запросов и проактивного поиска
Система Google для анализа информации, захваченной из различных источников (вводимый текст, изображения документов, аудиопотоки) в реальном времени. Система автоматически распознает контент, выделяет ключевые фрагменты, формирует поисковые запросы и мгновенно предоставляет пользователю релевантный цифровой контент или связанные действия без явных запросов. Это механизм, лежащий в основе технологий визуального (Lens) и голосового поиска.
- US8990235B2
- 2010-03-12
Как Google использует GTIN, MPN и машинное обучение для определения синонимов брендов в каталоге товаров
Google использует механизм машинного обучения для решения проблемы несогласованности данных в фидах мерчантов. Система анализирует пары товарных предложений с одинаковыми идентификаторами (GTIN, MPN), но разными названиями брендов. Путем расчета метрик схожести (цены, заголовка) и статистического анализа система определяет, являются ли разные названия (например, «HP» и «Hewlett-Packard») синонимами одного и того же бренда для корректной группировки товаров.
- US8655737B1
- 2011-01-31
Как Google использует граф сущностей для генерации расширенных географических подсказок в реальном времени
Google использует механизм для генерации расширенных поисковых подсказок (Expanded Query Suggestions), особенно в географическом поиске. Система идентифицирует сущности, соответствующие введенному префиксу, а затем обходит граф связанных сущностей (Entity Graph), чтобы предложить релевантные подсказки, которые не начинаются с этого префикса. Это позволяет предлагать конкретные места или бизнесы (например, «MoMA New York» на запрос «new y»), основываясь на географических, категорийных и популярных связях между сущностями.
- US8694512B1
- 2011-11-16
Как Google использует визуальное сходство для определения и уточнения ключевых слов изображений (VisualRank)
Google анализирует визуальные характеристики изображений и строит граф сходства. Релевантные ключевые слова распространяются от размеченных изображений к похожим, но неразмеченным или плохо размеченным изображениям. Это позволяет поисковой системе понять реальное содержание картинки, основываясь на визуальных данных, и отфильтровать шум в метаданных или окружающем тексте.
- US8356035B1
- 2007-04-10
Как Google автоматически определяет и проверяет атрибуты, бренды и категории товаров, анализируя веб-контент и поведение пользователей
Google использует систему для автоматического извлечения и проверки «Структурных параметров» (бренды, атрибуты, категории, линейки продуктов) из неструктурированного веб-контента и логов запросов. Система валидирует классификацию с помощью анализа контекстуального сходства, целевого краулинга (поиск фраз типа «X является Y») и анализа распределения кликов. Это позволяет стандартизировать данные о товарах от разных продавцов и формировать структурированную E-commerce выдачу.
- US9171088B2
- 2011-04-06
Как Google объединяет поисковый запрос и профиль пользователя для персонализации выдачи с помощью векторных эмбеддингов (LCR)
Google использует метод Latent Collaborative Retrieval (LCR) для персонализации поиска. Система создает векторные представления (эмбеддинги) для текущего запроса пользователя и его долгосрочного профиля (история, предпочтения). Эти векторы приводятся к единой размерности в общем латентном пространстве, что позволяет напрямую сравнивать и комбинировать релевантность запросу и соответствие профилю пользователя для формирования финальной выдачи.
- US20130325846A1
- 2012-06-01
Как Google превращает поисковую выдачу в интерактивные "Мини-приложения" (Mini-Apps) от разных поставщиков
Google патентует систему, которая определяет намерение пользователя и предоставляет интерактивные "мини-приложения" (Mini-Apps) прямо на странице результатов поиска. Пользователи могут выполнять задачи (например, бронировать столик, рассчитывать ипотеку) без перехода на сайт поставщика, сравнивать предложения разных компаний и переносить введенные данные между их приложениями в рамках одной сессии.
- US11461419B2
- 2020-07-09
Как Google идентифицирует конкретные видео (фильмы, клипы, эпизоды) на веб-страницах, анализируя окружающий текст
Google использует библиографические данные (название, актеры, длина) для поиска и идентификации конкретных видео на веб-страницах. Система анализирует текст, расположенный рядом с видеоплеером («associated text»), и вычисляет «оценку совпадения» (Occurrence Score), чтобы точно понять, какой именно фильм, клип или эпизод представлен на странице.
- US8983945B1
- 2012-01-03
Как Google использует физическое местоположение пользователя и категории ближайших бизнесов (POI) для адаптации поисковых подсказок
Google использует физическое местоположение пользователя для адаптации поисковых подсказок (Autocomplete). Система определяет категории ближайших точек интереса (POI), например, «электроника» или «продукты». Затем она предлагает запросы, которые статистически чаще задают пользователи, находящиеся рядом с бизнесами этой категории. Это позволяет адаптировать подсказки к текущему контексту и намерениям пользователя.
- US9111011B2
- 2012-12-27
Как Google ускоряет нейронный поиск, используя выборочные векторные взаимодействия токенов и механизм импутации
Google патентует высокоэффективную систему нейронного поиска (Contextualized Token Retriever). Она обеспечивает высокую точность за счет анализа взаимодействий на уровне отдельных контекстуализированных токенов между запросом и документом. Ключевое нововведение — механизм импутации, который позволяет рассчитывать релевантность, используя только предварительно извлеченные векторы, что радикально снижает вычислительные затраты.
- US20250217373A1
- 2024-12-30
Как Google динамически регулирует силу фактора близости в локальном поиске в зависимости от плотности результатов
Google использует механизм для динамической корректировки влияния расстояния на ранжирование локальных результатов. Если по запросу доступно много местных компаний (высокая плотность), влияние близости усиливается, и удаленные результаты быстро теряют позиции. Если компаний мало (низкая плотность), влияние близости ослабевает, позволяя ранжироваться более удаленным, но релевантным результатам. Система также гарантирует максимальное повышение для ближайшего результата, независимо от его абсолютного расстояния.
- US20160070703A1
- 2013-08-27
Как Google использует машинное обучение для обнаружения и удаления "revenge porn" и другого неконсенсусного контента из поиска
Google использует систему для борьбы с лично нежелательным контентом (например, «revenge porn»). Система применяет два классификатора: один определяет, является ли контент нежелательным (например, порнографическим), а второй — является ли он любительским. Если контент одновременно нежелательный и любительский, он удаляется из выдачи. Система также проактивно анализирует запросы с низкой популярностью для выявления нового такого контента.
- US10795926B1
- 2016-04-22
Как Google использует редкость сущностей (IDF) для персонализации и повышения интересности контента
Google использует механизм для персонализации выдачи (например, в Новостях или Рекомендациях), который повышает в ранжировании документы, содержащие сущности, интересующие пользователя, если эти сущности редко встречаются в недавнем корпусе документов. Редкость измеряется с помощью Inverse Document Frequency (IDF). Система продвигает уникальные комбинации тем (группы сущностей), которые могут быть особенно интересны пользователю.
- US9679018B1
- 2014-02-19
Как Google объединяет и нормализует результаты из разных индексов (веб и мобильного) для пользователей мобильных устройств
Google использует систему смешивания (Results Mixer) для объединения выдачи из разных поисковых движков (например, основного веба и мобильного веба). Поскольку движки используют разные формулы ранжирования, система нормализует оценки, используя классификацию запросов, свойства контента и калибровку на основе человеческих оценок. Также описан механизм дедупликации, отдающий приоритет мобильной версии контента.
- US7962477B2
- 2008-01-24
Как Google автоматически выбирает и показывает сравнительный контекст для фактов о сущностях в Knowledge Panel
Google анализирует популярность различных списков (например, "Самые высокие горы"). Когда пользователь спрашивает о факте (например, "высота К2"), система находит место этой сущности в самом популярном релевантном списке и добавляет контекст (например, "2-я по высоте гора в мире") в Knowledge Panel или голосовой ответ.
- US10289625B2
- 2016-09-15
Как Google использует атрибуты сущностей для генерации «Дополненных запросов» и уточнения поиска
Google использует механизм для помощи в исследовании тем, связанных с сущностями (люди, места, продукты). Система распознает сущность в запросе, определяет ее ключевые атрибуты (анализируя результаты поиска или Knowledge Graph) и автоматически генерирует список предлагаемых «дополненных запросов» (Сущность + Атрибут). Это позволяет пользователю одним кликом запустить новый, более сфокусированный поиск по теме.
- US10055462B2
- 2013-03-15
Как Google использует данные веб-поиска для распознавания сущностей в специализированных вертикалях (на примере поиска медиаконтента)
Google использует двухэтапный процесс для ответа на описательные запросы в специализированных поисках (например, поиск фильмов по сюжету). Сначала система ищет информацию в основном веб-индексе, анализирует топовые результаты для выявления релевантных сущностей (названий фильмов), а затем использует эти сущности для поиска в специализированной базе данных.
- US9063984B1
- 2013-03-15
Как Google распознает, структурирует и использует данные о сущностях для глубокого понимания контента
Патент Google, раскрывающий фундаментальные принципы обработки сущностей. Описано, как Google индексирует контент, распознает именованные сущности (NER) и структурирует данные о них в две категории: общие (Generic Entity Data) и специальные (Special Entity Data). Это дает ключевое понимание архитектуры Knowledge Graph.
- US9069744B2
- 2012-05-15