Google улучшает геолокацию пользователей, анализируя «повторяющиеся запросы» (Recurrent Queries) — запросы, популярность которых резко возрастает в конкретных регионах в определенное время (например, локальные праздники или события). Когда пользователь вводит такой …
Поведенческие сигналы
Google анализирует, как пользователи печатают на виртуальных клавиатурах (место касания, продолжительность, давление), и объединяет эти данные с глобальной популярностью потенциальных поисковых запросов. Система может отменить первоначальные предложения автозамены, если немного …
Google повышает точность определения местоположения, агрегируя исторические "высококачественные посещения" от множества устройств для создания "облака точек" (Point Cloud) для каждого бизнеса. Это позволяет системе точнее определять, какое именно место посещает …
Google использует статистическую модель, обученную на поведении пользователей (Session Features) после клика по результату. Анализируя такие сигналы, как время пребывания, последующие клики и запросы, система прогнозирует удовлетворенность пользователя. Хотя патент …
Google патентует новый тип интерфейса для "нелинейного браузинга". Вместо списка ссылок пользователь перемещается по массиву карточек (tiles) в разных направлениях (вверх/вниз, влево/вправо). Каждое направление представляет собой отдельное тематическое путешествие (например, …
Google использует поведенческие сигналы для определения похожих видео на платформах типа YouTube. Система анализирует, какие видео пользователи смотрят одно за другим в течение короткого времени (ко-просмотры). Если пользователи положительно взаимодействуют …
Google использует систему для сбора сигналов одобрения продуктов (лайки, +1, репосты) из социальных сетей, сайтов производителей и ритейлеров. Эти данные агрегируются в единый «Рейтинг Одобрения» (Endorsement Rating или Likeness Factor) …
Система прогнозирует «сетевой эффект» контента — его способность генерировать каскад последующих взаимодействий (репосты, комментарии) в онлайн-сервисах (например, Google Discover, YouTube). При расчете используется граф причинно-следственных связей и дисконтирующий фактор для …
Google идентифицирует результаты поиска, в которых система максимально уверена («очень релевантные»). Для этого анализируется комбинация факторов: доминирующий показатель кликабельности (CTR) относительно конкурентов, высокая позиция в ранжировании и значительный отрыв по …
Google анализирует поведение пользователей внутри поисковых сессий. Если пользователь быстро переходит от запроса с низким CTR (низкоэффективный) к запросу с высоким CTR (высокоэффективный), система связывает их как относящиеся к одному …
Google повышает эффективность поиска, заранее вычисляя и кэшируя улучшенные (переписанные) версии для часто встречающихся запросов. Это позволяет системе мгновенно использовать лучшую формулировку запроса, не тратя время на ее генерацию в …
Google может собирать и анализировать данные о том, как пользователи взаимодействуют с электронными документами (например, PDF, DOC, HTML). Система отслеживает, какие разделы или страницы просматриваются дольше всего или добавляются в …
Google использует механизм для персонализации поисковых подсказок в реальном времени. Система анализирует историю взаимодействий пользователя (просмотренные документы, посещенные места), чтобы определить его атрибуты (интересы). Подсказки ранжируются путем сопоставления атрибутов пользователя …
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 …
Google использует данные о месте проживания пользователя (например, отеле) для персонализации локального поиска. При поиске ресторанов или достопримечательностей система повышает в ранжировании те места, которые высоко оценили другие гости этого …
Google использует гетерогенный граф для анализа взаимосвязей между пользователями, видео, группами и рекламой в социальных сетях (например, YouTube). Система итеративно распространяет "метки интереса" (labels) через эти связи, используя алгоритмы типа …
Патент Google описывает метод эффективного ранжирования контента (видео или результатов поиска) с использованием парных сравнений. Система моделирует качество как вероятностное распределение и оптимизирует сбор данных. Этот механизм может применяться для …
Google измеряет, как долго пользователи остаются на сайте в течение сессии, и сравнивает эту продолжительность с эталонными показателями, специфичными для категорий сайта. Эта нормализованная оценка (Duration Performance Score) позволяет объективно …
Google адаптирует поведенческие факторы ранжирования (например, клики) при обновлении контента документа. Исторические данные взвешиваются в зависимости от того, насколько старая версия контента похожа на текущую. Для измерения схожести используется анализ …
Google оптимизирует процесс распознавания фраз (N-грамм) в запросе, анализируя предыдущий запрос пользователя в той же сессии. Если пользователь уточняет запрос, добавляя новые слова, система исключает эти новые слова из анализа …