Google의 기본 애플리케이션 수직 검색 엔진

Google은 지난 주 다음과 같은 항목을 포함할 수 있는 모바일 장치에서 애플리케이션 수직 검색 엔진에 대한 키워드 검색(또는 엔터티 찾기)을 수행할 수 있는 검색 엔진에 대한 특허를 받았습니다.

• (i) 연락처, 메시지, 통화 기록, 문서, 메모, 캘린더 일정 등과 같은 개인 콘텐츠
• (ii) 사용자 소비를 위해 애플리케이션에서 제공하는 애플리케이션별 콘텐츠
• (iii) 애플리케이션에서 제공하고 사용자 상호작용에 반응하는 애플리케이션별 콘텐츠, 또는
• (iv) 이들의 조합

특허는 그러한 검색 엔진이 다음을 수행할 수 있음을 알려줍니다.

...검색 쿼리에 대한 응답으로 제공될 수 있는 주제, 작업 등과 같은 하나 이상의 서로 다른 그룹으로 응용 프로그램 콘텐츠 항목을 클러스터링합니다.

이러한 종류의 클러스터링은 기사가 특정 주제를 중심으로 클러스터링되는 경향이 있는 Google 뉴스에서 볼 수 있는 것입니다.

Google이 지도, 뉴스, 이미지, 동영상, 금융, 학술검색과 같은 별도의 수직 검색으로 결과를 정리한 것처럼 이는 Google의 새로운 수직 검색이 될 수 있을 것 같습니다. 우리는 또한 Google이 유니버설 검색 결과에서 볼 수 있는 것과 같이 다양한 카테고리 검색 결과를 "전체" 카테고리로 결합하는 것을 보았습니다.

Google은 다양한 유형의 수직 검색에 대한 검색 결과를 다르게 설정했으며 이 특허는 응용 프로그램 카테고리 검색 엔진도 다르게 설정될 수 있음을 알려줍니다. 여기에는 응용 프로그램을 기반으로 하는 컨트롤이 있을 수 있으며 응용 프로그램 유형별로 구성될 수 있으며 각 기본 응용 프로그램과 연결된 주제 또는 작업이 있을 수 있습니다.

다음은 특허에서 이러한 애플리케이션 수직 검색이 결과를 표시할 수 있는 방법을 설명하는 방법입니다.

이 방법은 사용자 장치에 구현된 검색 엔진에 의해 사용자 장치에 있는 다수의 네이티브 애플리케이션 각각에 대해 네이티브 애플리케이션에 의해 생성되고 다음을 포함하는 데이터 세트를 수신하는 동작을 포함할 수 있습니다.

(i) 기본 애플리케이션 콘텐츠 및
(ii) 네이티브 애플리케이션 콘텐츠와 관련된 컨텍스트 정보는 네이티브 애플리케이션에 의해 생성된 각 데이터 세트에 대해 사용자 장치에 구현된 검색 엔진에 의해 데이터 세트에 기반한 클러스터 특징-벡터 표현을 생성하고, 사용자 장치에 구현된 검색 엔진에 의해, 사용자 장치의 검색 엔진 인덱스에 클러스터 특징 벡터 표현을 저장하고, 사용자 장치에 구현된 검색 엔진에 의해, 다음과 같은 클러스터 특징 벡터 표현 세트를 식별합니다. 특정 특징-벡터 표현과 연관되고, 사용자 장치에 구현된 검색 엔진에 의해, 클러스터 특징-벡터 표현의 세트와 관련된 하나 이상의 주제 또는 작업을 식별하고, 출력을 위해 다음을 포함하는 사용자 인터페이스를 제공합니다. 하나 이상의 주제 또는 작업을 식별하는 선택 가능한 컨트롤입니다.

이 특허는 다음에서 찾을 수 있습니다.

검색 엔진
발명가: Timo Mertens와 Maxim Gubin
양수인: Google LLC
미국 특허: 10,650,068
부여됨: 2020년 5월 12일
출원일: 2017년 1월 9일

추상적 인

컴퓨터 저장 매체에 인코딩된 컴퓨터 프로그램을 포함하는 방법, 시스템 및 장치로서, 네이티브 애플리케이션 콘텐츠와 관련된 주제 또는 작업을 식별하기 위해 사용자 장치에 구현된 검색 엔진을 사용합니다. 방법은 네이티브 애플리케이션에 의해 생성되고 (i) 네이티브 애플리케이션 콘텐츠, 및 (ii) 네이티브 애플리케이션 콘텐츠와 연관된 컨텍스트 정보를 포함하는 데이터 세트를 수신하는 동작을 포함할 수 있습니다. 데이터 세트, 사용자 장치의 검색 엔진 인덱스에 클러스터 특징 벡터 표현 저장, 특정 특징 벡터 표현과 연관된 클러스터 특징 벡터 표현 세트 식별, 연관된 하나 이상의 작업 식별 클러스터 기능 벡터 표현 세트를 사용하여 출력을 위해 하나 이상의 작업을 식별하는 선택 가능한 컨트롤을 포함하는 사용자 인터페이스를 제공합니다.

애플리케이션 수직 검색 엔진이 다루는 내용

이 특허에는 다음 모바일 애플리케이션을 포함하여 이 수직적 검색 엔진이 다룰 수 있는 다양한 유형의 기본 애플리케이션이 나열되어 있습니다.

• 여행 신청서
• 메시징 애플리케이션
• 여행 멘토 신청
• 캘린더 애플리케이션
• 문서 처리 신청
• 연락처 응용 프로그램
• 음성 통화 응용 프로그램
• 메모 애플리케이션
• 백과사전 신청
• 좋아요

네이티브 애플리케이션 수직 검색 엔진에서 찾은 데이터

이 특허는 모든 기본 애플리케이션이 각각의 데이터 세트를 생성하고 적어도 하나의 상세한 예를 제공한다고 지적합니다. 이러한 데이터 세트는 기본 애플리케이션과의 사용자 상호 작용을 기반으로 생성됩니다.

다음은 예입니다.

데이터 세트에는 기본 애플리케이션 콘텐츠 및 컨텍스트 정보가 포함될 수 있습니다. 예를 들어, 사용자는 여행 앱과 상호 작용하여 2017년 1월 15일 오후 3시에 출발할 예정인 워싱턴 DC에서 이탈리아로 가는 항공권을 예약할 수 있습니다. 이 사용자 상호작용에 기초하여, 네이티브 애플리케이션은 사용자에 의해 상호작용되었던 네이티브 애플리케이션 콘텐츠와 같은 네이티브 애플리케이션 콘텐츠를 포함하는 데이터 세트를 생성할 수 있다. 이때 여행 출발지(예: DC), 여행 목적지(예: 이탈리아), 여행 출발일(예: 2017년 1월 15일), 여행 출발 시간(예: 오후 3시)은 각각 개별적으로 또는 함께, 사용자가 전술한 애플리케이션 콘텐츠를 생성할 때 사용자와 상호작용한 하나 이상의 기본 애플리케이션 콘텐츠 항목의 예입니다. 네이티브 애플리케이션 콘텐츠 아이템과의 다른 형태의 사용자 상호작용은 네이티브 애플리케이션 콘텐츠를 편집하는 사용자, 네이티브 애플리케이션 콘텐츠를 보는 사용자, 네이티브 애플리케이션 콘텐츠를 듣는 사용자 등을 포함할 수 있다. 검색 엔진은 하나 이상의 네이티브 애플리케이션 콘텐츠 아이템의 사용자 상호작용 또는 소비를 나타내는 클러스터 특징-벡터를 생성하기 위해 네이티브 애플리케이션 콘텐츠로부터 하나 이상의 특징을 추출할 수 있다.

사용자 상호 작용에서 얻은 이 많은 양의 데이터 외에도 검색 엔진은 기본 응용 프로그램과 상호 작용하는 사람에 대한 사용자 프로필에서 가져온 데이터를 수집하고 포함합니다.

이것은 기본 애플리케이션 검색 엔진에 포함될 수 있는 데이터 종류의 또 다른 예입니다(각 애플리케이션이 수행하는 작업에 따라 매우 광범위할 수 있음).

사용자가 상호작용한 네이티브 애플리케이션 콘텐츠와 연관된 필드를 나타내는 데이터는 예를 들어 메시지의 "받는 사람:" 필드, 메시지의 "제목" 필드, 메시지의 "본문" 필드를 포함할 수 있습니다. 메시지, 항공편 예약의 "Destination" 필드, 호텔 예약의 "Date" 필드, 기사의 "Title" 필드 등. 네이티브 애플리케이션과의 사용자 활동을 나타내는 데이터는 예를 들어 사용자가 네이티브 애플리케이션과 갖는 여러 상호작용을 나타내는 데이터, 네이티브 애플리케이션을 사용하는 동안 사용자가 상호작용한 다른 네이티브 애플리케이션을 나타내는 데이터, 네이티브 애플리케이션 이전에 사용자가 사용한 네이티브 애플리케이션을 나타내는 데이터, 네이티브 애플리케이션 이후에 사용자가 사용한 네이티브 애플리케이션을 나타내는 데이터, 사용자 디바이스의 사용자가 네이티브 애플리케이션 간에 전환하는 패턴을 나타내는 데이터 , 등.

네이티브 애플리케이션 콘텐츠 생성 시간을 나타내는 데이터는 예를 들어 사용자가 애플리케이션 콘텐츠를 생성한 때를 나타내는 타임스탬프를 포함할 수 있습니다. 네이티브 애플리케이션 콘텐츠 상호작용 시간을 나타내는 데이터는 예를 들어 사용자가 네이티브 애플리케이션 콘텐츠와 상호작용한 시간을 나타내는 데이터를 포함할 수 있다. 예를 들어, 상호작용 시간은 사용자가 네이티브 애플리케이션에서 네이티브 애플리케이션 콘텐츠를 본 시간을 나타내는 타임스탬프를 포함할 수 있습니다. 애플리케이션 상호작용의 수는 사용자가 특정 네이티브 애플리케이션과 상호작용한 횟수를 포함할 수 있습니다.

사용자가 특정 기본 애플리케이션과 상호작용한 횟수는 다음과 같습니다.

(i) 사용자와의 총 애플리케이션 상호작용의 특정 수를 나타내는 데이터,
(ii) 미리 결정된 기간 내에 총 애플리케이션 상호작용의 특정 수를 나타내는 데이터, 또는
(iii) 이들의 조합. 예를 들어, 애플리케이션 상호작용의 수는 사용자가 지난 주 동안 메모 애플리케이션을 20번 열었고, 사용자가 여행 애플리케이션을 46번 열었음을 나타내는 데이터를 포함할 수 있다.

공유 주제 네이티브 애플리케이션 사용

특허는 때때로 하나 이상의 기본 응용 프로그램이 동일한 주제 또는 작업을 다룰 수 있음을 알려줍니다. 다음이 포함될 수 있습니다.

• 동일한 수신자에게 전송된 여러 메시지 집합
• 동일한 제목과 관련된 여러 수신자에게 보내는 여러 메시지 집합
• 동일한 주제와 관련된 다양한 유형의 애플리케이션 콘텐츠 항목 집합
• 아니면 좋아

동일한 작업과 관련된 여러 기본 애플리케이션 콘텐츠의 콘텐츠는 동일한 목적, 목표 등과 관련될 수 있습니다. 예를 들어, 이탈리아 여행. 여기에는 다음이 포함될 수 있습니다.

• 여행 앱을 사용하여 이탈리아행 항공편 예약하기
• 여행 앱을 사용하여 로마에서 호텔 예약(동일한 여행 앱 또는 다른 앱)
• 트립멘토 앱으로 관광지 설명 확인하기
• 검색 엔진을 사용하여 로마의 레스토랑 또는 전문점(예: 젤라또 가게) 검색
• 사용자가 로마 방문에 관심이 있는 전문점(예: 젤라또 가게)에 대한 메시지 보내기
• 메시징 앱을 사용하는 사용자의 배우자

그 방대한 양의 정보가 함께 클러스터링된 다음 클러스터 특징 벡터를 생성하는 데 사용될 수 있습니다. 또는 기본 애플리케이션 콘텐츠의 텍스트로 식별되는 엔터티를 기반으로 클러스터 기능 벡터를 생성할 수 있습니다.

여기에는 다음과 같은 기능이 포함될 수 있습니다.

• 연락처 이름
• 비접촉자 이름
• 지명
• 국가 이름
• 도시 이름
• 업체명
• 좋아요

사용자와 관련된 다양한 기본 애플리케이션 및 패턴의 사용에 대한 데이터도 식별될 수 있습니다.

클러스터 기능 벡터를 기반으로 하는 애플리케이션 수직 검색 엔진에 대한 인덱싱

검색 엔진 인덱스에 저장된 각 클러스터 특징 벡터는 클러스터 특징 벡터가 기반으로 하는 네이티브 애플리케이션 콘텐츠 항목(예를 들어, 메시지)을 식별하는 데 사용될 수 있습니다.

따라서, 애플리케이션 콘텐츠 아이템에 기초하여 키워드 검색을 수행하는 대신에, 또는 이에 추가하여, 사용자 디바이스는 검색 엔진 인덱스에 저장된 클러스터 특징-벡터의 벡터 유사성 검색을 수행하기 위해 검색 엔진을 사용할 수 있다.

우리는 서로 다른 수직 검색 엔진이 콘텐츠의 순위를 지정하고 색인을 생성하기 위해 서로 다른 신호를 사용하는 것을 보았습니다. 이 기본 응용 프로그램 수직 검색 엔진은 클러스터 기능 벡터 접근 방식을 사용하여 다양한 기본 응용 프로그램의 콘텐츠를 순위 지정하고 색인을 생성합니다.

이 특허는 이러한 검색 엔진이 어떻게 작동하는지, 그리고 이러한 클러스터 특징 벡터의 데이터가 어떻게 캐싱되거나 백그라운드에서 일괄 처리 방식을 사용할 수 있는지에 대해 알려줍니다. 이러한 종류의 클러스터 피처-벡터 접근 방식은 개별 모바일 장치에서 사용될 수 있으며 이러한 클러스터 피처 벡터의 실시간 생성은 계산 비용이 많이 들고 전화 및 태블릿의 배터리를 많이 사용합니다. 그러나 콘텐츠를 인덱싱하고 순위를 매기기 위해 이러한 벡터를 실시간으로 생성하는 것이 더 강력하고 정확할 수 있습니다. 여기에는 기본 응용 프로그램과의 가장 최근 상호 작용에 대한 데이터가 포함됩니다.

네이티브 애플리케이션 수직 검색 엔진 제거

이 기본 응용 프로그램 수직 검색 엔진은 Google에 추가된 좋은 기능이며 모바일 장치 사용자가 응용 프로그램에서 액세스한 정보를 검색하는 데 도움이 될 수 있습니다. 내가 계획한 여행에 대한 여행 정보와 기소장을 찾을 수 있으면 감사하겠습니다.

Google이 모바일 장치용 머신 러닝과 관련하여 설명한 내용이 생각납니다. 연합 학습: 중앙 집중식 교육 데이터가 없는 협업 머신 러닝. 그 논문은 연합 학습에 대해 다음과 같이 알려줍니다.

연합 학습을 사용하면 휴대전화가 공유 예측 모델을 공동으로 학습하는 동시에 모든 교육 데이터를 장치에 유지하여 기계 학습을 수행하는 기능과 클라우드에 데이터를 저장할 필요성을 분리할 수 있습니다. 이는 모델 교육을 장치로 가져와 모바일 장치(예: Mobile Vision API 및 On-Device Smart Reply)에서 예측을 수행하는 로컬 모델의 사용을 능가합니다.

이 게시물을 2020년 5월 18일 월요일에 게시하려고 했는데 USPTO 웹사이트가 깨진 것 같습니다. 분산 데이터베이스에는 가치가 있습니다. 내일 포스팅하려고 합니다.

네이티브 애플리케이션 수직 검색 엔진의 한 가지 문제는 여기에 포함된 데이터가 모바일 장치와 사용자의 상호 작용에 크게 의존한다는 것입니다. 얼마나 많은 사람들이 그 정보를 다른 사람들이 보거나 사용하기를 원하는지 의문입니다.

쿼리 및 예측을 지원하는 사용자별 지식 그래프에 대한 내 게시물에서 쓴 특허가 생각납니다.

Google은 사람에 대한 많은 데이터에 액세스할 수 있습니다.

사용하시는 분들에게는 정말 유용할 것 같습니다.

Google은 많은 잠재 사용자를 위해 너무 많은 정보를 수집하고 있을 수 있습니다.