Deux derniers brevets d'intérêt de Google – 6 novembre 2020

Bienvenue dans une autre semaine pour les geeks.

C’était assez calme en ce qui concerne les brevets de recherche Google, mais j’en ai vu quelques-uns à partager au cours des dernières semaines.

Alors, allons-y.

Derniers brevets d’intérêt Google

Interroger un graphique de données à l’aide de requêtes en langage naturel

• Déposé le 13 mars 2013
• Remise: 20 octobre 2020

Abstrait

«Les implémentations comprennent des systèmes et des méthodes d’interrogation d’un graphique de données. Un exemple de procédé comprend la réception d’un module d’apprentissage automatique formé pour produire un modèle avec plusieurs caractéristiques pour une requête, chaque caractéristique représentant un chemin dans un graphique de données. Le procédé comprend également la réception d’une requête de recherche qui comprend un premier terme de recherche, le mappage de la requête de recherche sur la requête et le mappage du premier terme de recherche sur une première entité dans le graphique de données. Le procédé peut également comprendre l’identification d’une seconde entité dans le graphe de données en utilisant la première entité et au moins l’une des multiples caractéristiques pondérées, et la fourniture d’informations relatives à la seconde entité dans une réponse à la requête de recherche. Certaines implémentations peuvent également inclure la formation du module d’apprentissage automatique, par exemple en générant des exemples d’apprentissage positifs et négatifs à partir d’une réponse à une requête. »

Notes de Dave

Il est intéressant de noter que cela a été déposé en 2013.

Pourquoi?

Parce qu’il traite des éléments sémantiques, des graphiques et des entités.

De nombreux professionnels du référencement à l’époque n’avaient aucune idée de ce que c’était, car on en parlait rarement.

En fait, à ce jour, beaucoup de spécialistes du référencement ne «comprennent» pas vraiment comment Google traite la sémantique.

Bon sang, récemment, je les vois encore parler d’approches archaïques comme le LSI.

Dire qu’une grande partie de la profession de la recherche organique est bel et bien en retard sur le fonctionnement de la recherche de nos jours.

Le cœur de ce brevet est de discuter de la façon dont, dans le passé, de nombreuses relations d’entités et de données graphiques étaient en fait bricolées manuellement (pouvez-vous imaginer?) Et ils cherchaient à automatiser davantage cela avec l’apprentissage automatique.

Encore une fois, nous sommes en 2013, mes amis.

Cela ne devrait pas être un sujet de discussion au cours des dernières années… mais ça l’a été.

Quoi qu’il en soit, regardons quelques points d’intérêt.

Notable

«(…) Dans un graphe de données, des entités, telles que des personnes, des lieux, des choses, des concepts, etc., peuvent être stockées sous forme de nœuds et les arêtes entre nœuds peuvent indiquer la relation entre les nœuds. Dans un tel graphique de données, les nœuds «Maryland» et «États-Unis» peuvent être liés par les bords de «dans le pays» et / ou «a l’état». « 

«Les connaissances extraites du texte et du graphique de données sont utilisées comme entrée pour entraîner un algorithme d’apprentissage automatique afin de prédire les tuples pour le graphique de données. L’algorithme d’apprentissage automatique entraîné peut produire plusieurs caractéristiques pondérées pour une relation donnée, chaque caractéristique représentant une inférence sur la manière dont deux entités pourraient être liées. « 

«Certaines implémentations permettent de répondre aux requêtes en langage naturel à partir du graphique de données. Dans de telles implémentations, le module d’apprentissage automatique peut être formé pour mapper des fonctionnalités aux requêtes, et les fonctionnalités utilisées pour fournir des résultats de requête possibles. La formation peut impliquer l’utilisation d’exemples positifs provenant d’enregistrements de recherche ou de résultats de requêtes obtenus à partir d’un moteur de recherche basé sur des documents. Le module d’apprentissage automatique entraîné peut produire plusieurs caractéristiques pondérées, chaque caractéristique représentant une réponse à une requête possible, représentée par un chemin dans le graphique de données. « 

Recherche et récupération de cartes d’informations structurées

• Déposé le 26 octobre 2020
• Remise: 3 novembre 2020

Abstrait

«Des procédés, des systèmes, des appareils, y compris des programmes informatiques codés sur un support de stockage informatique, pour faciliter l’identification de termes de déclenchement supplémentaires pour une carte d’informations structurées. Dans un aspect, le procédé comprend des actions d’accès à des données associées à un modèle pour présenter des informations structurées, les données accédées faisant référence (i) à un terme d’étiquette et (ii) à une valeur. D’autres actions peuvent inclure l’obtention d’un terme d’étiquette candidat, l’identification d’une ou plusieurs entités associées au terme d’étiquette, l’identification d’une ou plusieurs des entités associées au terme d’étiquette candidat, et pour chaque entité particulière de la ou des entités. associés au terme d’étiquette candidat, associant au terme d’étiquette candidat (i) un terme d’étiquette associé à l’entité particulière, et (ii) la valeur associée au terme d’étiquette. »

Notes de Dave

Rien de vraiment bouleversant ici, mais cela nous donne une idée de la façon dont les cartes d’information, les entités, les bases de connaissances et les données structurées peuvent jouer ensemble.

Pour moi, c’est un exemple de plus de la façon dont le référencement a changé au fil des ans et est bien plus que ce qui semble apparemment rencontrer les praticiens et les éditeurs du biz.

Notable

«(…) Une unité d’identification de terme de déclenchement de carte est fournie, qui peut identifier des termes de déclenchement supplémentaires pour une carte d’informations structurées. L’unité d’identification des termes de déclenchement de la carte permet d’ajuster la grammaire d’une ou de plusieurs cartes d’informations structurées, au fil du temps, en évaluant les termes candidats pour une inclusion potentielle dans la grammaire d’une carte d’informations structurées. »

« Par exemple, supposons que la grammaire d’une carte d’informations structurées » Film « inclut les termes » heure du film « , » confirmation du billet de cinéma « et » numéro de confirmation du billet « . L’unité d’identification de terme de déclenchement de carte peut analyser les termes associés à la grammaire de la carte d’informations structurées «Film» et d’une ou plusieurs requêtes candidates, et identifier un terme de déclenchement supplémentaire pour la carte d’informations structurées «Film» tel que le terme de déclenchement. « billet de cinéma. » Par conséquent, les requêtes ultérieures reçues qui incluent des termes tels que «heure du film», «billet de cinéma» ou les deux déclencheront l’affichage d’une carte d’informations structurées «Film» en réponse à ces requêtes. »

C’est à peu près tout pour les gens de cette semaine.

Comme toujours, n’oubliez jamais la profondeur du fonctionnement des moteurs de recherche et repoussez constamment les limites de votre apprentissage et de vos stratégies.

À la semaine prochaine!

Plus de ressources:

Crédits d’image

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