Google Search Patent Update-29 Января 2020 Года

В этой новой еженедельной серии мы рассмотрим некоторые недавно выданные патенты на поиск Google.

Когда речь заходит о поиске и SEO, нет простого способа узнать, что находится в черном ящике, который является Google. Патентные заявки могут, по крайней мере, дать нам представление.

Всегда стоит отметить, что только потому, что патент был подан и предоставлен, это не означает, что Google использует его. И если он используется, мы не знаем пороговых значений или скоринговых значений в более широком контексте.

Все, что нам нужно с этим упражнением, - это войти в образ мышления. Ощущение того, как все работает в информационном поиске.

Кроме того, это не будет приключением глубокого погружения. Просто некоторые моменты. Тем не менее, я призываю вас следить за любым интересным и полностью прочитать их.

Последние интересные патенты Google

Ну, последние несколько недель были немного спокойными. И это немного печально для таких парней, как Билл Славски и я.

Но в последние несколько недель было” несколько " интересных вещей, так что давайте посмотрим.

Компьютеризированные системы и способы обогащения базы знаний для поисковых запросов

• Подано: Февраль. 29 2016
• Предоставлено: 14 Января 2020 Года

Абстрактный

"Раскрыты системы и методы обогащения базы знаний по поисковым запросам. В соответствии с определенными вариантами исполнения, изображениям присваиваются аннотации, которые идентифицируют сущности, содержащиеся в изображениях. Объектная сущность выбирается среди сущностей на основе аннотаций, и по крайней мере одна атрибутивная сущность определяется с помощью аннотированных изображений, содержащих объектную сущность. Связь между сущностью объекта и по крайней мере одной сущностью атрибута выводится и сохраняется в базе знаний. В некоторых вариантах осуществления для этих объектов может быть рассчитано доверие. Баллы достоверности могут быть агрегированы по множеству изображений для идентификации объекта-сущности.”

Примечательный

“В соответствии с некоторыми вариантами осуществления, технология распознавания объектов используется для аннотирования изображений, хранящихся в базах данных или собранных с веб-страниц интернета. Аннотации могут определять, кто и / или что содержится в изображениях.”

“ ( ... ) можно узнать, какие аннотации являются хорошими индикаторами для фактов, агрегируя аннотации по объектным сущностям и фактам, которые уже известны как истинные. Группировка аннотированных изображений по объектной сущности помогает идентифицировать верхние аннотации для объекта entity. Верхние Примечания могут быть выбраны в качестве атрибутов для объектных сущностей, а отношения могут быть выведены между объектными сущностями и атрибутами.”

“ ( ... ) также обеспечить усовершенствование систем и методов расчета показателей достоверности для аннотаций, присвоенных изображениям. Баллы доверия могут отражать вероятность того, что объект, идентифицированный аннотацией, действительно содержится в изображении. Баллы доверия могут быть рассчитаны на основе каждого изображения и агрегированы по группам аннотированных изображений для улучшения методов распознавания изображений и аннотаций.”

Определение поисковых запросов для получения информации во время пользовательского взаимодействия события

• Подано: 15 Марта 2017 Года
• Предоставлено: 28 Января 2020 Года

Абстрактный

"Описана вычислительная система, которая определяет множество поисковых запросов для последующего поиска во время события, и расписывает для каждого из множества поисковых запросов соответствующее время во время события для поиска соответствующего поискового запроса. Реагируя на определение того, что пользователь вычислительного устройства испытывает событие в соответствующее время во время события, в котором планируется выполнить поиск по определенному поисковому запросу из множества поисковых запросов, вычислительная система выполняет поиск по определенному поисковому запросу и автоматически отправляет вычислительному устройству для последующего отображения во время события указание информации, возвращенной из поиска по определенному поисковому запросу.”

Примечательный

“Во время просмотра события (например, просмотра и/или прослушивания презентации контента) пользователь может пожелать получить дополнительную информацию, связанную с событием, и поэтому может взаимодействовать с вычислительным устройством для ручного поиска такой информации во время просмотра события.”

“ ( ... ) в то время как пользователь вычислительного устройства испытывает событие, динамически получить и заставить вычислительное устройство представить текущую информацию, которая имеет отношение к этому событию. Термин "событие", используемый здесь, относится к любому живому исполнению, трансляции, воспроизведению или другому типу представления живого или предварительно записанного контента (например, презентации собраний, собраний, конференций, музыкальных или театральных представлений, фильмов, телевизионных шоу, песен, концертов, спортивных мероприятий или любых других типов живого или предварительно записанного контента, которые могут испытывать пользователи).”

“( ... ) пользователь, возможно, пожелает получить дополнительную информацию о данном событии в точное время или в ответ на конкретные” субсобытия", происходящие во время этого события. Например, во время просмотра спортивного события пользователь может быть заинтересован в получении биографической информации о менее известном игроке, который только что сделал важную игру, или может быть заинтересован в просмотре повтора важной игры. Или, во время просмотра фильма, пользователь может быть заинтересован в просмотре отпускных сделок или другой информации об экзотическом географическом положении, которое является фоном конкретной сцены. Или во время просмотра фильма или телевизионной презентации пользователь может пожелать получить биографическую и другую актерскую информацию об актерах, как они появляются на экране.”

"Система может предварительно определить и сохранить (например, в кэше или другой памяти) один или несколько поисковых запросов для последующего поиска, когда пользователь вычислительного устройства испытывает событие.”

Семантическая модель для мечения решеток слов

• Дата Подачи: 21 Августа 2017
• Предоставлено: 7 Января 2020 Года

Абстрактный

Страдая от меньшего количества конверсий для одного и того же объявления тратить на ваши объявления Google?
Ваши объявления могут получать мошенничество с кликами. Проверьте, нужно ли вам защитить свою рекламу от конкурентов и ботов. Простая настройка. Начните свой бесплатный осмотр сегодня.

ЗАПУСТИТЕ БЕСПЛАТНЫЙ ТЕХОСМОТР

"Методы, системы и устройства, в том числе компьютерные программы, закодированные на компьютерном носителе информации, для маркировки во время распознавания речи. Получена словесная решетка, которая указывает вероятности для последовательностей слов в высказывании. Получен условный вероятностный преобразователь, который указывает частоту появления последовательностей как слов, так и семантических тегов для этих слов. Словесная решетка и условный вероятностный преобразователь составлены таким образом, чтобы построить словесную решетку, которая указывает вероятности для последовательностей как слов в высказывании, так и семантических тегов для слов. Решетка слов, указывающая вероятности для последовательностей как слов в высказывании, так и семантических тегов для слов, используется для создания транскрипции, которая включает слова в высказывании и семантические теги для слов.”

Примечательный

"( ... ) получение от автоматизированного распознавателя речи взвешенной по высказыванию структуры слов, которая указывает вероятности для последовательностей слов в высказывании; получение датчика условной вероятности, который указывает частоту появления последовательностей как слов, так и семантических тегов для слов;”

"( ... ) механизмы пометки слов в процессе распознавания речи. Как правило, семантический Таггер может вставлять теги в словарную решетку, например, в словарную решетку, создаваемую системой распознавания речи с большим словарным запасом в режиме реального времени. Например, фраза "San Francisco “может появиться в пути решетки слов и помечена метаданными” <cities> “перед” San “и метаданными” <cities></cities> “после" Francisco.””

"Маркировка может быть выполнена путем перегонки ранее существовавшей очень большой именованной модели disambiguation entity (NED) в легкий теггер. Это может быть достигнуто путем построения совместного распределения помеченных n-грамм из контролируемого обучающего корпуса, а затем получения условного распределения для данной решетки.”

Распознавание речи с помощью рекуррентных нейронных сетей на основе внимания

• Подано: 3 Мая 2018 Года
• Предоставлено: 21 Января 2020 Года

Абстрактный

"Методы, системы и устройства, включая компьютерные программы, закодированные на компьютерных носителях информации для распознавания речи. Один из способов включает получение входной акустической последовательности, входной акустической последовательности, представляющей собой высказывание, и входной акустической последовательности, содержащей соответствующее представление акустических признаков на каждом из первого числа временных шагов; обработку входной акустической последовательности с использованием первой нейронной сети для преобразования входной акустической последовательности в альтернативное представление для входной акустической последовательности; обработка альтернативного представления для входной акустической последовательности с использованием рекуррентной нейронной сети на основе внимания (RNN) для формирования для каждой позиции в порядке выходной последовательности набора баллов подстроки, который включает соответствующий балл подстроки для каждой подстроки в наборе подстрок; и генерирование последовательности подстрок, которые представляют собой транскрипцию высказывания.”

Примечательный

"Некоторые системы распознавания речи включают в себя систему произношения, акустическую систему моделирования и языковую модель. Система акустического моделирования генерирует фонемное представление акустической последовательности, система произношения генерирует графемное представление акустической последовательности из представления фонемы, а языковая модель генерирует транскрипцию высказывания, представленного акустической последовательностью из представления графемы.”

( ... ) “обработка входной акустической последовательности с использованием первой нейронной сети для преобразования входной акустической последовательности в альтернативное представление для входной акустической последовательности; обработка альтернативного представления для входной акустической последовательности с использованием рекуррентной нейронной сети на основе внимания (RNN) для формирования для каждой позиции в порядке выходной последовательности набора подстрочных баллов, который включает соответствующий подстрочный балл для каждой подстроки в наборе подстрок; и создание последовательности подстрок, представляющих транскрипцию высказывания.”

Оставайтесь С Нами И Получить Geeky

И там у нас есть это для первого из многих обновлений, чтобы прибыть.

Если вы никогда не проводили некоторое качественное время с поисковым патентом – не пора ли вам это сделать?

Будьте уверены, чтобы вернуться каждую неделю для всех последних наград и получить ваш geek на.

В ближайшие месяцы я также буду писать более подробно, когда появится особенно интересный патент Google, о котором, я думаю, вы должны знать.

Источник: www.searchenginejournal.com

Комментарии: