3 derniers brevets d'intérêt Google – 13 octobre 2020

Bienvenue à nouveau pour une autre semaine où nous examinons certains des brevets les plus intéressants liés à la recherche attribués à Google.

Si vous n’avez pas lu le post de la semaine dernière, nous avons arrondi tous les brevets d’intérêt pour le premier semestre de 2020.

Dans nos articles hebdomadaires, nous n’allons pas dans un examen approfondi des brevets, mais plutôt un aperçu afin que vous puissiez décider si vous voulez approfondir.

Entrer dans les brevets de Google est un excellent moyen de se faire une idée de la façon dont Google pourrait faire les choses dans la nature.

Cela peut vous aider à mieux structurer vos efforts de référencement et à faire de vous un meilleur praticien en général.

Passons à quelques-uns des goodies de cette semaine.

Derniers brevets d’intérêt Google

Génération de représentations vectorielles de documents

• Déposé le 12 septembre 2016
• Remise: 13 octobre 2020

Notes de Dave

C’est une question difficile car il n’y a pas facilement quelque chose qu’un SEO puisse en retirer à mettre en œuvre.

Cela étant dit, ce qui est important avec certains des éléments (en particulier, les vecteurs, les réseaux de neurones et l’apprentissage automatique), c’est la compréhension que Google a dépassé les simples «mots-clés» et les anciennes variantes de l’analyse sémantique.

J’ai écrit dans le passé sur les vecteurs Word et même les vecteurs de paragraphe.

Se familiariser avec ce type de choses est un bon plan pour le professionnel du référencement moderne.

Trop souvent, je trouve que les gens sont enracinés dans les approches old-school de Google qui ne sont pas vraiment aussi pertinentes dans le référencement moderne.

Abstrait

«Procédés, systèmes et appareils, y compris des programmes informatiques codés sur des supports de stockage informatique, pour générer des représentations vectorielles de documents. L’une des méthodes consiste à obtenir un nouveau document; sélectionner une pluralité de nouveaux ensembles de mots de document; et la détermination d’une représentation vectorielle pour le nouveau document en utilisant un système de réseau neuronal entraîné, dans lequel le système de réseau neuronal entraîné comprend: une couche d’incorporation de document et un classificateur, et dans lequel la détermination de la représentation vectorielle pour le nouveau document à l’aide du système de réseau neuronal entraîné comprend de manière itérative fournir chacun de la pluralité de nouveaux ensembles de mots de document au système de réseau neuronal entraîné pour déterminer la représentation vectorielle du nouveau document en utilisant la descente de gradient. »

Notable

«Les systèmes de classification de texte peuvent classer des morceaux de texte électronique, par exemple des documents électroniques. Par exemple, les systèmes de classification de texte peuvent classer un morceau de texte comme se rapportant à un ou plusieurs d’un ensemble de sujets prédéterminés. Certains systèmes de classification de texte reçoivent en entrée les caractéristiques du morceau de texte et utilisent les caractéristiques pour générer la classification du morceau de texte. »

«Une représentation vectorielle d’un document qui peut être utilisée comme caractéristique du document, par exemple par un système de classification de texte, peut être générée efficacement. Par exemple, les documents sémantiquement similaires peuvent avoir des représentations vectorielles de document plus proches que les représentations vectorielles de document pour deux documents qui n’incluent pas de contenu sémantiquement similaire. Ainsi, les représentations vectorielles peuvent être utilisées comme fonctionnalités de document pour de nombreuses tâches utiles, par exemple, trouver des documents qui se rapportent à un document actuel ou trouver d’autres documents susceptibles d’intéresser un utilisateur étant donné que l’utilisateur a parcouru un document actuel. « 

Modélisation d’entités personnelles sur un appareil mobile à l’aide des représentations vectorielles continues

• Déposé le 29 juillet 2015
• Remise: 13 octobre 2020

Notes de Dave

Une fois de plus, nous n’obtiendrons pas vraiment une forme d’informations directes qu’un professionnel du référencement peut utiliser dans la nature.

Mais ce que nous pouvons apprendre de telles approches, c’est que tout n’est peut-être pas toujours ce qu’il semble.

Trop souvent, je vois des professionnels du référencement dans divers contextes parler de tester ceci ou cela.

Le problème avec cela est qu’il y a tellement de couches d’éléments de personnalisation potentiels que nous ne prenons pas en compte.

Si je suis honnête, l’approche que beaucoup adoptent ces jours-ci est beaucoup trop simpliste pour la profondeur de la technologie potentiellement en jeu chez Google.

Un autre élément intéressant de ce brevet est l’utilisation du terme «base de connaissances personnelles».

La plupart des professionnels du référencement sont familiers avec un corpus de base de connaissances plus large, mais un ensemble personnalisé est quelque chose d’apparemment plus fini et mérite certainement d’être lu.

Celui-ci a également abordé les concepts (et vecteurs) du «sac continu de mots», alors voici quelques lectures supplémentaires sur ceux-ci pour vous:

Notable

«Les espaces d’intégration sont appris et ajustés au fil du temps, de sorte que les imbrications deviennent une représentation de la base de connaissances personnelle d’un utilisateur. Le système peut modéliser des entités dans tout contenu généré par un appareil informatique, y compris des écrans sur un appareil mobile, des messages électroniques dans le compte d’un utilisateur, des mises à jour et des publications dans le compte de médias sociaux d’un utilisateur, etc. Dans certaines implémentations telles que les systèmes de messagerie, la détection de les entités personnelles peuvent être basées sur un utilisateur identifiant spécifiquement l’entité (par exemple, dans l’adresse de l’expéditeur ou du destinataire d’un e-mail). »

« Une fonctionnalité peut inclure d’autres entités personnelles (par exemple, à partir d’écrans passés et actuels), une entité / sujet public, une application dans laquelle l’entité apparaît le plus souvent, etc. Par exemple, le système peut entraîner le modèle pour prédire une entité donnée une autre l’entité (par exemple, Mary et Rob sont tous deux souvent inclus dans le même flux de courrier électronique ou le football est généralement discuté dans les communications à John). En outre, le système peut être formé pour prédire les séquences personnelles, par exemple, l’utilisateur lit généralement ses e-mails, puis ouvre une application d’actualités. »

«Dans un aspect général, un procédé comprend l’identification d’une première entité personnelle dans un contenu généré pour affichage sur un dispositif informatique, la première entité personnelle étant associée à une incorporation dans une base de connaissances personnelle associée à un utilisateur du dispositif informatique, la prédiction d’une association entre la première entité personnelle et une seconde entité sur la base de l’incorporation, et en fournissant une recommandation liée à la seconde entité, la recommandation à afficher sur le dispositif informatique. »

«À titre d’exemple, une fois qu’une modélisation d’entités personnelles (par exemple, une base de connaissances personnelles) est générée, le système peut l’utiliser pour prédire des mots ou des phrases en fonction du contenu à l’écran, pour identifier des cercles ou des catégories pour les entités personnelles, pour améliorer -Recherche d’appareils avec récupération du voisin le plus proche, pour personnaliser les prédictions (par exemple, prédire un destinataire d’un message texte en fonction du contenu précédent à l’écran, biaiser les entités liées à une catégorie particulière lors de l’envoi de messages à une personne particulière, etc.), pour personnaliser les publicités, etc. . »

Fournir des résultats aux requêtes de recherche sans paramètre

• Déposé le 26 juillet 2019
• Remise: 13 octobre 2020

Notes de Dave

Ceci est certainement intéressant.

De la façon dont il lit, il est principalement axé sur les appareils mobiles et les éléments du moteur de prédiction / recommandation.

Il n’y a certainement rien de nouveau dans le type d’algos prédictif avec Google, c’est juste celui qui semble intéressant en ce qu’il tente de penser à l’avenir pour vous.

Il faut également tenir compte du fait que cela pourrait aussi être un peu bizarre étant donné que Google a le potentiel de décider davantage ce que vous voulez et qui vous êtes sans aucune action de votre part.

Mais c’est un débat pour un autre jour.

Il faudrait également supposer que quelque chose comme celui-ci serait mis en œuvre de manière croisée avec Google Ads et d’autres systèmes de monétisation.

Pour les professionnels du référencement, cela montre en outre que les mots-clés et autres ciblages par termes ne sont pas l’objectif final de nos jours.

Dans ce cas, une forte présence locale serait probablement l’élément le plus important.

Abstrait

«Dans une mise en œuvre, un procédé mis en œuvre par ordinateur comprend la réception d’une demande de recherche sans paramètre, qui a été fournie à un dispositif informatique mobile, pour des informations qui sont pertinentes pour un utilisateur du dispositif informatique mobile. Le procédé comprend également, en réponse à la demande de recherche sans paramètre reçue, l’identification avec un système informatique numérique d’un ou plusieurs résultats qui sont déterminés comme pertinents pour l’utilisateur du dispositif informatique mobile sur la base d’un contexte actuel du dispositif informatique mobile. Le procédé comprend en outre la fourniture des résultats à afficher à un utilisateur du dispositif informatique mobile. »

Notable

«Une requête de recherche sans paramètre est une requête de recherche qui interroge un appareil informatique mobile pour obtenir des informations pertinentes pour un utilisateur, mais où l’utilisateur ne fournit aucun paramètre pour préciser davantage ce qui est pertinent pour l’utilisateur à un moment donné. Au lieu de cela, une requête de recherche sans paramètre impose au dispositif informatique mobile la responsabilité de déterminer ce que l’utilisateur est susceptible de juger pertinent. Pour fournir une indication de pertinence pour un utilisateur, un dispositif informatique mobile peut examiner un contexte actuel dans lequel le dispositif informatique mobile et / ou l’utilisateur du dispositif informatique mobile existent au moment où la requête de recherche sans paramètre est reçue. Une requête de recherche sans paramètre est une requête de recherche qui ne contient aucun paramètre pour la requête de recherche (peut également être appelée une requête «entrée zéro»). Au lieu de cela, une requête de recherche sans paramètre demande au dispositif informatique mobile de déduire ce qu’un utilisateur du dispositif informatique mobile veut savoir (déduire les paramètres de la requête de recherche) sur la base d’un contexte actuel pour le dispositif informatique mobile (par exemple, heure de la journée, emplacement géographique, rendez-vous du calendrier, etc.). »

«Par exemple, supposons qu’un appareil informatique mobile se déplace avec un utilisateur sur une autoroute qui se déplace à grande vitesse pendant les heures de pointe un jour de travail (par exemple, du lundi au vendredi). Si l’utilisateur soumet une requête de recherche sans paramètre au dispositif informatique mobile, celui-ci peut examiner son contexte actuel (voyager sur l’autoroute pendant les heures de pointe) et en déduire que l’utilisateur aimerait recevoir des informations sur le trafic pour le tronçon d’autoroute devant lui. Le dispositif informatique mobile peut déduire des paramètres pour la requête de recherche (par exemple, les conditions de circulation et le numéro d’autoroute), identifier les résultats de la requête de recherche (par exemple, s’attendre à rencontrer un trafic stop-and-go dans deux miles), et fournir les résultats au l’utilisateur (par exemple, activer un haut-parleur sur l’appareil mobile et transmettre de manière audible les conditions de circulation à l’utilisateur). »

«Étant donné qu’il peut être fastidieux et long de fournir une entrée à un appareil informatique mobile (par exemple, taper sur un clavier / écran plus petit), minimiser le temps qu’il faut à un utilisateur pour recevoir des informations pertinentes peut lui faire gagner du temps. De plus, les utilisateurs d’un dispositif informatique mobile peuvent souhaiter soumettre une requête de recherche à un dispositif informatique mobile pendant qu’ils sont occupés par une autre tâche qui rend la fourniture de l’entrée peu pratique ou dangereuse, telle que la conduite d’une voiture. Dans de telles situations, un utilisateur peut fournir une entrée simple (par exemple, appuyer sur un bouton de l’appareil mobile, secouer l’appareil mobile, etc.) qui permet à l’utilisateur de recevoir des informations pertinentes sans exiger de l’utilisateur qu’il adopte un comportement peu pratique ou dangereux. »

«(…) Il peut souvent falloir plusieurs étapes pour qu’un utilisateur fournisse une requête de recherche avec des paramètres à un dispositif informatique mobile afin de localiser des informations pertinentes pour l’utilisateur. Par exemple, si un utilisateur souhaite localiser rapidement un restaurant à proximité, l’utilisateur peut avoir à naviguer dans une variété de menus sur le dispositif informatique mobile pour atteindre une interface de recherche basée sur l’emplacement (par exemple, une interface pour une application cartographique) et ensuite peut avoir à taper des paramètres pour la requête (par exemple, «restaurant», «près de l’emplacement actuel»). Avec les requêtes de recherche sans paramètre, un utilisateur peut obtenir les informations qui l’intéressent sans avoir à fournir une requête de recherche formulée. Au lieu de cela, en utilisant une requête de recherche sans paramètre, un utilisateur peut accéder aux informations qui l’intéressent en fournissant simplement une entrée au dispositif informatique mobile qui indique une requête pour une requête de recherche sans paramètre. Une telle entrée peut être simple et facile à effectuer pour un utilisateur, comme secouer le dispositif informatique mobile un certain nombre de fois (par exemple, secouer une fois, secouer deux fois, etc.), appuyer sur un bouton du dispositif informatique mobile pendant un période de temps (par exemple, appuyez sur le bouton et maintenez-le enfoncé pendant deux secondes), fournissant une commande verbale au dispositif informatique mobile (par exemple, ordonnant au dispositif de «rechercher maintenant»), etc. »

Assurez-vous de faire participer votre geek et de passer du temps à les lire complètement.

Cela vous aidera certainement à élargir votre réflexion en tant que pro du référencement au-delà des éléments simplistes fondamentaux qui constituent le fourrage général de la communauté.

À la semaine prochaine!

Plus de ressources:

Crédits d’image

Image en vedette: Créé par l’auteur, octobre 2020
Images In-Post: USPTO