Aşağıdaki makale size yardımcı olacaktır:Google’da Kullanıcı Tarafından Oluşturulan İçerik ve Makine Öğrenimi
Google, Web’de Makine Öğreniminin Yeni Yuvası mı?
Geçenlerde, gönderideki haber makalelerindeki görüşleri belirlemek için makine öğrenimini açıklayan bir Google patenti hakkında yazmıştım. Google’da Makine Öğrenimi Tarafından Bulunan Görüş Haberleri
Google’da makine öğreniminin kullanımı artıyor. Bu patentte Google, fikir yazıları dışındaki diğer içerik türlerini belirlemek için makine öğrenimini kullanabilir. Bu yeni patent bize, makine öğrenimi kullanılarak kullanıcı tarafından oluşturulan içeriğin tanımlanması hakkında bilgi veriyor.
Bize açıkça patentin “kullanıcı tarafından oluşturulan içeriği tahmin etmek için makine öğreniminden yararlanmak” hakkında olduğu söylendi.
Neden Web’de kullanıcı tarafından oluşturulan içerik aranmalı? Patent şuna işaret ediyor:
Kullanıcı tarafından oluşturulan bu tür içerik, örneğin, çok sayıda kullanıcıyı bir katkı deneyimine dahil ederek elde edilebilir.
Makine öğrenimi, soruların ve/veya çeşitli varlıkları içeren diğer istemlerin kullanıcılara sunulduğu bir soru-cevap sistemi gibi katkı deneyimlerini anlamamıza yardımcı olabilir. Kullanıcılara daha sonra soruları ve/veya istemleri yanıtlamaları talimatı verilir.
Bu kullanıcı yanıtları, çeşitli varlıkların nitelikleriyle ilişkili çıkarımlar yapmak için kullanılabilir. (Burada patentte niteliklerin belirtilmesi hoşuma gitti.)
Bu katkı deneyimleri, bir varlıkla ilgili doğru bir çıkarımın yapılabilmesi için önemli sayıda kullanıcı yanıtı gerektirebilir.
Bu nedenle, birçok kullanıcının belirli bir varlığın bir niteliğe sahip olduğunu söylemesi gerekebilir, böylece varlığın özniteliğe sahip olduğuna dair doğru bir çıkarım yapılabilir.
Makine öğrenimi ve bu sorular ve cevaplar varlıklar hakkında bilgi edinmemize nasıl yardımcı olur?
Patentten alınan yöntem, bir varlıkla ilişkili birinci varlık verilerinin bir veya daha fazla bilgi işlem cihazı tarafından alınmasını içerir.
Bu ilk varlık verileri, bir varlığın özniteliğiyle ilişkili kullanıcı tanımlı verileri içerebilir (varlıkların öznitelikleri, tarihler ve bunlarla ilişkili diğer değerleri içerebilir).
Yöntem daha sonra bir veya daha fazla bilgi işlem cihazı tarafından birinci varlık verilerinin makine tarafından öğrenilen bir içerik tahmin modeline girilmesini içerir.
Patentli yöntem ayrıca, makine tarafından öğrenilen içerik tahmin modelinin çıktısı olarak, bir veya daha fazla bilgi işlem cihazı tarafından, varlığın özniteliğini açıklayan çıkarımsal verileri içeren çıkarsanmış varlık verilerinin alınmasını içerir.
Bu patent USPTO’da şu adreste bulunabilir:
Kullanıcı tarafından oluşturulan içeriği tahmin etmek için makine öğreniminden yararlanma
Mucitler: Arun Mathew, Kaleigh Smith, Per Anderson ve Ian Langmore
Vekil: Google LLC
ABD Patenti: 10.878.339
Verilen: 29 Aralık 2020
Dosyalandı: 27 Ocak 2017
Soyut
Bu patent örneğinin bir örneği bize, bir veya daha fazla varlık hakkında kullanıcı tarafından oluşturulan içeriği daha iyi anlamak için makine öğrenimini kullanma hakkında bilgi verir.
Süreç, bir veya daha fazla varlık hakkında çeşitli öznitelikleri belirleyebilir.
Böylece bir varlığın özniteliği hakkında kullanıcı tanımlı varlık verileri alınabilir.
Bu varlık verileri, bir veya daha fazla kullanıcıya sağlanan bir bilgi toplama görevine verilen kullanıcı yanıtlarını içerebilir.
Bu bilgi toplama görevi, kullanıcılardan bir varlık hakkındaki soruları yanıtlamalarını isteyebilir.
Bu varlık verileri, makine tarafından öğrenilen bir içerik tahmin modeline girdi olarak sağlanabilir.
Makine tarafından öğrenilen içerik tahmin modeli, lojistik regresyon içerebilir.
Kendileri Hakkında Daha Fazla Bilgi Almak İçin Sorulan Kuruluşlara Örnekler
Bu, bazı spesifik örnekler sunması durumunda, patent okuyucusu için daha anlamlı olabilir.
Makine tarafından öğrenilen içerik tahmin modelinin, varlığın özniteliğiyle ilişkili çıkarımsal varlık verilerini çıktı olarak sağlayabileceği söylendi.
Çıkarılan varlık verileri, bilgi toplama görevinin tahmin edilen veya tahmin edilen sonuçlarıyla ilişkili bilgileri içerebilir.
Daha özel olarak, bilgi toplama görevi, bir varlıkla ilişkili bilgileri toplamak için kullanılan bir soru-cevap sistemi veya başka bir katkı deneyimi ile ilişkilendirilebilir.
Bu bilgi toplama görevi, kullanıcılardan bir varlığın özniteliğiyle ilişkili bir yanıt yanıtı vermelerini isteyen herhangi bir uygun görev olabilir.
Bu varlıklar, işletme, restoran, film, şarkı, kitap, video, ürün gibi uygun herhangi bir varlık veya tanımlayıcı bilgilerin elde edilebileceği diğer herhangi bir uygun varlık olabilir.
Bu bilgi toplama görevi, varlıkla ilişkili bir anket, soru formu vb. ile ilişkilendirilebilir.
Bilgi toplama görevi, varlığın özniteliğiyle ilişkili kullanıcılara sağlanan bir soru olabilir.
Sorular, “doğru” veya “yanlış” (veya “emin değilim”) olası yanıtlarına sahip bir “Boole sorusu” olabilir.
Örneğin, bir bilgi görevi, belirli bir restoranın romantik bir atmosfer sağlayıp sağlamadığını veya restoranın büyük gruplar için uygun bir atmosfer sağlayıp sağlamadığını soran bir soru içerebilir.
Bu şekilde, bir kullanıcı, varlığın özniteliğe sahip olduğunu belirtmek için doğru bir yanıt veya varlığın özniteliğe sahip olmadığını belirtmek için yanlış bir yanıt verebilir.
Google Benim İşletmem programındaki Yerel Rehber sorularıyla ilgili sorulan işletmeler hakkında bana sorular soruldu.
Kullanıcı tanımlı varlık verileri, sağlanan bilgi toplama görevlerine kullanıcı yanıtlarını gösteren verileri içerebilir.
Bu tür kullanıcı tanımlı varlık verileri, makine tarafından öğrenilen içerik tahmin modeline girdi olarak sağlanabilir.
Kullanıcı tanımlı varlık verileri, içerik tahmin modelinin lojistik regresyonuna sağlanabilir.
Ayrıca lojistik regresyon, girdi olarak genel varlık verilerini alabilir.
Söz konusu küresel varlık verileri şunları içerebilir:
- Varlıkla ilişkili uygun yapılandırılmış veya yapılandırılmamış veriler
- Bir veya daha fazla ek varlık
- Kuruluşun bulunduğu bir coğrafi alan (örn. şehir, ilçe, alan kodu, ülke vb.)
- Ve/veya diğer uygun veriler.
Bu küresel veriler şunları içerebilir:
-
- Varlık ve/veya ek varlıklarla ilişkili diğer çeşitli bilgi toplama görevlerine verilen kullanıcı yanıtlarını gösteren veriler
- Varlığın ve/veya ek varlıkların çeşitli nitelikleri
- Varlık ve/veya ek varlıklarla ilişkili anahtar kelimeler
- Vesaire.
.
İnsanlar Varlıklar Hakkında Ne Öğrenir?
Global varlık verileri, varlıkların çeşitli yönlerini tanımlayan varlıkların bir profili ile ilişkilendirilebilir.
Global varlık verileri, bir coğrafi bilgi sistemi ile ilişkili veri tabanları gibi çeşitli uygun veri tabanlarından elde edilebilir.
Ve küresel varlık verileri uygun web sitelerinden elde edilebilir.
Bu lojistik regresyon, tahmin edilen veya tahmin edilen bir “en iyi tahmin” yanıt oranı verecek şekilde yapılandırılabilir.
“En iyi tahmin” yanıt oranı, kullanıcı yanıtlarının sayısı sonsuza yaklaştıkça, bilgi toplama görevine kullanıcı yanıtlarını tahmin edebilir.
Yanıt oranı, yanıt sayısı sonsuza yaklaştıkça bilgi toplama görevine verilen toplam yanıt miktarına “doğru” yanıtların tahmin edilen oranını belirten bir “gerçek oran” olabilir.
Soruların yanıtlanma oranı, en azından kısmen varlık verilerine ve/veya küresel varlık verilerine dayalı olarak belirlenebilir.
Global varlık verileri içinde korelasyonlar tanımlanabilir. Bu korelasyonlar, bir varlığın öznitelik tabanlı, en azından kısmen, küresel varlık verileri içindeki çeşitli sinyallerin olasılığını gösterebilir.
Örneğin, mikro bira fabrikası olarak sınıflandırılan bir kuruluşun (küresel varlık verileri tarafından belirtildiği şekilde), kuruluşun gruplar için iyi bir atmosfer sağlayıp sağlamadığını soran bir bilgi toplama görevine genellikle yüksek “doğru” yanıt oranları aldığı belirlenebilir.
Bir küçük bira fabrikasının gruplar için iyi olup olmadığını soran bir bilgi toplama göreviyle ilişkili bir lojistik regresyon, bilgi toplama görevi için tahmin edilen bir yanıt oranını belirlerken bu tür bir korelasyonu dikkate alabilir.
Bu şekilde, yanıt oranı, en azından kısmen, söz konusu varlığın çeşitli diğer varlıkların nitelikleriyle paylaşılan veya bunlara benzer nitelikleri temel alınarak belirlenebilir.
Patent ayrıca bize, makine tarafından öğrenilen içerik tahmin modelinin ayrıca lojistik regresyona bağlı bir beta-binom modeli içerebileceğini söylüyor.
Böyle bir model olarak, lojistik regresyon çıktısı (örneğin, tahmin edilen yanıt oranı), beta-binom modeline girdi olarak sağlanabilir.
Ve kullanıcı tanımlı varlık verileri ayrıca beta-binom modeline girdi olarak sağlanabilir.
Bu beta-binom modeli, varlık ve bilgi toplama görevi ile ilişkili varlık verilerini çıkarsamak için yapılandırılabilir.
Beta-binom modeli, tahmin edilen yanıt oranıyla ilişkili bir güven puanı kullanacak şekilde yapılandırılabilir.
Beta-binom modeli, en azından kısmen yanıt oranı ve/veya güven puanına dayalı çıkarımsal ifadeleri belirlemek üzere yapılandırılabilir.
Beta-binom modeli, bilgi toplama görevinin Boolean sorusuna verilen “gerçek” bir yanıt oranının bir eşikten daha yüksek olacağına dair bir olasılık yüzdesini belirten çıkarımsal bir ifade verecek şekilde yapılandırılabilir.
Beta-binom modeli, bilgi toplama görevinin Boolean sorusuna verilen “doğru” yanıt oranının bir eşiğin altında olacağını gösteren bir çıkarımsal ifade verebilir.
Beta-binom modeli, bilgi toplama görevi ile ilişkili çeşitli yanıt oranlarının olasılıklarını belirten bir olasılık yoğunluk fonksiyonu oluşturmak üzere yapılandırılabilir.
Beta-binom modelinin bu çıktısı, bilgi toplama göreviyle ilişkili özniteliği belirlemek için kullanılabilir.
Çıkarılan varlık verileri, varlığın bilgi toplama göreviyle ilişkili özniteliğe sahip olup olmadığını belirleyebilir.
Örneğin, varlık hakkında soru soran bilgi toplama görevi, en azından kısmen beta-binom modeli tarafından çıkarılan varlık verisine dayalı olarak olumlu veya olumsuz yanıtlanabilecek gruplar için iyi bir atmosfer sağlayabilir.
Öznitelik, çıkarılan varlık verilerinin bazı uygun kriterleri karşılayıp karşılamadığına bağlı olarak belirlenebilir.
Örneğin, kriterler, beta-binom modeli tarafından çıkarımsal ifade çıktısı ile ilişkilendirilebilir.
Kitle Kaynak Kullanımı Kullanıcı Tarafından Oluşturulan İçerik
Bilgi toplama görevi, çok sayıda varlıkla ilişkili bilgi toplamayı “kitle kaynaklı” yapmak için birçok kullanıcıya çeşitli bilgi toplama görevlerinin sağlandığı bir soru-cevap sistemi ile ilişkilendirilebilir.
Mevcut açıklamanın örnekleri, soru ve cevap sistemi içindeki çok sayıda bilgi toplama görevine uygulanabilir.
Bilgi toplama görevleri için belirlenen yardımcı programlar, bilgi toplama görevlerini önceliklendirebilir ve/veya sıralayabilir.
Bu bilgi toplama görevleri, önceliklendirme yapılarak sonraki kullanıcılara sağlanabilir.
Örneğin, daha yüksek bir faydaya sahip bir bilgi toplama görevi, daha düşük bir faydaya sahip bir bilgi toplama görevinin sağlanmasından önce bir kullanıcıya sağlanabilir.
Bu şekilde, bir sonraki ek yanıtın bir varlık için bir öznitelik belirlemede daha büyük bir etkiye sahip olacağı bilgi toplama görevlerine, bilgi toplama görevlerinin sağlanmasında öncelik verilebilir.
Kullanıcı Tarafından Oluşturulan İçeriği Tahmin Etmek İçin Makine Öğreniminden Yararlanma
Kullanıcı tarafından oluşturulan içerik, birçok varlık hakkında bilgi elde etmek için kullanılabilir.
Birkaç kullanıcıyı bir katkı deneyimine dahil ederek bu varlıklar hakkında bilgi edinebiliriz.
Örneğin, bu katkı deneyimleri, kullanıcılara çeşitli varlıklarla ilgili soruların ve/veya diğer istemlerin sunulduğu bir soru-cevap sistemini içerebilir. Kullanıcılara, sorulara ve/veya istemlere yanıt vermeleri talimatı verilir.
Bu kullanıcı yanıtları, çeşitli varlıkların nitelikleriyle ilişkili çıkarımlar yapmak için kullanılabilir.
Katkı deneyimleri, bir varlıkla ilgili doğru bir çıkarım yapılmadan önce önemli sayıda kullanıcı yanıtı gerektirebilir.
Birçok kullanıcıdan, belirli bir varlığın bir özniteliğe sahip olduğunu belirtmesi istenebilir, böylece özniteliğin varlığın sahibi olduğuna ilişkin doğru bir çıkarım yapılabilir.
Örneğin, soru-cevap sistemi, kullanıcılara kurumla ilgili kitle kaynaklı bilgiler elde etmek için sağlanan bir anket, soru formu vb. olabilir.
İlgili kuruluşlar, aşağıdakiler gibi herhangi bir uygun varlık olabilir:
- Coğrafi konum
- İlgi konusu
- İşletme
- Restoran
- dönüm noktası
- Şarkı
- Film
- Video
- Kitap
- Ürün
- Soru-cevap sistemi aracılığıyla hakkında bilgi alınabilecek diğer uygun kuruluşlar
Google, insanların işletmeler ve diğer varlıklar hakkındaki soruları yanıtlamasına ek olarak, gönderide yazdığım gibi, varlıklar hakkında bilgi edinmenin başka yollarını da bulabilir. Arama Motoru Sorguları Varlık Niteliklerini Belirlemek İçin Kullanılabilir.
Bu konuyu da yazıda ele aldım. Google, Sorgulardan Bilgi Bankasına Varlık Nitelikleri Ekliyor
Google’ın, özellikle Google Haritalar Yerel Kılavuzları gibi birlikte çalışacak büyük bir ortak kullanıcı havuzuna sahip olduklarında, varlıklar hakkında soru sormanın ve bilgi edinmenin başka yollarını bulabilmesi mantıklıdır.
Bir arama motorunun, varlıklar gibi dizine ekleyebileceği gerçek dünya varlıkları hakkında daha fazla bilgi edinmek için olabildiğince çok bilgi kaynağı kullanması şaşırtıcı gelmemelidir.
Google Ne Tür Varlık Verileri Toplayabilir?
Şunları içerebilir:
- Varlıkla ilişkili herhangi bir uygun yapılandırılmış veya yapılandırılmamış veri
- Bir veya daha fazla ek varlık
- Kuruluşun bulunduğu bir coğrafi alan (örn. şehir, ilçe, alan kodu, ülke vb.)
- Diğer uygun veriler
Bunlar, varlıklarla, varlıkların nitelikleriyle veya varlıklarla ilişkili anahtar sözcüklerle ilişkili diğer birçok bilgi toplama görevine verilen kullanıcı yanıtlarının göstergesi olan verileri de içerebilir.
Patent, bir web sitesiyle ilgili varlıklarla ilişkili bilgilerin toplanması hakkında birçok ayrıntı sağlar. Belirttiğim gibi, Google, varlıklar hakkında, bunlarla ilgili sorgular hakkında bir fikir edinerek ve bir araştırmacının onunla ilişkili bir site veya varlık hakkında sorgular oluştururken ne arayabileceğini öğrenebilir.
Geçmişte, Arama Yapanlar Kullanıcı Tarafından Oluşturulan İçerik Arama Sonuçlarında Değer Buluyor mu? yazısı gibi, Kullanıcı Tarafından Oluşturulan İçeriği kapsayan Google patentleri hakkında yazmıştım. Bu nedenle, Google’ın varlıklar hakkında daha fazla veri toplamak için bir makine öğrenimi yaklaşımı kullanması şaşırtıcı olmamalı, özellikle de onlar hakkında bilgi edinmesine yardımcı olacak bir kitleye sahip olduğu için.
Hakkında yazdığım gibi, Google’ın bilgi grafiklerini aramada giderek daha fazla kullanarak varlık bilgilerini kullandığını gördük. Google’da Arama Sonuçlarında Sıralanan Varlıklar
Böyle bir SEO değişikliğine hazırlanırken, bir sitede çalışan birinin o sitede yer alan varlıklar hakkında mümkün olduğunca çok şey öğrenmesi ve bu varlıklar hakkında mümkün olduğunca çok olumlu bilgiyi o siteye dahil etmeye çalışması mantıklıdır.
Bill Slawski hakkında
26 yılı aşkın SEO deneyimi ve Hukuk Doktoru Derecesi ile Bill Slawski, Google’ın SEO ile ilgili patentleri konusunda en önde gelen uzmandır. Patent Keşfi, SEO hakkında yeni bilgiler bulmanın en hızlı ve en ayrıntılı yollarından biridir. Bill, önde gelen bir arama motoru optimizasyonu blogu olan SEO by the Sea’nin Editörüdür ve burada 1.300’den fazla gönderinin yazarıdır. Bill’in deneyimi, Fortune 500 markalarını ve dünyanın en büyük web sitelerinden bazılarını içerir. Bill, Moz, Search Engine Land ve Search Engine Journal için katkıda bulunan bir yazardır. 2014-2021’de arama motoru algoritmaları, evrensel ve harmanlanmış arama, aramada kişiselleştirme, arama ve sosyal ve yinelenen içerik sorunları, yapılandırılmış veri ve şema gibi konularda sektör lideri uluslararası konferanslarda konuşma yaptı.
