Яндекс патентует статистический метод для повышения чувствительности A/B тестирования изменений в поиске. Вместо сравнения средних значений поведенческих метрик (например, Dwell Time), система анализирует полное распределение этих метрик. Это позволяет обнаруживать …
Метрики качества поиска
Яндекс патентует высокочувствительный метод для A/B тестирования, который анализирует полное распределение поведенческих метрик (например, времени на сайте), а не только их средние значения. Это позволяет Яндексу выявлять даже незначительные, но …
Яндекс использует метрику качества всей органической выдачи ("Relevance Factor"), чтобы определить, какие рекламные объявления показать и где их разместить. Если органические результаты хорошо отвечают на запрос пользователя, система может выбрать …
Яндекс оптимизирует скорость поиска, предзагружая результаты для наиболее вероятной поисковой подсказки, пока пользователь еще вводит запрос. Система использует метрику PFOP для баланса скорости и нагрузки на сервер. Также патент описывает …
Яндекс патентует механизм адаптации показа рекламы на SERP. Система рассчитывает «Коэффициент Релевантности» органических результатов, предсказывая удовлетворенность пользователя на основе исторических поведенческих данных. В зависимости от этого коэффициента, Яндекс выбирает, какие …
Яндекс патентует метод Kernel Gradient Boosting (KGB) для обучения моделей на основе деревьев решений (например, CatBoost). Он сочетает случайные деревья (для оценки неопределенности) и стандартный градиентный бустинг (для точности). Это …
Яндекс патентует метод для понимания контекста последовательных голосовых запросов. Система сравнивает качество результатов поиска по комбинированному запросу (предыдущий + текущий) и по текущему запросу отдельно. Если комбинированный поиск дает лучшие …
Яндекс подал заявку на патент нового метода обучения моделей на основе деревьев решений (таких как CatBoost) под названием Stochastic Gradient Langevin Boosting (SGLB). Этот метод позволяет эффективнее оптимизировать сложные (невыпуклые) …
Яндекс патентует метод повышения эффективности краудсорсинговых задач (например, оценки качества поиска). Система одновременно отправляет задачу человеку-асессору и алгоритму машинного обучения (MLA). На основе их ответов и исторических оценок качества (Quality …
Яндекс использует свой основной алгоритм ранжирования для определения связи между последовательными голосовыми запросами. Система сравнивает качество результатов поиска по комбинированному запросу и по последнему запросу отдельно. Если комбинированный запрос дает …
Яндекс использует метод для повышения точности A/B тестирования путем создания обобщенной метрики. Система объединяет одну метрику, показывающую направление изменений (хорошо или плохо), с другой метрикой, показывающей величину изменений (чувствительность). Это …
Яндекс патентует метод ускорения A/B тестов (контролируемых экспериментов). Вместо длительного сбора данных система анализирует поведение пользователей за короткий период и использует машинное обучение (например, GBDT) для прогнозирования их будущих взаимодействий …
Яндекс использует предиктивные модели машинного обучения для ускорения A/B тестирования изменений в поисковых алгоритмах и интерфейсах. Анализируя начальное поведение пользователей, система прогнозирует долгосрочное влияние изменений на ключевые метрики (клики, сессии, …
Яндекс патентует метод для автоматического контроля качества ML-моделей ранжирования. Система ищет рассогласования, сравнивая входные данные модели (Векторы Свойств) и выходные данные (Оценки Релевантности) для пар документов. Если наблюдается аномалия (например, …
Яндекс патентует статистический метод (линеаризацию) для улучшения оценки результатов A/B тестирования. Метод преобразует сложные метрики-отношения (например, CTR или клики на сессию) в линейную форму. Это повышает чувствительность оценки, позволяя быстрее …
Яндекс патентует метод повышения чувствительности и скорости A/B тестов. Вместо длительного сбора данных система использует машинное обучение (например, градиентный бустинг) для прогнозирования будущих метрик пользователей (клики, сессии) на основе краткосрочных …
Яндекс патентует метод для эффективной и статистически надежной оценки новых факторов ранжирования (features) или новых обучающих данных (training samples). Вместо полной перетренировки модели, система оценивает влияние нового фактора на ошибку …
Яндекс патентует математический метод обучения алгоритмов ранжирования (например, CatBoost). Метод решает проблему оптимизации сложных метрик качества (NDCG, ERR), которые обычно не поддаются стандартным методам. Это достигается путем добавления искусственного шума …
Яндекс патентует метод для эффективной и надежной оценки новых признаков (факторов ранжирования) или обучающих данных. Вместо полного переобучения модели с нуля, система начинает тестирование нового фактора с промежуточного этапа обучения …
Яндекс патентует систему внутреннего контроля качества для автоматического выявления ошибок ранжирования. Система сравнивает входные данные (векторы признаков) и выходные результаты (оценки релевантности) для пар документов. Если документы похожи по признакам, …