Семантика и интент в Google: разборы патентов
Детальные разборы патентов Google, связанные с семантикой, поисковыми запросами и интентами
Как Google находит и предлагает более эффективные формулировки запросов через каноникализацию и оценку полезности
Google использует механизм для улучшения поисковых подсказок (Autocomplete). Система определяет запросы, которые имеют идентичную каноническую форму (тот же базовый интент после нормализации), но структурно отличаются от вводимого текста. Среди этих альтернатив выбираются те, которые исторически приводили к более высокой удовлетворенности пользователей (Query Utility Score), и предлагаются для повышения качества поиска.
- US8868591B1
- 2011-09-21
Как Google индексирует расписание трансляций в местных заведениях, чтобы пользователи могли найти, где посмотреть конкретное событие
Google патентует систему, позволяющую местным заведениям (барам, ресторанам) указывать в своих бизнес-профилях, какие именно события (например, спортивные матчи) они будут транслировать. Эта информация индексируется и используется в Поиске и Картах, позволяя пользователям находить заведения по запросам типа «где посмотреть матч [Команда А] сегодня вечером».
- US20230308829A1
- 2023-03-28
Как Google создает видео-нарезки (Composite Videos) на лету, используя текстовый запрос и анализ аудиодорожек
Google может анализировать аудиодорожки (транскрипты) видео для идентификации конкретных сегментов, где произносятся слова из запроса пользователя. Система автоматически объединяет эти сегменты из разных видео в одно новое сводное видео (Composite Video). Для выбора сегментов используются метрики релевантности, популярности и свежести исходного контента.
- US9672280B2
- 2014-04-10
Как Google интерпретирует общие запросы о путешествиях и преобразует их в структурированные данные для вертикального поиска (Google Flights/Hotels)
Google анализирует запросы на естественном языке (например, «отпуск в Европе летом»), введенные в основной поиск. Система определяет вероятность туристического интента и предполагает недостающие параметры (отправление, назначение, даты), используя историю пользователя и тренды. Если уверенность высока, запрос структурируется и направляется в специализированный движок (например, Google Flights), минуя стандартный веб-поиск.
- US9430571B1
- 2012-10-24
Как Google определяет наиболее релевантный раздел структурированного документа (сайта или книги) для показа в выдаче
Google использует структуру документа (например, иерархию сайта или главы книги) для определения наилучшей точки входа для пользователя. Система анализирует, где именно в структуре сконцентрированы (кластеризованы) ключевые слова из запроса. Вместо показа всего документа, Google может представить конкретный раздел, главу или страницу, которая наиболее точно соответствует запросу, основываясь на плотности и расположении этих совпадений.
- US9031898B2
- 2004-09-27
Как Google извлекает факты из изображений для наполнения Knowledge Graph
Google использует технологию распознавания объектов на изображениях для обогащения своей Базы Знаний (Knowledge Graph). Система анализирует наборы изображений, определяет, какие сущности часто появляются вместе (например, «Медведь Гризли» и «Рыба»), и выводит отношения между ними (например, «ест»). Эти извлеченные факты затем используются для ответов на поисковые запросы.
- US10534810B1
- 2016-02-29
Как Google переносит визуальную релевантность между похожими запросами в поиске по картинкам
Патент Google описывает механизм для улучшения ранжирования в поиске по картинкам. Если для конкретного запроса нет обученной модели визуальной релевантности, система использует модель от похожего запроса. Оценка релевантности (Boost) корректируется с помощью "дробного множителя" (Fractional Adjustment Multiplier), который уменьшает влияние модели пропорционально степени различия между запросами.
- US9152700B2
- 2012-01-13
Как Google динамически выбирает лучший кадр из видео (thumbnail) и точку воспроизведения под конкретный запрос пользователя
Google использует систему для динамического выбора thumbnail для видео в результатах поиска. Система анализирует запрос пользователя и содержание каждого кадра видео, преобразуя их в числовые векторы в общем семантическом пространстве. Кадр, наиболее близкий по смыслу к запросу, выбирается в качестве репрезентативного (thumbnail). Ссылка в выдаче может вести непосредственно к этому моменту в видео (Deep Linking).
- US20160378863A1
- 2015-06-24
Как Google идентифицирует и игнорирует навигацию, футеры и рекламу на странице для понимания основного контента
Google использует технологию анализа структуры документа (DOM-дерева) для отделения основного содержания страницы от шаблонных элементов (boilerplate) — таких как навигационные меню, футеры, списки ссылок и рекламные блоки. Система анализирует геометрические, структурные и иерархические признаки элементов (например, размер, форму, количество дочерних ссылок, расположение), чтобы классифицировать контент как шаблонный и исключить его при анализе тематики страницы.
- US8898296B2
- 2012-08-01
Как Google использует статистические модели для разделения картографических запросов на "Что" (объект) и "Где" (локация)
Google использует статистическую модель, обученную на известных адресах и названиях организаций, для парсинга неоднозначных картографических запросов. Система сегментирует запрос, присваивает локационные типы и рассчитывает вероятность различных вариантов разделения, чтобы точно определить искомую локацию и объект поиска, особенно в языках без пробелов.
- US8745065B2
- 2009-07-07
Как Google создает временные Графы Знаний для освещения срочных новостей и событий в реальном времени
Google использует механизм для мониторинга «live data streams» (социальные сети, поисковые запросы) для обнаружения «developing events» (срочные новости, происшествия). Для этих событий система создает «Event-Specific Provisional Knowledge Graph» – временный слой поверх основного Графа Знаний, который содержит самую свежую, хотя и потенциально непроверенную информацию. Это позволяет Поиску и Ассистенту быстро предоставлять ответы о событиях, происходящих прямо сейчас.
- US11256992B2
- 2019-06-25
Как Google использует ваши личные данные (Gmail, Календарь, Фото) для генерации персонализированных подсказок в Autocomplete
Google анализирует активность пользователя и его контент в различных сервисах (таких как email, календарь, фотохостинг). На основе этих данных система генерирует персонализированные поисковые подсказки (Autocomplete), когда пользователь начинает вводить запрос. Это позволяет предлагать запросы типа «мои рейсы» или «мои фото», основываясь на реальных бронированиях или загруженных изображениях пользователя.
- US9317585B2
- 2013-03-15
Как Google персонализирует сниппеты в выдаче, используя профиль интересов пользователя
Google использует механизм для генерации сниппетов в поисковой выдаче, основанный не только на терминах запроса, но и на профиле интересов пользователя. Система анализирует документ, находит термины, соответствующие интересам пользователя, и выделяет их в сниппете. Это призвано повысить релевантность сниппета для конкретного пользователя и лучше отразить содержание документа в контексте его интересов.
- US8631006B1
- 2005-04-14
Как Google сегментирует поисковую выдачу по разным значениям запроса с помощью вкладок и семантических кластеров
Система для обработки неоднозначных запросов путем идентификации различных значений (концепций) запроса и представления их в виде отдельных вкладок (Tabs). Внутри каждой вкладки похожие результаты группируются в "стеки" (Stacks) для уменьшения дублирования, а для дальнейшего уточнения предлагаются динамически сгенерированные меню (Drill Down).
- US20140229477A1
- 2014-04-07
Как Google использует Vision-Language и Генеративные модели для анализа ключевых кадров видео и ответов на вопросы пользователей
Google разработал систему для эффективного понимания содержания видео. Вместо анализа каждого кадра система выбирает ключевые кадры и использует Vision-Language Model для создания их текстового описания. Когда пользователь задает вопрос о видео, система объединяет запрос с этими описаниями и использует генеративную модель (LLM) для формирования точного ответа в реальном времени.
- US20250190488A1
- 2023-12-11
Как Google генерирует визуальные превью страниц в выдаче, используя "разрывы страницы" и масштабирование релевантного контента
Google использует систему для создания визуальных превью страниц (Page Previews) в результатах поиска. Система оценивает релевантность контента, учитывая близость ключевых слов и тип контента (например, пессимизируя сноски). Для показа наиболее важных, но разрозненных участков используются "разрывы страницы" (Page Tears). Ключевой контент также может отображаться в увеличенном масштабе для читаемости, помогая пользователю оценить формат страницы до клика.
- US8954427B2
- 2011-05-31
Как Google использует семантический анализ и оценку эстетики для генерации динамических превью видео под запрос пользователя
Google анализирует видео, разбивая его на сегменты и определяя семантические концепции (объекты, действия) в каждом кадре. Для каждой сцены выбирается лучший кадр, сочетающий информативность и визуальное качество. Эти кадры используются для создания динамических превью (storyboards) или замены тамбнейлов, адаптируясь под конкретный поисковый запрос или интересы пользователя для повышения CTR.
- US9953222B2
- 2015-09-08
Как Google использует коллекции сущностей для определения коммерческого интента запроса
Google анализирует сущности (entities), распознанные в поисковом запросе, и определяет, к каким «коллекциям» (группам связанных сущностей) они принадлежат. Оценивая характеристики этих коллекций, система вычисляет вероятность коммерческого намерения пользователя. Этот механизм используется для разрешения неоднозначностей и принятия решения о показе релевантного коммерческого контента.
- US20150088648A1
- 2013-09-24
Как Google объединяет изображение с камеры и одновременный аудиовход (речь и звуки) для выполнения сложных мультимодальных поисковых запросов
Система мультимодального поиска Google, которая одновременно обрабатывает визуальные данные с камеры и аудиоданные с микрофона. Система извлекает визуальные признаки, транскрибирует речь и анализирует звуковые сигнатуры. Это позволяет пользователям задавать контекстные вопросы об объектах в кадре (например, «[Фото платья] + Найди такое же синее») или диагностировать проблемы по звуку и изображению (например, шум неисправного прибора), получая релевантные результаты из веб-поиска, поиска по картинкам или от генеративных моделей.
- US12346386B2
- 2023-04-25
Как Google выбирает главное изображение для новостных статей и кластеров в Google News и Top Stories
Google использует многофакторную систему для выбора наилучшего изображения, представляющего новостную статью или кластер. Система фильтрует неподходящие изображения (рекламу, логотипы), анализирует контекст (подписи, Alt-текст, расположение рядом с заголовком) и оценивает технические параметры (размер, формат), чтобы выбрать изображение для показа в результатах поиска новостей.
- US8775436B1
- 2008-08-20 (Продолжение заявки от 2004-03-19)
Как Google проверяет и отбирает редкие (long-tail) запросы для поисковых подсказок (Autocomplete)
Google использует механизм для валидации редких поисковых запросов, чтобы определить, стоит ли добавлять их в поисковые подсказки (Autocomplete). Редкие запросы нормализуются (каноникализируются) и сравниваются с популярными запросами. Если редкий запрос семантически эквивалентен популярному, он признается качественным и допускается к показу в подсказках. Это позволяет Google предлагать разнообразные и полезные long-tail подсказки, отсеивая спам и бессмысленные запросы.
- US20150120773A1
- 2011-10-26
Как Google извлекает ключевые концепции и сущности, анализируя контекст вокруг повторяющихся цитат и отрывков текста
Google анализирует, как одни и те же отрывки текста (например, цитаты) используются в разных документах. Система собирает весь окружающий текст (контекст) вокруг каждого вхождения отрывка и использует статистический анализ (например, TF-IDF), чтобы определить ключевые термины, сущности и концепции, связанные с этим отрывком. Это позволяет связывать документы по смыслу и улучшать навигацию.
- US9323827B2
- 2008-01-30
Как Google объединяет текстовые описания с разных сайтов для улучшения поиска по картинкам
Google улучшает поиск по картинкам, находя дубликаты или похожие изображения на разных сайтах. Система собирает все текстовые метки (из alt-текста, заголовков, окружающего текста), связанные с каждой копией изображения, объединяет их в единый набор и присваивает его всем копиям. Это позволяет находить изображение по любому из описаний, использованных в сети.
- US7460735B1
- 2004-09-28
Как Google группирует свежие варианты запросов для быстрого выявления трендов в Автозаполнении (Autocomplete)
Google использует механизм для быстрого выявления новых трендов в поиске. Система анализирует "свежие запросы", приводит их к канонической форме и группирует варианты с одинаковым смыслом. Если группа набирает достаточную совокупную популярность, эти запросы добавляются в Автозаполнение (Query Suggestions), позволяя предлагать актуальные подсказки, даже если каждый отдельный вариант еще не популярен.
- US20150178278A1
- 2012-03-13
Как Google динамически переключает выдачу с общего поиска на специализированные вертикали (Рецепты, Вакансии, Товары)
Патент описывает, как Google динамически определяет тематические "режимы поиска" (например, "Вакансии" или "Рецепты") на основе запроса. Система предлагает переключиться в специализированный режим, который использует структурированные данные вместо общего веб-индекса и предоставляет уникальные элементы интерфейса для фильтрации, сортировки и форматирования результатов по атрибутам, специфичным для данной тематики.
- US7890499B1
- 2006-12-01
Как Google рассчитывает универсальную оценку (MUS Score) для ранжирования локальных результатов и их смешивания с веб-поиском
Google использует механизм расчета Универсальной Оценки (MUS Score) для результатов локального поиска. Эта оценка позволяет сравнивать релевантность карт и локальных объектов с результатами из других вертикалей (например, веб-поиска) для формирования смешанной выдачи. Оценка агрегирует сигналы уверенности в адресе (Address Support), близости к пользователю (Viewport Support) и текстовой релевантности (Matching Score), определяя ранжирование в Local Pack.
- US8463774B1
- 2008-07-15
Как Google агрегирует данные из разных индексов для создания специализированной выдачи по медиазапросам (Фильмы, Сериалы)
Google использует архитектуру для обработки медиазапросов (фильмы, сериалы). Система определяет, что запрос связан с медиа, и одновременно отправляет запросы в разные корпусы данных (структурированные данные, веб-индекс, картинки, расписания). Затем результаты агрегируются в единый специализированный интерфейс (например, Knowledge Panel или детальная страница сущности), предоставляя пользователю сводную информацию из разных источников.
- US8533761B1
- 2007-04-30
Как Google использует классификаторы запросов и контента для фильтрации и понижения оскорбительных результатов, связанных с защищенными группами
Google применяет систему двойной классификации для защиты пользователей от неуместного или оскорбительного контента. Система оценивает, относится ли запрос к «защищенной группе людей» и содержит ли он деликатные термины. Параллельно анализируется, содержат ли результаты поиска оскорбительный контент. На основе комбинации этих классификаций и анализа сессии пользователя результаты могут быть отфильтрованы или понижены в ранжировании.
- US10083237B2
- 2015-08-31
Как Google встраивает поиск (ботов) напрямую в чаты и голосовые звонки с помощью триггерных слов и контекста
Система отслеживает электронные разговоры (чаты, VoIP-звонки) на наличие триггерных слов. При активации она захватывает запрос, может использовать контекст разговора для его уточнения и внедряет краткий ответ обратно в поток беседы. Патент также описывает функцию автоматического звонка по найденному номеру (Search-to-Call).
- US9031216B1
- 2009-03-05
Как Google использует IDF и Энтропию для определения семантической схожести запросов при генерации поисковых подсказок
Google определяет схожесть поисковых запросов для генерации релевантных подсказок, используя модель взвешенных N-грамм. Каждой фразе (N-грамме) присваивается «семантический вес», основанный на её уникальности в документах (IDF) и в логах запросов пользователей (Entropy). Схожесть запросов вычисляется путем сравнения этих взвешенных векторов, гарантируя, что подсказки основаны на наиболее значимых терминах.
- US8019748B1
- 2007-11-14