https://virgool.io/feed/@dadashzadeh پژوهشگر، تمرکز بر روی سئو و پردازش زبان طبیعی fa 2026-06-16 23:03:31 https://files.virgool.io/upload/users/444409/avatar/onmmp2.jpg?height=120&width=120 https://virgool.io/@dadashzadeh https://virgool.io/google-patent/identify-click-spam-to-improve-search-engine-rankings-jqyjujimnmh1 این پتنت به GOOGLE LLC اختصاص داده شده است.https://patents.google.com/patent/US8694374B1/en :2007-03-14 Application filed by Google LLC | 2031-04-09 Adjusted expirationاسپم کلیک یا کلیک فیک چیست؟اسپم کلیک (Click Spam) به انتخاب‌های نامعتبر یا جعلی لینک‌های وب گفته می‌شود. این نوع فعالیت به عنوان فعالیت شبکه "غیرعادی" یا "انحرافی" شناخته می‌شود. هدف از آن معمولاً دستکاری نتایج موتورهای جستجو با افزایش یا کاهش مصنوعی رتبه‌بندی صفحات وب است. اگر اسپم کلیک فیلتر نشود، می‌تواند به طور جدی بر ارتباط بین پرس‌وجوهای جستجو و نتایج مرتبط تأثیر بگذارد.مشکل اصلی:اسپم کلیک و تأثیر آن بر رتبه‌بندی موتورهای جستجو تلاش می‌کنند تا مرتبط‌ترین اسناد یا آیتم‌ها را بر اساس نیاز کاربر شناسایی و ارائه دهند. یکی از ورودی‌های مهم برای رتبه‌بندی، واکنش کاربران به نتایج جستجو است، مانند کلیک‌هایی که بر روی لینک‌ها انجام می‌دهند (معمولاً کاربران بهترین داوران برای ارتباط نتایج هستند). "داده‌های کلیک" (click data) مانند مدت زمانی که کاربر روی یک سند می‌ماند ("long click" نشان‌دهنده ارتباط بالا، "short click" نشان‌دهنده عدم ارتباط) برای ایجاد آمار کیفیت نتیجه و بهبود رتبه‌بندی استفاده می‌شود. مشکل اینجاست که فعالیت‌های شبکه‌ای غیرمعمول، مانند "اسپم کلیک" (کلیک‌های نامعتبر بر روی لینک‌ها)، می‌تواند این سیگنال‌های ارتباطی را تحریف کند. اگر این فعالیت‌های غیرمعمول فیلتر نشوند، می‌توانند همبستگی بین جستجوها و نتایج را کاهش دهند.چرا شناسایی اسپم کلیک مهم است؟شناسایی و کاهش تأثیر اسپم کلیک چندین مزیت مهم دارد:بهبود رتبه‌بندی نتایج جستجو: با فیلتر کردن رفتارهای غیرعادی شبکه، رتبه‌بندی نتایج جستجو بر اساس رفتارهای واقعی کاربر، مانند انتخاب لینک‌ها، بهبود می‌یابد.افزایش دشواری اسپم: سیستم‌هایی که این تکنیک‌ها را پیاده‌سازی می‌کنند، برای اسپمرها دشوار می‌سازند تا بخش قابل توجهی از داده‌های کلیک را برای تغییر رتبه‌بندی نتایج جستجو دستکاری کنند، زیرا نیاز به سرمایه‌گذاری زمانی و منابع قابل توجهی برای دور زدن این سیستم‌ها دارند.افزایش دقت شناسایی اسپم: با ایجاد چندین لایه مستقل از معیارهای فیلترینگ اسپم، قابلیت شناسایی اسپم کلیک افزایش می‌یابد.به‌روزرسانی پویا: مدل‌های مورد استفاده برای شناسایی فعالیت غیرعادی شبکه می‌توانند به صورت پویا و مستمر به‌روز شوند.چارچوب کلی سیستم: ارتباط بین کلیک‌ها و رتبه‌بندیقبل از ورود به جزئیات تشخیص اسپم کلیک، باید مکانیزم اساسی رتبه‌بندی را درک کنیم. مطابق شکل 1 در پتنت، سیستم پایه شامل چندین جزء کلیدی است:موتور ایندکس‌گذاری (Indexing Engine): اسناد وب را ایندکس می‌کندموتور رتبه‌بندی (Ranking Engine): نتایج را بر اساس ارتباط با پرس‌وجو رتبه‌بندی می‌کندموتور اصلاح رتبه (Rank Modifier Engine): از داده‌های کلیک برای بهبود رتبه‌بندی استفاده می‌کندموتور اصلاح رتبه بر اساس داده‌های کلیک (Click Data) عمل می‌کند.کلیک طولانی (Long Click): زمان ماندن زیاد روی صفحه → نشانه مرتبط بودن سند با پرس‌وجوکلیک کوتاه (Short Click): زمان ماندن کم → نشانه عدم ارتباط سند با پرس‌وجومثال عملی: اگر کاربری روی نتیجه جستجوی "سئو حرفه‌ای" کلیک کند و 7 دقیقه در آن صفحه بماند، این به عنوان کلیک طولانی ثبت شده و رتبه آن صفحه برای پرس‌وجوهای مرتبط افزایش می‌یابد. اما اگر کاربر در 5 ثانیه برگردد، سیستم این را به عنوان کلیک کوتاه ثبت کرده و رتبه آن صفحه کاهش می‌یابد. مراحل تشخیص کلیک اسپم با جزئیات کاملکلیک اسپم (Click Spam) به معنای کلیک‌های غیرعادی یا تقلبی است که برای تأثیرگذاری بر رتبه‌بندی نتایج جستجو انجام می‌شود. موتورهای جستجو برای تشخیص و مقابله با این کلیک‌های تقلبی از یک سیستم چندمرحله‌ای استفاده می‌کنند.مرحله ۱: جمع‌آوری و ثبت فعالیت‌های شبکه (Collecting and Logging Network Activities)سیستم به طور مداوم تمام فعالیت‌های شبکه را رصد و ثبت می‌کند.فعالیت‌های ثبت‌شده:جستجوهای کاربران (Search Queries)کلیک‌ها بر روی نتایج جستجو (URI Selections / Hyperlink Clicks)زمان باقی‌ماندن روی صفحه (Dwell Time)نوع کلیک: کوتاه (Short Click)، متوسط (Medium Click)، طولانی (Long Click)شناسه‌های شبکه (Network Objects):آدرس IP کاربرکوکی (Cookie) مرورگرآدرس MAC دستگاهپیکربندی سخت‌افزاریمرورگر و سیستم‌عاملذخیره‌سازی:تمام این داده‌ها در لاگ‌های فعالیت شبکه (Network Activity Logs) ذخیره می‌شوند.مرحله ۲: استخراج آمارهای کاربر و کوئری (Extracting Statistics)سیستم از لاگ‌ها، آمارهای دقیقی برای هر شیء شبکه (مثل یک کوکی یا آی‌پی) و هر کوئری استخراج می‌کند.الف) آمارهای مبتنی بر کاربر (User-based Statistics):تعداد کل جستجوهاتعداد جستجوهای متمایز (Distinct Queries)تعداد کل کلیک‌ها (Total Clicks)حداکثر تعداد کلیک روی یک نتیجهتعداد کلیک‌های کوتاه، متوسط، طولانینسبت کلیک به جستجو (Click to Query Ratio)حداکثر تعداد کلیک در یک بازه زمانی (مثلاً 100 کلیک در ی ساعت)توزیع موقعیت کلیک (مثلاً چند درصد کلیک‌ها روی نتیجه اول بوده؟)تعداد آی‌پی‌های متفاوتی که یک کوکی از آنها فعال بودهب) آمارهای مبتنی بر کوئری (Query-based Statistics):تعداد کوکی‌ها و آی‌پی‌هایی که یک کوئری را جستجو کرده‌اندتعداد کلیک‌هایی که از کوکی‌های نامعتبر آمدهتوزیع "امتیاز اسپم" (Spam Score) کوکی‌ها و آی‌پی‌ها برای یک کوئریتوزیع کلیک‌ها بر اساس:URI (کدام صفحه بیشتر کلیک شده؟)موقعیت (کلیک روی نتیجه اول یا آخر؟)طول کلیک (کوتاه یا طولانی؟)توزیع سن کوکی‌ها (مثلاً کوکی‌های جدید بیشتر کلیک کرده‌اند؟)این آمارها به صورت دوره‌ای (مثلاً روزانه یا ساعتی) به‌روزرسانی می‌شوند.مرحله ۳: ایجاد مدل رفتار عادی (Generating a Model of Normal Behavior)سیستم با استفاده از داده‌های واقعی، یک مدل از رفتار عادی کاربران می‌سازد.هدف: تعیین اینکه چه رفتاری "طبیعی" است و چه رفتاری "غیرعادی" یا مشکوک.انواع مدل‌ها: برای هر نوع شیء شبکه (آی‌پی، کوکی، کوئری و غیره) یک مدل جداگانه ساخته می‌شود.پارامترهای مدل: شامل توزیع‌ها و آستانه‌هایی است که رفتار طبیعی را تعریف می‌کنند.مثال از پارامترهای مدل برای یک آی‌پی:توزیع تعداد جستجوهای متمایز در روزتوزیع تعداد کل جستجوها در روزتوزیع تعداد کلیک‌های کوتاهتوزیع زمان بین جستجو و کلیکتعیین آستانه‌ها (Thresholds):آستانه پایین (THL): مقداری که زیر آن رفتار غیرعادی است (مثلاً 0 جستجو در روز)آستانه بالا (THH): مقداری که بالای آن رفتار غیرعادی است (مثلاً بیش از 100 جستجو در روز)برخی پارامترها فقط یک آستانه دارند (مثلاً فقط آستانه بالا برای کلیک کوتاه)این آستانه‌ها می‌توانند:به صورت خودکار با میانگین‌گیری از داده‌های واقعی تعیین شوند.یا به صورت دستی توسط مهندسان تنظیم شوند.مرحله ۴: فیلترینگ اولیه و حذف کوکی‌های مشکوک (Initial Filtering)قبل از تحلیل آماری، سیستم چندین لایه امنیتی مستقل اعمال می‌کند:حذف کوکی‌های نامعتبر:کوکی‌هایی که فرمت صحیح ندارند.کوکی‌هایی که امضای دیجیتالی نادرست دارند.حذف کوکی‌های جدید (Young Cookies):کوکی‌هایی که کمتر از 7 روز از صدور آن‌ها گذشته است.محدودیت تعداد "رأی" (Vote Limiting):یک کوکی یا آی‌پی نمی‌تواند بیش از تعداد مشخصی "رأی" (یک جستجو + یک کلیک) برای یک جفت کوئری/نتیجه ارسال کند.مثال: حداکثر 2 رأی در روز، 4 رأی در هفته، 10 رأی در سال.رأی‌های بیشتر از این حد، کاملاً حذف می‌شوند.بررسی تنوع کاربر:اگر چند کوکی مختلف همگی از یک آی‌پی واحد فعال باشند، مشکوک است.این فعالیت‌ها ممکن است حذف شوند.مرحله ۵: شناسایی شیء شبکه غیرعادی (Identifying Anomalous Network Objects)هر شیء شبکه (مثل یک آی‌پی خاص) را بررسی می‌کنند:ویژگی‌های آن را با پارامترهای مدل مقایسه می‌کنند.اگر یک یا چند ویژگی خارج از آستانه‌ها باشد، آن شیء "غیرعادی" (Anomalous) در نظر گرفته می‌شود.روش‌های تشخیص:مقایسه مستقیم با آستانه: مثلاً اگر یک آی‌پی بیش از 100 جستجو در روز داشته باشد.استفاده از طبقه‌بندی‌کننده‌های یادگیری ماشین: مدلی که با داده‌های اسپم شناخته‌شده آموزش دیده است.مرحله ۶: محاسبه "اسپم بودن" (Spamminess) و تعیین منطقه"اسپم بودن" (Spamminess) یا انحراف یک شیء شبکه، معیاری است که میزان انحراف یک شیء شبکه (مانند آدرس IP یا کوکی) را از مدل رفتار یا ویژگی‌های مورد انتظار آن شیء نشان می‌دهد. هدف از این مرحله، شناسایی فعالیت‌های شبکه‌ای است که غیرمعمول به نظر می‌رسند، به‌ویژه آن‌هایی که ممکن است "کلیک اسپم" باشند، یعنی انتخاب‌های نامعتبر لینک‌های هایپرلینک. کاهش یا حذف تأثیر این فعالیت‌های غیرمعمول برای بهبود ارتباط بین کوئری‌های جستجو و نتایج جستجو از اهمیت بالایی برخوردار است.فرآیند شناسایی انحراف و محاسبه "اسپم بودن"این فرآیند شامل چندین گام دقیق است که در ادامه به تفصیل توضیح داده می‌شود:دسترسی به لاگ‌های فعالیت شبکه و انتخاب شیء شبکه: مرحله با دسترسی به لاگ‌های فعالیت شبکه آغاز می‌شود. این لاگ‌ها توسط یک مانیتور شبکه (مانند Network Monitor 2005) در سیستم سرور (Server System 1014) جمع‌آوری و ثبت می‌شوند. این لاگ‌ها حاوی اطلاعاتی در مورد فعالیت‌های شبکه مانند کوئری‌های جستجو، انتخاب‌های URI (لینک‌های هایپرلینک)، و شناسه‌های اشیاء شبکه مرتبط با این فعالیت‌ها (مانند آدرس‌های IP یا کوکی‌ها) هستند. در این مرحله، یک شیء شبکه خاص از این لاگ‌ها برای تحلیل انتخاب می‌شود، به عنوان مثال، یک آدرس IP.تحلیل ویژگی‌های شیء شبکه و مقایسه با مدل:انتخاب ویژگی: پس از انتخاب شیء شبکه، یکی از ویژگی‌های آن برای تحلیل انتخاب می‌شود. این ویژگی‌ها می‌توانند شامل آمار مختلفی باشند که برای هر شناسه کاربری (مانند کوکی، آدرس IP، آدرس MAC، تنظیمات سخت‌افزاری) جمع‌آوری شده‌اند. به عنوان مثال، می‌توان تعداد "کلیک‌های کوتاه" (short clicks) که یک آدرس IP انجام داده است یا تعداد کلیک‌هایی که یک آدرس IP در یک ساعت معین انجام می‌دهد را انتخاب کرد.مدل رفتار عادی: برای هر شیء شبکه، یک مدل از رفتار و ویژگی‌های "عادی" یا "مورد انتظار" ساخته می‌شود. این مدل‌ها شامل پارامترهایی هستند که با آمارهای جمع‌آوری‌شده (مانند توزیع کوئری‌های متمایز، تعداد کل کوئری‌ها، تعداد جستجوهای تصویری) مطابقت دارند. این پارامترها می‌توانند به‌صورت دستی یا خودکار (مثلاً با میانگین‌گیری از مقادیر یک ویژگی در بین همه اشیاء شبکه مشابه) تولید شوند.تشخیص انحراف: ویژگی انتخاب‌شده از شیء شبکه مورد نظر با پارامترهای متناظر در مدل رفتار عادی مقایسه می‌شود. اگر ویژگی شیء شبکه فراتر از یک آستانه مشخص‌شده توسط پارامتر مدل منحرف شود، این انحراف ثبت شده و با آن آدرس IP یا ویژگی خاص آن مرتبط می‌شود. به عنوان مثال، اگر تعداد کلیک‌های کوتاه یک آدرس IP کمتر از یک آستانه پایین در مدل باشد، آن ویژگی به عنوان "منحرف" طبقه‌بندی می‌شود. حتی وجود یک ویژگی منحرف واحد می‌تواند برای طبقه‌بندی شیء شبکه به عنوان "اسپم" کافی باشد، به شرطی که انحراف از آستانه مورد انتظار فراتر رود.تعیین توزیع انحراف و تقسیم‌بندی به "مناطق" (Zones):توزیع "اسپم بودن": پس از بررسی تمام ویژگی‌های یک شیء شبکه و شناسایی ویژگی‌های منحرف، یک "امتیاز اسپم" (spam score) برای شیء شبکه تعیین می‌شود. این امتیاز میزان انحراف کلی شیء شبکه را نشان می‌دهد و می‌تواند بر اساس تعداد ویژگی‌های منحرف آن باشد. سپس، یک توزیع از "اسپم بودن" اشیاء شبکه نسبت به یکدیگر ایجاد می‌شود. این توزیع نشان می‌دهد که چه تعداد از اشیاء شبکه دارای تعداد کمی از ویژگی‌های منحرف هستند و چه تعداد دارای تعداد زیادی از آن‌ها.تعیین مناطق (Zones): این توزیع به "مناطق" (zones) مختلفی تقسیم می‌شود که هر منطقه یک محدوده خاص از انحراف را تعریف می‌کند. این مناطق توسط آستانه‌های از پیش تعیین‌شده‌ای مشخص می‌شوند.منطقه بدون تخفیف: اشیاء شبکه که تعداد ویژگی‌های منحرف آن‌ها کمتر از یک آستانه اول باشد، در این منطقه قرار می‌گیرند و فعالیت‌های آن‌ها بدون تخفیف یا کاهش تأثیر در نظر گرفته می‌شوند.منطقه اول: اشیاء شبکه با تعداد ویژگی‌های منحرف بین آستانه اول و دوم.منطقه دوم: اشیاء شبکه با تعداد ویژگی‌های منحرف بین آستانه دوم و سوم.منطقه سوم: اشیاء شبکه با تعداد ویژگی‌های منحرف که از آستانه سوم فراتر رود.تعیین سهم (Contribution) و تخفیف (Discount)پس از اینکه شیء شبکه در یکی از مناطق "اسپم بودن" دسته‌بندی شد، یک "سهم" (contribution) یا "ضریب وزنی" (weighting coefficient) به فعالیت شبکه مرتبط با آن شیء اختصاص داده می‌شود. این ضریب وزنی میزان تأثیر فعالیت شبکه را در الگوریتم رتبه‌بندی نتایج جستجو کاهش می‌دهد.ضریب کاهش تأثیر:اگر یک آدرس IP در "منطقه اول" باشد، ممکن است یک ضریب (مثلاً 0.5) به فعالیت آن اختصاص یابد، که نشان می‌دهد تأثیر فعالیت شبکه آن به نصف کاهش می‌یابد. این ضریب می‌تواند شامل مؤلفه‌های متغیری باشد که به موقعیت دقیق شیء شبکه در منطقه بستگی دارد؛ هرچه شیء شبکه به منطقه بعدی نزدیک‌تر باشد، تخفیف بیشتری اعمال می‌شود.اگر آدرس IP در "منطقه دوم" باشد، تخفیف ممکن است بیشتر باشد (مثلاً ضریب 0.3)، زیرا احتمال فعالیت‌های تقلبی افزایش می‌یابد.اگر آدرس IP در "منطقه سوم" قرار گیرد، فعالیت‌های ناوبری مرتبط با آن ممکن است به طور کامل کنار گذاشته شود یا به طور کامل تخفیف داده شود (مثلاً ضریب صفر)، به طوری که هیچ تأثیری بر الگوریتم رتبه‌بندی نداشته باشد.اعمال سهم در الگوریتم رتبه‌بندیاین سهم یا ضریب تخفیف‌دهنده به الگوریتم رتبه‌بندی (ranking algorithm) و به‌طور خاص به موتور اصلاح‌کننده رتبه (rank modifier engine) ارسال می‌شود. این موتور از این مقدار برای کاهش یا حذف تأثیر فعالیت‌های شبکه‌ای غیرعادی (مانند کلیک اسپم) در تعیین ارتباط و رتبه‌بندی نتایج جستجو استفاده می‌کند. با این کار، فعالیت‌های شبکه‌ای که دارای "اسپم بودن" بالا هستند، هنگام محاسبه ارتباط بین کوئری‌های جستجو و نتایج جستجوی مرتبط، نادیده گرفته یا کمتر تأثیرگذار خواهند بود.مسئولیت تخصیص تخفیفتخصیص تخفیف می‌تواند توسط موتور مدل‌سازی (modeling engine 2014) یا یک جزء دیگر در دستگاه محاسباتی (computing device 2012) قبل از ارسال به سیستم سرور (server system 1014) انجام شود. همچنین، این تخفیف می‌تواند توسط اجزای موتور جستجو، مانند موتور اصلاح‌کننده رتبه (rank modifier engine 2013)، اختصاص یابد. در هر دو حالت، این اجزا می‌توانند به یک جدول (مانند جدول 5030 در شکل 5C) یا ساختار داده دیگر برای تخصیص تخفیف‌ها دسترسی داشته باشند.مرحله ۷: اعمال ضریب تخفیف (Discount Coefficient)برای فعالیت‌های شبکه‌ای که توسط اشیاء غیرعادی انجام شده‌اند، یک ضریب وزنی اعمال می‌شود.این ضریب به عنوان وزن در الگوریتم رتبه‌بندی استفاده می‌شود.مثال: اگر یک آی‌پی در منطقه ۲ باشد، هر کلیک آن فقط 30% اثر خود را دارد.مرحله ۸: ارسال به الگوریتم رتبه‌بندی (Input to Ranking Algorithm)فعالیت‌های شبکه‌ای همراه با ضریب تخفیف مربوطه به الگوریتم رتبه‌بندی ارسال می‌شوند.این اطلاعات در بهبود رتبه‌بندی نتایج جستجو استفاده می‌شوند، اما با اثر کمتری برای فعالیت‌های مشکوک.این کار از دستکاری نتایج جستجو جلوگیری می‌کند.مرحله ۹: به‌روزرسانی پویا مدل (Dynamic Model Update)مدل‌ها به صورت دوره‌ای (مثلاً روزانه یا هفتگی) به‌روزرسانی می‌شوند.این کار باعث می‌شود سیستم بتواند به تغییرات در رفتارهای معمول کاربران پاسخ دهد.مدل‌های قدیمی حذف و مدل‌های جدید بر اساس داده‌های جدید ایجاد می‌شوند. بنابراین، تمام تلاش‌های آن سئوکار برای ارسال هزاران کلیک تقلبی بی‌نتیجه می‌ماند، زیرا سیستم به طور خودکار آن کلیک‌ها را در "منطقه ۳" قرار داده و ارزش آن‌ها را به صفر می‌رساند.نکات مهم برای شما :فکر دستکاری را از سرتان بیرون کنید: این پتنت نشان می‌دهد که گوگل سیستم‌های بسیار پیچیده‌ای برای شناسایی الگوهای غیرطبیعی دارد. خرید کلیک، استفاده از ربات یا هر نوع کلیک فارمینگ (Click Farming) نه تنها غیراخلاقی است، بلکه از نظر فنی قابل ردیابی و بی‌اثر است.تمرکز بر کاربر واقعی، نه ربات: تنها راه برای به دست آوردن "رأی‌های" ارزشمند از گوگل، جذب کاربران واقعی است. این کار با تولید محتوای باکیفیت، بهبود تجربه کاربری (UX) و پاسخگویی واقعی به نیاز کاربر (Search Intent) ممکن می‌شود.سیگنال‌های باکیفیت مهم هستند: یک کلیک از یک کاربر واقعی با سابقه جستجوی طبیعی و کوکی قدیمی، هزاران بار ارزشمندتر از کلیک‌های یک ربات است. الگوریتم برای کیفیت سیگنال ارزش قائل است، نه کمیت آن.این یک سیستم پویاست: "مدل رفتار نرمال" گوگل دائماً در حال به‌روزرسانی است. این یعنی روش‌های اسپم که شاید دیروز کار می‌کردند، امروز به راحتی شناسایی می‌شوند. مزایای این رویکرد برای سئوکاران:دقت رتبه‌بندی: با فیلتر کردن اسپم کلیک، رتبه‌بندی نتایج جستجو بر اساس رفتار واقعی و معتبر کاربر بهبود می‌یابد.مقاومت در برابر دستکاری: این سیستم با لایه‌های متعدد فیلترینگ، دستکاری داده‌های کلیک برای بهبود رتبه نتایج را بسیار دشوار می‌کند.تشخیص پیشرفته اسپم: با تولید چندین لایه مستقل از معیارهای فیلترینگ اسپم، تشخیص اسپم کلیک افزایش می‌یابد.به‌روزرسانی پویا: مدل‌های مورد استفاده برای شناسایی فعالیت‌های غیرمعمول شبکه می‌توانند به صورت پویا به‌روز شوند، که به سیستم امکان می‌دهد با روش‌های جدید اسپمینگ تطابق یابد.به طور خلاصه، کلید موفقیت در رتبه‌بندی جستجو برای سئوکاران، تمرکز بر تولید محتوای واقعاً مرتبط و با کیفیت است که منجر به تعاملات واقعی و مثبت کاربر می‌شود، نه تلاش برای دستکاری سیستم از طریق فعالیت‌های کلیک غیرمعمول و "اسپم" که این سیستم قادر به شناسایی و خنثی کردن آن‌هاست. این رویکرد باعث می‌شود که "رأی" های کاربران واقعی، بیشترین تأثیر را در تعیین ارتباط و رتبه‌بندی داشته باشند. چگونه می‌توان سیستم ضد اسپم رفتاری گوگل را دور زد؟یک مهاجم برای فریب دادن این سیستم باید بتواند رفتار یک جمعیت بزرگ، متنوع و معتبر از کاربران واقعی را در یک بازه زمانی طولانی شبیه‌سازی کند. این چالش اصلی است. بیایید روش‌های بالقوه را بررسی کنیم:روش ۱: استفاده از ربات‌های بسیار هوشمند (Advanced Botnets)یک ربات ساده که فقط کلیک می‌کند، فوراً شناسایی می‌شود. اما یک ربات هوشمند تلاش می‌کند تا رفتار انسان را تقلید کند:شبیه‌سازی پروفایل کاربری:تنوع در کوئری‌ها: ربات به جای جستجوی یک کوئری ثابت، از مجموعه‌ای از کوئری‌های مرتبط (LSI Keywords) استفاده می‌کند.الگوی مرور تصادفی: قبل و بعد از کلیک روی سایت هدف، به صورت تصادفی صفحات دیگری را نیز مرور می‌کند (مثلاً ویکی‌پدیا یا سایت‌های خبری).شبیه‌سازی Dwell Time: زمان ماندگاری در سایت هدف را به صورت تصادفی و در یک بازه منطقی (مثلاً بین ۳۰ ثانیه تا ۵ دقیقه) تنظیم می‌کند.حرکات موس و اسکرول: ربات حرکات موس و اسکرول کردن صفحه را شبیه‌سازی می‌کند تا به نظر برسد یک انسان در حال خواندن محتواست.چرا این روش در نهایت شکست می‌خورد؟مشکل مقیاس و تنوع IP: مهاجم به یک شبکه بسیار بزرگ و متنوع از IPهای مسکونی (Residential IPs) نیاز دارد، نه IPهای دیتاسنتر که به راحتی شناسایی می‌شوند. تهیه و مدیریت چنین شبکه‌ای بسیار پرهزینه و پیچیده است.تاریخچه کوکی و حساب کاربری (Cookie & Account History): کلیک‌ها از کوکی‌های "بی‌تاریخچه" (Stateless) یا جدید می‌آیند. سیستم گوگل به کوکی‌هایی که تاریخچه جستجوی طولانی و طبیعی دارند، وزن بسیار بیشتری می‌دهد. ساختن چنین تاریخچه‌ای برای میلیون‌ها ربات تقریباً غیرممکن است. ربات‌ها حساب گوگل (Gmail)، تاریخچه یوتیوب یا سابقه خرید در گوگل پلی ندارند؛ همه این‌ها سیگنال‌های اعتبار هستند.اثر انگشت مرورگر (Browser Fingerprinting): گوگل می‌تواند جزئیات فنی مرورگر (نسخه، پلاگین‌های نصب شده، رزولوشن صفحه، فونت‌ها) را تحلیل کند. ربات‌ها اغلب اثر انگشت‌های تکراری یا غیرعادی دارند که به راحتی قابل شناسایی است.همبستگی‌های پنهان (Hidden Correlations): الگوریتم‌های یادگیری ماشین گوگل می‌توانند الگوهایی را پیدا کنند که برای انسان قابل مشاهده نیست. مثلاً ممکن است تمام ربات‌ها در یک بازه زمانی خاص (مثلاً نیمه‌شب به وقت محلی) فعال شوند یا از یک نسخه خاص از یک کتابخانه نرم‌افزاری استفاده کنند. این همبستگی‌ها آن‌ها را لو می‌دهد.روش ۲: استفاده از مزارع کلیک انسانی (Human Click Farms)در این روش، به جای ربات از انسان‌های واقعی برای انجام کلیک‌ها استفاده می‌شود. این روش در ظاهر هوشمندانه‌تر است چون رفتار انسانی واقعی است.چرا این روش نیز در نهایت شکست می‌خورد؟الگوهای رفتاری غیرطبیعی در سطح کلان: حتی اگر هر فرد به صورت طبیعی رفتار کند، رفتار گروه غیرطبیعی است. مثلاً ممکن است ۱۰۰۰ نفر در یک کشور خاص (مانند هند یا بنگلادش) ناگهان شروع به جستجوی یک کوئری بسیار خاص تجاری در مورد یک شرکت لوله‌کشی در کالیفرنیا کنند. این یک ناهنجاری جغرافیایی و جمعیتی آشکار است.ناهنجاری در پروفایل کاربری افراد: افرادی که در این شبکه‌ها کار می‌کنند، معمولاً پروفایل جستجوی بسیار غیرعادی دارند. آن‌ها در طول روز صدها کوئری نامرتبط را جستجو کرده و روی لینک‌های خاص کلیک می‌کنند. پروفایل آن‌ها با مدل "کاربر نرمال" که به دنبال حل یک مشکل واقعی است، هیچ شباهتی ندارد.همبستگی در شبکه (Network Correlations): این افراد ممکن است از یک زیرشبکه (Subnet) خاص اینترنت استفاده کنند یا حتی از طریق یک پلتفرم یا نرم‌افزار مشترک دستورالعمل‌ها را دریافت کنند. این‌ها سیگنال‌های قوی برای شناسایی فعالیت سازمان‌دهی شده هستند.روش ۳: هک کردن وب‌سایت‌ها برای تزریق کلیک (Click Injection via Hacking)یک روش بسیار پیشرفته‌تر، هک کردن وب‌سایت‌های پربازدید و تزریق یک اسکریپت نامرئی (iframe یا JavaScript) است. این اسکریپت باعث می‌شود که مرورگر بازدیدکنندگان آن سایت، بدون اطلاع آن‌ها، یک جستجو در گوگل انجام داده و روی سایت هدف کلیک کند.مزیت این روش: از IPها و کوکی‌های کاربران واقعی و معتبر سوءاستفاده می‌کند. این کاربران تاریخچه جستجوی واقعی دارند و رفتارشان کاملاً طبیعی است.چرا این روش هم محدودیت دارد و قابل شناسایی است؟عدم تعامل پس از کلیک (No Post-Click Interaction): کلیک در پس‌زمینه انجام می‌شود و کاربر هیچ تعاملی با سایت هدف ندارد. Dwell Time نزدیک به صفر خواهد بود و هیچ حرکتی از موس یا اسکرول وجود ندارد. این یک سیگنال بسیار منفی و مشکوک است.ناهنجاری در ارجاع‌دهنده (Referrer Anomaly): گوگل می‌تواند ببیند که حجم عظیمی از کلیک‌ها برای یک کوئری خاص، از یک یا چند سایت ارجاع‌دهنده (که هک شده‌اند) نشأت می‌گیرد. این الگو غیرطبیعی است.شناسایی توسط ابزارهای امنیتی گوگل: ابزارهایی مانند Google Safe Browsing به طور مداوم وب‌سایت‌ها را برای یافتن کدهای مخرب اسکن می‌کنند. دیر یا زود، سایت هک شده شناسایی و در لیست سیاه قرار می‌گیرد.پیچیدگی و ریسک بالا: این یک فعالیت مجرمانه و بسیار پرریسک است که نیازمند مهارت‌های هک پیشرفته است و پیامدهای قانونی سنگینی دارد.نتیجه‌گیری:امنیت این سیستم در رویکرد چندلایه و مبتنی بر آمار کلان آن نهفته است. یک مهاجم برای موفقیت باید تمام لایه‌های دفاعی را همزمان دور بزند، که تقریباً غیرممکن است:سطح فردی (Individual Level): باید رفتار یک انسان را به دقت تقلید کند (حرکت موس، Dwell Time).سطح پروفایل (Profile Level): باید یک تاریخچه کوکی و حساب کاربری معتبر و طولانی داشته باشد.سطح شبکه (Network Level): باید از IPهای مسکونی متنوع و غیرمرتبط استفاده کند.سطح جمعیتی (Demographic Level): باید رفتار گروهی منطقی و از نظر جغرافیایی قابل توجیه از خود نشان دهد.سطح زمانی (Temporal Level): باید فعالیت خود را در یک بازه زمانی طولانی و طبیعی پخش کند، نه به صورت یک انفجار ناگهانی.فریب دادن یک یا دو مورد از این لایه‌ها ممکن است امکان‌پذیر باشد، اما فریب دادن همه آن‌ها در مقیاس بزرگ نیازمند منابعی است که احتمالاً از خود گوگل کمتر نیست. بنابراین، هرگونه تلاش برای دستکاری انبوه، الگوهای آماری غیرعادی ایجاد می‌کند که توسط الگوریتم‌های یادگیری ماشین گوگل شناسایی می‌شوند. محمد داداش زاده محمد داداش زاده Fri, 08 Aug 2025 23:17:01 +0330 https://virgool.io/google-patent/%D8%B4%D9%86%D8%A7%D8%B3%D8%A7%DB%8C%DB%8C-%D8%A7%D8%B3%D9%86%D8%A7%D8%AF-%D8%A7%D8%B3%D9%BE%D9%85-%D8%AF%D8%B1-%DB%8C%DA%A9-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D8%A8%D8%A7%D8%B2%DB%8C%D8%A7%D8%A8%DB%8C-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D9%85%D8%A8%D8%AA%D9%86%DB%8C-%D8%A8%D8%B1-%D8%B9%D8%A8%D8%A7%D8%B1%D8%A7%D8%AA-pkw2pb9kvdfr فلوچارت برای نمایش تصویری این معماری و تعاملات اصلی آن ارائه شده استپیش ‌زمینهسیستم‌های بازیابی اطلاعات که در حال حاضر به طور گسترده در موتورهای جستجو و سایر سیستم‌های مشابه استفاده می‌شوند، نقش مهمی در جستجو و بازیابی داده‌ها از مجموعه‌های وسیع اطلاعاتی دارند. این سیستم‌ها معمولاً از کلمات کلیدی برای ایندکس کردن و بازیابی اسناد استفاده می‌کنند. با این حال، استفاده تنها از کلمات به عنوان واحد ایندکس به ویژه در مواجهه با جملات یا عبارات پیچیده‌تر، ممکن است منجر به عدم دقت در بازیابی اطلاعات شود. در این راستا، سیستم‌های مبتنی بر عبارات (Phrases) به عنوان جایگزینی برای کلمات کلیدی به کار گرفته شده‌اند. این روش به سیستم‌ها اجازه می‌دهد تا ترکیب‌های معنایی و مفهومی بهتری از متن را درک کنند و نتایج جستجو را بهبود بخشند.با این وجود، مشکل دیگری که در کنار استفاده از سیستم‌های بازیابی اطلاعات مبتنی بر عبارات مطرح می‌شود، پدیده‌ای به نام (Spam Documents) است. اسناد اسپم، اسنادی هستند که به صورت عمدی با استفاده از ترکیب‌های رایج و عبارات محبوب ایجاد می‌شوند تا در نتایج جستجو جایگاه بالاتری کسب کنند، بدون آنکه محتوای معتبر و مفیدی ارائه دهند. این اسناد معمولاً تکرار زیادی از عبارات مشابه دارند و به گونه‌ای طراحی شده‌اند که موتورهای جستجو را فریب دهند، در حالی که اغلب هیچ ارتباط واقعی با جستجوی کاربر ندارند. شناسایی و فیلتر کردن این اسناد اسپم یکی از چالش‌های عمده در سیستم‌های بازیابی اطلاعات مدرن است.در این مقاله، ما به بررسی یک روش جدید برای شناسایی اسناد اسپم در یک سیستم بازیابی اطلاعات مبتنی بر عبارات می‌پردازیم. این روش به شناسایی عبارات خاصی می‌پردازد که می‌توانند پیش‌بینی‌کننده وجود عبارات مرتبط دیگر در یک سند باشند. اسناد بر اساس تعداد این عبارات مرتبط در آن‌ها ایندکس می‌شوند و در نهایت با تحلیل و شناسایی ارتباطات غیرمعمول یا زیاد از حد میان عبارات مختلف، اسناد اسپم شناسایی می‌شوند. این رویکرد می‌تواند به طور موثری کیفیت نتایج جستجو را ارتقا دهد و تجربه کاربری بهتری را در سیستم‌های بازیابی اطلاعات فراهم سازد.این پتنت به GOOGLE LLC اختصاص داده شده است.https://patents.google.com/patent/US8078629B2/en:Detecting spam documents in a phrase based information retrieval system2009-10-13 Application filed by Google LLC | 2026-06-28 Adjusted expirationخلاصه‌ای از پتنتاین پتنت ، یک سیستم و روش جدید بازیابی اطلاعات ارائه می‌دهد که از عبارات (Phrases) برای ایندکس کردن، جستجو، رتبه‌بندی و توصیف اسناد استفاده می‌کند. این سیستم قادر است عبارات معنادار و معتبر را که به اندازه کافی در اسناد تکرار شده‌اند یا استفاده متمایزی دارند، شناسایی کند. به این ترتیب، می‌توان عبارات چند کلمه‌ای (چهار، پنج یا بیشتر) را شناسایی کند، بدون اینکه نیاز باشد تمام ترکیب‌های ممکن از کلمات را بررسی کند.این سیستم همچنین می‌تواند عبارات مرتبط را شناسایی کند. به عنوان مثال، اگر عبارت "رئیس‌جمهور ایالات متحده" در یک سند وجود داشته باشد، احتمالاً عبارت "کاخ سفید" نیز در همان سند خواهد بود. این ارتباط بر اساس یک معیار پیش‌بینی‌شده اندازه‌گیری می‌شود که میزان هم‌زمان بودن دو عبارت را بررسی می‌کند.علاوه بر این، سیستم می‌تواند اسناد اسپم را شناسایی کند، زیرا این اسناد معمولاً تعداد زیادی عبارات مرتبط را به صورت مصنوعی در خود جای می‌دهند.اجزای اصلی سیستمسیستم فهرست‌گذاری (Indexing System):مسئول شناسایی و فهرست‌گذاری عبارت‌ها در اسناد.این سیستم عبارت‌ها را از اسناد مختلف جمع‌آوری کرده و اسناد را بر اساس این عبارات فهرست می‌کند.دسترسی به وب‌سایت‌ها و مجموعه‌های اسنادی برای این کار دارد.سیستم جستجو (Search System):مسئول دریافت پرس‌وجوها از کاربران و جستجو در فهرست‌ها برای یافتن اسناد مرتبط.عبارات موجود در پرس‌وجو را شناسایی کرده و اسناد را بر اساس تطابق عبارات رتبه‌بندی می‌کند.سیستم نمایش (Presentation System):نتایج جستجو را اصلاح کرده و به کاربران ارائه می‌دهد.شامل حذف اسناد تکراری و تولید توضیحات برای اسناد.سرور فرانت‌اند (Front-End Server):دریافت پرس‌وجوها از کاربران و ارسال نتایج جستجو به کاربر.فهرست اصلی و ثانویه (Primary and Secondary Indexes):فهرست اصلی: ذخیره اطلاعات فهرست‌گذاری مربوط به اسناد.فهرست ثانویه: برای ذخیره‌سازی اطلاعات اضافی و پشتیبانی از عملکرد سیستم.هر دو فهرست به صورت توزیع‌شده روی چندین سرور قرار دارند.ذخیره‌سازی داده‌های عبارت (Phrase Data Store):اطلاعات آماری مرتبط با عبارت‌ها را ذخیره می‌کند.این داده‌ها برای شناسایی عبارات مرتبط و رتبه‌بندی اسناد استفاده می‌شود.سیستم شناسایی عبارت‌ها (Phrase Identification System):سیستم جستجو و شناسایی عبارت‌ها در اسناد از طریق یک پنجره عبارت (phrase window).عبارات ممکن و خوب را شناسایی و بر اساس فراوانی و هم‌رخدادی طبقه‌بندی می‌کند.عبارات خوب با استفاده از معیارهایی مانند فراوانی و رخدادهای جالب طبقه‌بندی می‌شوند.سیستم تشخیص اسناد اسپم (Spam Detection System):شناسایی اسناد اسپم بر اساس تعداد زیاد عبارت‌های مرتبط.اسناد اسپم شناسایی شده از نتایج جستجو حذف یا امتیاز آن‌ها کاهش می‌یابد.ماتریس هم‌رخدادی (Co-occurrence Matrix):نگهداری اطلاعات هم‌رخدادی بین عبارات برای شناسایی روابط معنایی و ایجاد خوشه‌های مرتبط.استفاده از معیار "افزایش اطلاعات" برای شناسایی عبارات مرتبط و خوشه‌ها.سیستم خوشه‌بندی عبارت‌ها (Clustering System):شناسایی خوشه‌های عبارت‌های مرتبط بر اساس میزان افزایش اطلاعات.خوشه‌ها به گروه‌هایی از عبارت‌های مرتبط با مفاهیم مشابه تقسیم می‌شوند.سیستم پُستینگ (Posting System):برای هر عبارت خوب شناسایی‌شده در اسناد، شناسه سند به لیست پُستینگ آن عبارت اضافه می‌شود.اطلاعات پُستینگ شامل شناسه سند، شمارش رخدادها و بردار بیت برای عبارات مرتبط است.سیستم بهینه‌سازی جستجو (Search Optimization System):در زمان جستجو، لیست‌های پُستینگ بر اساس عبارت‌های پرس‌وجو مرتب شده و اسناد بر اساس آن‌ها رتبه‌بندی می‌شوند.استفاده از ویژگی‌های اطلاعاتی برای مرتب‌سازی نتایج جستجو.نکات مهم برای سئوکاراندر این بخش به صورت دقیق و عملی نکاتی را که برای موفقیت در بهینه‌سازی موتورهای جستجو (SEO) بر اساس سیستم بازیابی اطلاعات مبتنی بر عبارت‌ها (Phrase-Based Information Retrieval System) حیاتی هستند، توضیح خواهیم داد.۱. درک سیستم بازیابی اطلاعات مبتنی بر عبارت‌هابرخلاف سیستم‌های سنتی که بر کلمات کلیدی تمرکز داشتند، این سیستم بر مفاهیم و عبارت‌های طبیعی تمرکز می‌کند.عبارت‌ها شامل کلمات توقف (مانند "و"، "از"، "به") می‌شوند و درک معنایی را بهبود می‌دهند.اقدام عملی:محتوای خود را با توجه به عبارت‌های طبیعی و مفاهیم مرتبط بهینه کنید.روی عبارت‌هایی که کاربران به طور طبیعی استفاده می‌کنند، تمرکز کنید.۲. شناسایی عبارت‌های "خوب" و "مرتبط"عبارت‌های "خوب" عبارت‌هایی هستند که در متن به طور برجسته ظاهر می‌شوند، مثل:مواردی که bold یا underline شده‌اند.متن Anchor در لینک‌ها.عبارت‌های "مرتبط" از طریق هم‌وقوعی زیاد با عبارت‌های اصلی شناسایی می‌شوند.اقدام عملی:از عبارت‌های کلیدی مرتبط و مفاهیم هم‌بسته در محتوای خود استفاده کنید.با فرمت‌بندی مناسب (مثل bold یا italic) عبارت‌های مهم را برجسته کنید.۳. تولید محتوای جامع و متمرکزسیستم از خوشه‌ها (clusters) برای شناسایی موضوعات اصلی و فرعی استفاده می‌کند.محتوای متمرکز بر یک موضوع و پوشش عمیق آن، ارزش بیشتری دارد.اسناد با موضوعات پراکنده (بیش از دو خوشه) ممکن است حذف شوند.اقدام عملی:روی یک موضوع خاص تمرکز کنید و آن را به طور جامع پوشش دهید.تعداد محدودی از موضوعات مرتبط را در هر صفحه استفاده کنید.۴. جلوگیری از اسپم و محتوای بی‌کیفیتkeyword stuffing (پر کردن بی‌رویه کلمات کلیدی) باعث کاهش رتبه یا حذف محتوا می‌شود.سندهای اسپم معمولاً تعداد زیادی عبارت مرتبط غیرطبیعی دارند.اقدام عملی:از تکرار غیرطبیعی کلمات کلیدی اجتناب کنید.محتوای ارزشمند و طبیعی تولید کنید که نیاز کاربر را برطرف کند.۵. اهمیت متن Anchor و لینک‌هامتن Anchor مناسب تأثیر زیادی در رتبه‌بندی دارد."مولفه امتیاز ورودی" و "مولفه امتیاز خروجی" توسط موتورهای جستجو ارزیابی می‌شوند.اقدام عملی:از متن Anchor توصیفی و مرتبط برای لینک‌ها استفاده کنید.بک‌لینک‌های باکیفیت از منابع معتبر دریافت کنید.۶. تازگی محتوا و تاریخ به‌روزرسانیموتورهای جستجو محتوای تازه و به‌روزرسانی شده را ترجیح می‌دهند.تاریخ انتشار و به‌روزرسانی محتوا بر رتبه‌بندی تأثیرگذار است.اقدام عملی:محتوای خود را به طور منظم به‌روزرسانی کنید.در موضوعات حساس به زمان، تاریخ انتشار و آپدیت را مشخص کنید.جزئیات کامل سیستمشکل ۱: معماری نرم‌افزاری سیستم بازیابی اطلاعاتاین شکل نمودار بلوکی معماری نرم‌افزاری یک سیستم جستجو (search system 100) را نشان می‌دهد. اجزای اصلی این سیستم عبارتند از:سیستم فهرست‌گذاری (Indexing system 110): مسئول شناسایی عبارت‌ها در اسناد و فهرست‌گذاری اسناد بر اساس این عبارت‌ها است. این سیستم با دسترسی به وب‌سایت‌های مختلف (various websites 190) و سایر مجموعه‌های اسناد این کار را انجام می‌دهد.سیستم جستجو (Search system 120): وظیفه دریافت پرس‌وجوها از کاربر (client 170) از طریق سرور جلویی (front end server 140) را دارد. این سیستم اسناد مرتبط با پرس‌وجو را پیدا می‌کند، هر عبارتی در پرس‌وجو را شناسایی می‌کند و سپس اسناد را بر اساس حضور عبارت‌ها رتبه‌بندی می‌کند. نتایج جستجو را به سیستم نمایش (presentation system 130) ارسال می‌کند.سیستم نمایش (Presentation system 130): مسئول اصلاح نتایج جستجو است، از جمله حذف اسناد نزدیک به تکراری و تولید توضیحات موضوعی برای اسناد. سپس نتایج اصلاح‌شده را به سرور جلویی (front end server 140) برمی‌گرداند.سرور جلویی (Front end server 140): پرس‌وجوها را از کاربر دریافت می‌کند و نتایج جستجو را به کاربر ارائه می‌دهد.فهرست اصلی (Primary index 150) و فهرست ثانویه (secondary index 152): این دو اطلاعات فهرست‌گذاری مربوط به اسناد را ذخیره می‌کنند. هر دو فهرست به صورت توزیع‌شده روی چندین سرور قرار دارند.ذخیره‌سازی داده‌های عبارت (Phrase data store 160): عبارت‌ها و اطلاعات آماری مرتبط را ذخیره می‌کند.این سیستم از عبارت‌ها برای فهرست‌گذاری، جستجو، رتبه‌بندی و توصیف اسناد در یک مجموعه بزرگ (مانند اینترنت) استفاده می‌کند.شکل ۲: روش شناسایی عبارت‌ها در اسناداین شکل مراحل عملیاتی فرآیند شناسایی عبارت را نشان می‌دهد. این فرآیند شامل سه مرحله اصلی است:مرحله ۲۰۰: جمع‌آوری عبارت‌های ممکن و خوب، همراه با آمار فراوانی و هم‌رخدادی آنها.در این مرحله، سیستم فهرست‌گذاری (110) مجموعه‌ای از اسناد را در مجموعه اسناد خزش (crawls) می‌کند و این کار را در بخش‌های مکرر در طول زمان انجام می‌دهد.برای هر سند، کلمات با استفاده از یک پنجره عبارت (phrase window) با طول حداکثر (مثلاً ۴ یا ۵ کلمه) پیمایش می‌شوند.عبارت‌های کاندیدا (candidate phrases) شناسایی می‌شوند و بررسی می‌شوند که آیا در «لیست عبارت‌های خوب (good phrase list 208)» یا «لیست عبارت‌های ممکن (possible phrase list 206)» حضور دارند یا خیر. اگر در لیست عبارت‌های خوب باشند، شناسه سند به لیست پُستینگ (posting list) آن عبارت در فهرست 150 اضافه می‌شود.علاوه بر این، ماتریس هم‌رخدادی (co-occurrence matrix 212) نیز برای عبارت‌های خوب به‌روزرسانی می‌شود.مرحله ۲۰۲: طبقه‌بندی عبارت‌های ممکن به عبارت‌های خوب یا بد بر اساس آمار فراوانی.عبارت‌های ممکن از لیست عبارت‌های ممکن (206) به لیست عبارت‌های خوب (208) منتقل می‌شوند اگر فراوانی و تعداد اسنادی که عبارت در آن‌ها ظاهر می‌شود، نشان‌دهنده استفاده معنی‌دار معنایی باشد.معیارهایی مانند تعداد اسناد حاوی عبارت (P(p)) و تعداد رخدادهای جالب (M(p)) (مثلاً در بولد، زیرخط یا متن لنگر) برای تعیین این طبقه‌بندی استفاده می‌شوند.عبارت‌های با فراوانی بسیار کم یا بدون رخدادهای جالب به عنوان عبارت‌های بد شناسایی می‌شوند.مرحله ۲۰۴: هرس کردن لیست عبارت‌های خوب بر اساس یک معیار پیش‌بینی‌کننده مشتق شده از آمار هم‌رخدادی.این مرحله عبارت‌های خوبی را که به اندازه کافی پیش‌بینی‌کننده حضور عبارت‌های دیگر نیستند یا زیردنباله‌ای از عبارت‌های بلندتر هستند، حذف می‌کند.معیار "افزایش اطلاعات" (information gain) برای این منظور استفاده می‌شود که نشان‌دهنده افزایش احتمال ظاهر شدن یک عبارت در سند، با توجه به حضور عبارت دیگر است.عبارت‌های ناکامل (incomplete phrases) که فقط عبارت‌های توسعه‌یافته (phrase extensions) خود را پیش‌بینی می‌کنند، از لیست عبارت‌های خوب حذف شده و به یک لیست عبارت‌های ناکامل (incomplete phrase list 216) اضافه می‌شوند. این لیست برای پیشنهاد جستجو به کاربر مفید است.شکل ۳: سند با پنجره عبارت و پنجره ثانویهاین شکل یک بخش از یک سند (300) را در حین پیمایش نشان می‌دهد که پنجره عبارت (phrase window 302) و یک پنجره ثانویه (secondary window 304) را به تصویر می‌کشد.پنجره عبارت (302):این پنجره بر روی کلمات سند حرکت می‌کند و طول آن حداکثر N کلمه است (مثلاً 5 کلمه).تمام کلمات درون این پنجره، از جمله کلمات توقف (stop words) مانند "a" یا "the"، به عنوان بخشی از عبارت در نظر گرفته می‌شوند.پنجره می‌تواند با نشانه‌هایی مانند پایان خط، پاراگراف جدید یا تگ‌های HTML پایان یابد که نشان‌دهنده تغییر محتوا یا قالب هستند.هر دنباله‌ای از کلمات درون این پنجره به عنوان یک عبارت کاندیدا (candidate phrase) در نظر گرفته می‌شود. به عنوان مثال، اگر پنجره روی "stock dogs for the Basque shepherds" باشد، عبارت‌های کاندیدا شامل "stock"، "stock dogs" و... می‌شوند.هنگامی که یک عبارت کاندیدا در لیست عبارت‌های خوب (good phrase list 208) یافت می‌شود، شناسه سند (URL یا شماره سند) به لیست پُستینگ (posting list) آن عبارت در فهرست اصلی (index 150) اضافه می‌شود.پنجره ثانویه (304):این پنجره در اطراف کلمه فعلی در سند قرار می‌گیرد و به اندازه مشخصی (مثلاً ۳۰ کلمه) به چپ و راست گسترش می‌یابد.هدف اصلی آن، به‌روزرسانی ماتریس هم‌رخدادی (co-occurrence matrix 212) برای عبارت‌های خوب است.این ماتریس سه نوع شمارش را برای هر جفت عبارت خوب (gj, gk) که در پنجره ثانویه با هم ظاهر می‌شوند، حفظ می‌کند:R(j,k): تعداد دفعات هم‌رخدادی خام (raw co-occurrence count).D(j,k): تعداد دفعات رخداد جالب به صورت مجزا (disjunctive interesting count)، یعنی هر یک از عبارت‌ها به صورت متن متمایز (مثلاً بولد) ظاهر شود.C(j,k): تعداد دفعات رخداد جالب به صورت مشترک (conjunctive interesting count)، یعنی هر دو عبارت به صورت متن متمایز ظاهر شوند. این شمارش به ویژه برای اجتناب از عبارت‌های غیرپیش‌بینی‌کننده (مانند اطلاع‌رسانی‌های حق نشر در پاورقی‌ها) مفید است.شکل ۴: روش شناسایی عبارت‌های مرتبطاین شکل مراحل عملیاتی برای شناسایی عبارت‌های مرتبط و خوشه‌های (clusters) آنها را توضیح می‌دهد.مرحله ۴۰۰: شناسایی عبارت‌های مرتبط با مقدار افزایش اطلاعات (information gain) بالا.سیستم از ماتریس هم‌رخدادی (co-occurrence matrix 212) استفاده می‌کند که حاوی عبارت‌های خوب است.برای هر جفت عبارت خوب (gj, gk)، میزان افزایش اطلاعات (I(j,k)) محاسبه می‌شود. این معیار نسبت نرخ هم‌رخدادی واقعی به نرخ هم‌رخدادی مورد انتظار است.دو عبارت (gj, gk) "مرتبط" (related) نامیده می‌شوند اگر I(j,k) از یک آستانه عبارت مرتبط (Related Phrase threshold) بالا (مثلاً 100) فراتر رود. این به این معنی است که عبارت‌ها ۱۰۰ برابر بیشتر از نرخ آماری مورد انتظار با هم ظاهر می‌شوند.ورودی‌های زیر این آستانه در ماتریس صفر می‌شوند و تنها عبارت‌های مرتبط باقی می‌مانند.سپس، عبارت‌های مرتبط برای هر عبارت خوب (gj) بر اساس مقادیر افزایش اطلاعات آنها مرتب می‌شوند، به طوری که مرتبط‌ترین عبارت‌ها ابتدا فهرست شوند.مرحله ۴۰۲: شناسایی خوشه‌های عبارت‌های مرتبط.یک خوشه مجموعه‌ای از عبارت‌های مرتبط است که در آن هر عبارت نسبت به حداقل یک عبارت دیگر افزایش اطلاعات بالایی دارد.سیستم افزایش اطلاعات بین هر جفت عبارت در مجموعه عبارت‌های مرتبط (Rj) یک عبارت خوب (gj) را ارزیابی می‌کند تا عضویت در خوشه را تعیین کند. به عنوان مثال، "بیل کلینتون"، "رئیس‌جمهور" و "مونیکا لوینسکی" می‌توانند یک خوشه تشکیل دهند.مرحله ۴۰۴: ذخیره بردار بیت خوشه (cluster bit vector) و شماره خوشه.هر خوشه یک شناسه خوشه (cluster ID) منحصر به فرد دریافت می‌کند.یک بردار بیت خوشه برای هر عبارت خوب (gj) ایجاد می‌شود که نشان می‌دهد کدام یک از عبارت‌های مرتبط آن (gk) در همان خوشه با gj قرار دارند (یعنی افزایش اطلاعات دوطرفه وجود دارد).مقدار این رشته بیت، شماره خوشه است.این اطلاعات، از جمله مقدار افزایش اطلاعات، شماره خوشه و بردار بیت خوشه، می‌تواند در ماتریس هم‌رخدادی یا مستقیماً در لیست عبارت‌های خوب ذخیره شود. نتیجه این فرآیند، شناسایی قوی عبارت‌های مهم و نحوه استفاده طبیعی آنها در "خوشه‌ها" است که بازتاب‌دهنده مفاهیم و ایده‌های معنایی مورد استفاده در مجموعه اسناد است. این رویکرد داده‌محور، تعصبات انتخاب دستی عبارت‌ها و مفاهیم را از بین می‌برد.شکل ۵: روش فهرست‌گذاری اسناد برای عبارت‌های مرتبطاین شکل مراحل عملیاتی برای فهرست‌گذاری اسناد با توجه به عبارت‌های خوب و خوشه‌های آنها را نشان می‌دهد.مرحله ۵۰۰: پُست کردن سند به لیست‌های پُستینگ عبارت‌های خوب موجود در سند.سیستم سند را کلمه به کلمه پیمایش می‌کند و عبارت‌های خوبی را که در پنجره عبارت (phrase window 302) یافت می‌شوند، شناسایی می‌کند.برای هر عبارت خوب شناسایی‌شده (مانند "President" یا "President of ATT")، شناسه سند (مثلاً URL) به لیست پُستینگ (posting list) آن عبارت در فهرست (index 150) اضافه می‌شود.ورودی لیست پُستینگ برای یک عبارت شامل شناسه سند، لیستی از شمارش‌های عبارت‌های مرتبط و یک بردار بیت عبارت مرتبط (related phrase bit vector) است. این بردار بیت دارای دو موقعیت بیت برای هر عبارت مرتبط (bi-bit vector) است: یکی برای حضور عبارت مرتبط و دیگری برای حضور عبارت‌های مرتبط ثانویه آن.مرحله ۵۰۲: به‌روزرسانی شمارش رخدادها و بردار بیت عبارت مرتبط برای عبارت‌های مرتبط و عبارت‌های مرتبط ثانویه.سیستم در پنجره ثانویه (secondary window 304) در اطراف موقعیت فعلی در سند، به دنبال عبارت‌های مرتبط (gk) عبارت اصلی (gi) می‌گردد.اگر یک عبارت مرتبط در پنجره ثانویه یافت شود، شمارش آن برای سند جاری افزایش می‌یابد.اولین بیت در بردار بیت عبارت مرتبط (gk-1) بر اساس حضور عبارت مرتبط تنظیم می‌شود (۱ اگر موجود باشد، ۰ اگر نباشد).دومین بیت (gk-2) اگر هر یک از "عبارت‌های مرتبط ثانویه" (secondary related phrases) (یعنی عبارت‌های مرتبط با gk) نیز در سند موجود باشند، تنظیم می‌شود.این فرآیند به سیستم کمک می‌کند تا برای هر عبارت خوب در یک سند، حضور عبارت‌های مرتبط و عبارت‌های مرتبط ثانویه را ثبت کند.مرحله ۵۰۴: مرتب‌سازی مجدد ورودی‌های فهرست بر اساس اندازه لیست پُستینگ.عبارت‌ها در فهرست 150 بر اساس فراوانی رخداد آنها در مجموعه اسناد شماره‌گذاری می‌شوند (عبارت‌های رایج‌تر، شماره کمتری می‌گیرند).سپس، تمام لیست‌های پُستینگ (posting lists 214) در فهرست اصلی (150) به ترتیب نزولی تعداد اسناد موجود در هر لیست مرتب می‌شوند، به طوری که رایج‌ترین عبارت‌ها ابتدا قرار بگیرند.مرحله ۵۰۶: رتبه‌بندی ورودی‌های فهرست در هر لیست پُستینگ بر اساس امتیاز یا ویژگی بازیابی اطلاعات.هر سند در لیست پُستینگ بر اساس ارتباطش با عبارت، امتیاز بازیابی اطلاعات (IR-type score) دریافت می‌کند (مثلاً بر اساس الگوریتم PageRank، تعداد لینک‌های ورودی و خروجی، و طول سند).اسناد در لیست پُستینگ به ترتیب نزولی این امتیاز رتبه‌بندی می‌شوند، که این پیش‌رتبه‌بندی (pre-ranking) به بهبود عملکرد بازیابی اسناد در پاسخ به جستجو کمک می‌کند.مرحله ۵۰۸: تقسیم‌بندی هر لیست پُستینگ بین سرور اصلی (primary server 150) و یک سرور ثانویه (secondary server 152).ورودی‌های لیست پُستینگ برای اولین K سند (مثلاً ۳۲,۷۶۸) در سرور اصلی باقی می‌مانند (لیست پُستینگ اصلی).ورودی‌های باقی‌مانده (n>K) به فهرست ثانویه (secondary index 152) منتقل می‌شوند (لیست پُستینگ ثانویه).این تقسیم‌بندی به کاهش فضای ذخیره‌سازی و افزایش قابل توجه تعداد اسناد قابل فهرست‌گذاری کمک می‌کند، زیرا اطلاعات رتبه‌بندی فقط برای اسناد رتبه‌بالا در فهرست اصلی ذخیره می‌شود.شکل ۶: روش بازیابی اسناد بر اساس عبارت‌هااین شکل عملیات اصلی سیستم جستجو (search system 120) را نشان می‌دهد.مرحله ۶۰۰: شناسایی عبارت‌ها در پرس‌وجو (Query).یک پنجره عبارت با اندازه N (مثلاً ۵) برای پیمایش کلمات پرس‌وجو (q) استفاده می‌شود.عبارت‌های ممکن در پنجره در لیست عبارت‌های خوب (good phrase list 208) جستجو می‌شوند تا عبارت‌های کاندیدا (candidate phrases) شناسایی شوند.سیستم عبارت‌های کاندیدا را مرتب می‌کند و عبارت‌های پرس‌وجوی معتبر (valid query phrases - Qp) را انتخاب می‌کند.همچنین، عبارت‌های توسعه‌یافته (phrase extensions - Qe) برای Qp از طریق لیست عبارت‌های ناکامل (incomplete phrase list 216) شناسایی می‌شوند.مجموعه نهایی عبارت‌های جستجو (Q) که شامل Qp و عبارت‌های مرتبط با آن (Qr) است، تشکیل می‌شود.مرحله ۶۰۲: بازیابی اسناد مرتبط با عبارت‌های پرس‌وجو.سیستم جستجو (120) لیست‌های پُستینگ عبارت‌های پرس‌وجو (Q) را بازیابی می‌کند و برای یافتن اسنادی که شامل همه (یا تعدادی) از این عبارت‌ها هستند، آنها را اشتراک (intersect) می‌دهد.عملیات اشتراک بر اساس اینکه عبارت‌های پرس‌وجو "رایج" (common) یا "نادر" (rare) هستند (یعنی لیست پُستینگ آنها چگونه بین فهرست اصلی و ثانویه تقسیم شده است) بهینه‌سازی می‌شود.مرحله ۶۰۴: رتبه‌بندی اسناد در نتایج جستجو بر اساس عبارت‌ها.اسناد در نتایج جستجو با استفاده از اطلاعات ارتباطی، ویژگی‌های سند، و اطلاعات عبارت‌ها (بردار بیت عبارت مرتبط و بردار بیت خوشه برای عبارت‌های پرس‌وجو) رتبه‌بندی می‌شوند. این روش به عنوان "hit‌های بدنه (body hits)" شناخته می‌شود.هرچه یک سند عبارت‌های مرتبط و عبارت‌های مرتبط ثانویه بیشتری با عبارت‌های پرس‌وجو داشته باشد، بردار بیت عبارت مرتبط آن دارای ارزش عددی بالاتری خواهد بود و در نتیجه، سند رتبه بالاتری در نتایج جستجو کسب می‌کند.یک روش دیگر رتبه‌بندی این است که به هر عبارت مرتبط پرس‌وجو (Qr) بر اساس افزایش اطلاعات آن از پرس‌وجو (Q) امتیاز اختصاص داده می‌شود (مثلاً از N امتیاز برای مرتبط‌ترین تا ۱ امتیاز برای کم‌مرتبط‌ترین). سپس اسناد بر اساس مجموع امتیازات عبارت‌های مرتبطی که در خود دارند، امتیازدهی و مرتب می‌شوند.سیستم می‌تواند اسناد را از نتایج حذف کند (cull) اگر آنها بیش از حد از موضوع اصلی دور باشند یا تعداد زیادی خوشه (topic) متفاوت را پوشش دهند، زیرا کاربران معمولاً اسناد متمرکز بر یک موضوع واحد را ترجیح می‌دهند.رتبه‌بندی می‌تواند شامل "امتیاز hit لنگر (anchor hit score)" نیز باشد که به حضور عبارت‌های پرس‌وجو در متن لنگر لینک‌هایی که به سند اشاره می‌کنند، بستگی دارد. این امتیاز با "امتیاز hit بدنه" ترکیب می‌شود.اطلاعات محدوده تاریخ (date range information) نیز می‌تواند در رتبه‌بندی استفاده شود. این اطلاعات می‌تواند برای فیلتر کردن جستجو بر اساس تاریخ، وزن‌دهی امتیازات ارتباطی (مثلاً کاهش وزن اسناد قدیمی‌تر یا افزایش وزن اسناد جدیدتر یا اسناد مرتبط با یک رویداد تاریخی خاص) یا مرتب‌سازی نتایج (مثلاً گروه‌بندی زمانی) به کار رود.شناسایی اسناد اسپم: در این سیستم، اسناد اسپم نیز شناسایی می‌شوند. یک سند اسپم با داشتن تعداد بیش از حد عبارت‌های مرتبط (مثلاً ۱۰۰ تا ۱۰۰۰) در مقایسه با اسناد عادی (۸ تا ۲۰) مشخص می‌شود. اسناد اسپم شناسایی‌شده به یک جدول اسپم (SPAM_TABLE) اضافه می‌شوند. هنگامی که نتایج جستجو بازیابی می‌شوند، اگر سندی در این جدول باشد، امتیاز ارتباطی آن کاهش می‌یابد (مثلاً به یک پنجم تقسیم می‌شود) یا به طور کلی از نتایج حذف می‌شود. سپس نتایج جستجو دوباره مرتب شده و به کاربر ارائه می‌شوند. محمد داداش زاده محمد داداش زاده Mon, 07 Jul 2025 01:35:53 +0330 https://virgool.io/google-patent/%D8%B1%D9%88%D8%B4%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D9%87%D8%B1%D8%B2%D9%86%D8%A7%D9%85%D9%87-%D9%84%DB%8C%D9%86%DA%A9-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%DA%AF%D8%A7%D9%87-%D9%87%D8%A7%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C%D9%BE%D8%B1%D9%84%DB%8C%D9%86%DA%A9-bt9p7lizr898 روش‌های تشخیص لینک اسپم در پایگاه‌های داده‌ای که دارای ابرپیوند هستند، شامل محاسبه یک مقدار احتمال اسپم برای گره‌ها در یک گراف جهت‌دار از گره‌های پیوندی است. این مقدار احتمال اسپم از اهمیت گره و مقدار مشتق تابع اهمیت گره نسبت به یک عامل کوپلینگ (Coupling Factor) محاسبه می‌شود. احتمال اینکه اهمیت یک گره به‌صورت مصنوعی و از طریق لینک اسپم افزایش یافته باشد، از طریق محاسبه نسبت مقدار مشتق تابع اهمیت به رتبه گره تخمین زده می‌شود. همچنین می‌توان از روش مستقیم‌تری استفاده کرد که شامل بررسی یک مؤلفه از بردار ویژه اصلی ماتریس پیوندها در دو مقدار متفاوت از عامل کوپلینگ است. این مقادیر نرمال‌شده می‌توانند برای رتبه‌بندی گره‌ها و شناسایی اسپم استفاده شوند.این پتنت (Method for detecting link spam in hyperlinked databases) به GOOGLE LLC اختصاص داده شده است.https://patents.google.com/patent/US7509344B1/en :2004-08-18 Application filed by Google LLC | 2026-03-25 Adjusted expirationمقدمهدر دنیای وب، ساختار پیوندهای هایپرلینک (Hyperlinks) به عنوان یکی از مؤلفه‌های اصلی برای تعیین اهمیت و رتبه‌بندی صفحات وب استفاده می‌شود. موتورهای جستجو از الگوریتم‌هایی مانند PageRank برای تحلیل این ساختارها بهره می‌گیرند. این الگوریتم‌ها اهمیت یک صفحه را بر اساس تعداد و کیفیت لینک‌های ورودی به آن صفحه تخمین می‌زنند. با این حال، این روش‌ها به دلیل وابستگی به لینک‌ها، در معرض سوءاستفاده قرار دارند.تعریف لینک اسپملینک اسپم به معنای ایجاد لینک‌هایی است که هدف اصلی آن‌ها دستکاری الگوریتم‌های رتبه‌بندی موتورهای جستجو است و نه ارائه ارزش واقعی به کاربران. این لینک‌ها ممکن است از طریق روش‌هایی مانند لینک فارم‌ها (Link Farms)، حلقه‌های وب (Web Rings)، یا خرید و فروش لینک ایجاد شوند.نمونه‌های رایج لینک اسپملینک فارم‌ها (Link Farms): لینک فارم‌ها مجموعه‌ای از صفحات وب هستند که به‌صورت عمدی به یکدیگر لینک می‌دهند تا رتبه صفحات افزایش یابد. این صفحات اغلب محتوای کمی دارند و هدف اصلی آن‌ها ایجاد لینک‌های ورودی است.مشکل: در لینک فارم، تعداد زیادی صفحه یا سایت (که معمولاً ارزش و اعتبار بسیار پایینی دارند)، تنها به یک صفحه هدف خاص لینک می‌دهند. هدف این است که به موتور جستجو این تصور دروغین را بدهند که آن صفحه هدف، بسیار مهم و معتبر است.مثال سئویی: فرض کنید شما یک فروشگاه آنلاین جدید برای "لوازم آرایشی" دارید. برای اینکه سریعاً در جستجوی "خرید لوازم آرایشی" بالا بیایید، می‌روید و 100 تا وبلاگ یا سایت بی‌کیفیت (که شاید با نرم‌افزارهای تولید محتوای خودکار پر شده‌اند) ایجاد می‌کنید. همه این 100 وبلاگ بی‌ارزش، فقط و فقط به صفحه اصلی فروشگاه شما لینک می‌دهند.موتور جستجو ابتدا ممکن است فریب بخورد و فکر کند که فروشگاه شما چون از 100 جا لینک گرفته، مهم است و رتبه‌اش را بالا ببرد. این همان "بالا رفتن مصنوعی رتبه" است.چگونه تشخیص داده می‌شود؟ (از دید این پتنت): این روش تشخیص می‌دهد که وقتی به "قدرت لینک" (یک فاکتور داخلی موتور جستجو) بیشتر اهمیت داده می‌شود، اهمیت صفحه هدف (فروشگاه شما) ناگهان به شدت کاهش می‌یابد. چرا؟ چون لینک‌هایی که از وبلاگ‌های بی‌کیفیت آمده‌اند، واقعاً ارزشی ندارند و وقتی سیستم حساس‌تر می‌شود، اثر آن‌ها خنثی شده و حتی منفی می‌شود. این کاهش شدید اهمیت (یعنی مشتق تابع اهمیت منفی و بزرگ می‌شود (اگر اهمیت یک صفحه خیلی سریع و غیرعادی زیاد شود، می‌تواند نشانه‌ای از اسپم بودن آن باشد.)) نشان‌دهنده اسپم است. در مقابل، برای یک سایت واقعاً مهم مثل Yahoo.com که طبیعی لینک گرفته، چنین افت شدیدی رخ نمی‌دهد چون لینک‌هایش از منابع معتبر هم می‌آیند.حلقه‌های وب (Web Rings): در این روش، گروهی از وب‌سایت‌ها با هم تبانی می‌کنند و به‌صورت متقابل به یکدیگر لینک می‌دهند تا رتبه گروه افزایش یابد. این روش معمولاً در گروه‌های کوچک‌تر و با هماهنگی‌های خاص انجام می‌شود.مشکل: در این روش، مجموعه‌ای از سایت‌ها یا صفحات با هم تبانی می‌کنند و به صورت متقابل و در یک حلقه به یکدیگر لینک می‌دهند. هدف این است که به موتور جستجو این تصور دروغین را بدهند که این گروه از سایت‌ها همگی معتبر و دارای اهمیت هستند.مثال سئویی: فرض کنید 5 نفر از دوستانتان وبلاگ‌های مختلفی در مورد "گردشگری" دارند. شما با هم قرار می‌گذارید که هر وبلاگ به 4 وبلاگ دیگر در این گروه به صورت متقابل لینک بدهد. یعنی وبلاگ A به B, C, D, E لینک می‌دهد، وبلاگ B به A, C, D, E و الی آخر.در ابتدا، موتور جستجو ممکن است فکر کند که این وبلاگ‌ها چون به هم زیاد لینک داده‌اند، پس همگی معتبر و مهم هستند. این یک "حلقه وب" (Web Ring) است.چگونه تشخیص داده می‌شود؟ (از دید این پتنت): این روش تشخیص می‌دهد که وقتی به "قدرت لینک" (همان فاکتور داخلی موتور جستجو) بیشتر اهمیت داده می‌شود، اهمیت این صفحات در حلقه ناگهان به شدت افزایش می‌یابد. چرا؟ چون این لینک‌ها در داخل یک حلقه بسته می‌چرخند و "اهمیت" را در خود گروه نگه می‌دارند و آن را به خارج از حلقه منتقل نمی‌کنند. این افزایش شدید اهمیت (یعنی مشتق تابع اهمیت مثبت و بزرگ می‌شود) نشان‌دهنده اسپم است. در حالی که یک سایت طبیعی که عضو چنین حلقه‌ای نیست، ممکن است لینک‌های خروجی زیادی به سایت‌های دیگر داشته باشد و این اهمیت را پراکنده کند. چطور این "مشکات" شناسایی می‌شوند؟کلید تشخیص در این پتنت، استفاده از چیزی به نام "مشتق تابع اهمیت یک گره نسبت به ضریب کوپلینگ" است.تابع اهمیت گره (Node Importance Function): این همان فرمولی است که موتور جستجو برای محاسبه رتبه یک صفحه (مثل PageRank) استفاده می‌کند.ضریب کوپلینگ (Coupling Factor): این یک عدد بین 0 تا 1 است.وقتی این ضریب کم (نزدیک به 0) است، یعنی موتور جستجو کمتر به قدرت لینک‌ها برای رتبه‌دهی اهمیت می‌دهد. در این حالت، همه صفحات تقریباً یکسان دیده می‌شوند.وقتی این ضریب زیاد (نزدیک به 1) است، یعنی موتور جستجو خیلی زیاد به قدرت لینک‌ها اهمیت می‌دهد و رتبه یک صفحه به شدت به بک‌لینک‌هایش وابسته می‌شود.مشتق (Derivative): این مشتق به ما نشان می‌دهد که وقتی ضریب کوپلینگ را کمی تغییر می‌دهیم (یعنی مثلاً کمی بیشتر به لینک‌ها اهمیت می‌دهیم)، رتبه یک صفحه چقدر تغییر می‌کند.برای لینک فارم‌ها: اگر یک صفحه به صورت اسپم لینک گرفته باشد، وقتی اهمیت لینک‌ها را بالا ببریم، رتبه‌اش افت شدیدی می‌کند (مشتق منفی و بزرگ). چون لینک‌هایش بی‌ارزش هستند.برای حلقه‌های وب: اگر یک گروه از صفحات به صورت اسپم به هم لینک داده باشند، وقتی اهمیت لینک‌ها را بالا ببریم، رتبه‌شان افزایش شدیدی می‌کند (مشتق مثبت و بزرگ). چون اهمیت در داخل حلقه محبوس می‌شود.برای لینک‌های طبیعی و سالم: تغییر رتبه آنقدر شدید نیست چون لینک‌ها از منابع مختلف (هم قوی و هم ضعیف) می‌آیند و اثراتشان همدیگر را خنثی می‌کنند.این "مشتق" پس از محاسبه، با یک عدد مرجع (threshold) مقایسه می‌شود تا اسپم بودن لینک‌ها تشخیص داده شود. این روش به موتور جستجو کمک می‌کند تا تفاوت بین ساختارهای طبیعی و ساختارهای اسپم را درک کند.چالش‌های تشخیص لینک اسپمتشخیص لینک اسپم به دلایل زیر دشوار است:شباهت ساختارهای اسپمی به ساختارهای طبیعی: ممکن است یک سایت به‌صورت طبیعی تعداد زیادی لینک دریافت کند که مشابه لینک‌سازی اسپمی به نظر برسد.پنهان‌سازی اسپم: اسپمرها از روش‌های پیشرفته برای پنهان کردن لینک‌های اسپمی استفاده می‌کنند، مانند استفاده از لینک‌های مخفی یا ریدایرکت‌های پیچیده. مفهوم کوپلینگ (Coupling)کوپلینگ یک اصطلاح عمومی در علوم مختلف است که به معنای اتصال، وابستگی یا تعامل بین دو یا چند مؤلفه یا سیستم استفاده می‌شود. در زمینه‌های مختلف، این مفهوم ممکن است معانی متفاوتی داشته باشد.عامل کوپلینگ (Coupling Factor)عامل کوپلینگ (که معمولاً با c نشان داده می‌شود) یک پارامتر عددی بین 0 و 1 است. این پارامتر نشان‌دهنده میزان وابستگی الگوریتم به لینک‌ها برای رتبه‌بندی استوقتی کوپلینگ کوچک باشد (نزدیک به 0):لینک‌ها نقش کمتری در رتبه‌بندی صفحات ایفا می‌کنند.رتبه صفحات بیشتر به ویژگی‌های داخلی آن‌ها (مانند محتوای صفحه) وابسته است.در این حالت، الگوریتم اهمیت کمتری به لینک‌ها می‌دهد.وقتی کوپلینگ بزرگ باشد (نزدیک به 1):لینک‌ها نقش بیشتری در رتبه‌بندی صفحات ایفا می‌کنند.رتبه صفحات بیشتر به تعداد و کیفیت لینک‌های ورودی وابسته می‌شود.در این حالت، الگوریتم تأثیر لینک‌ها را به حداکثر می‌رساند.مثال ساده:فرض کنید یک موتور جستجو به دنبال رتبه‌بندی صفحات وب است. اگر کوپلینگ کوچک باشد، صفحات با محتوای قوی و بدون لینک‌های ورودی ممکن است رتبه بالاتری بگیرند. اما اگر کوپلینگ بزرگ باشد، صفحات با لینک‌های زیاد (حتی اگر محتوای ضعیفی داشته باشند) ممکن است رتبه بالاتری بگیرند.کالبدشکافیبخش اول: بستر پیاده‌سازی - معماری موتور جستجو (شکل ۱)شکل ۱ یک معماری استاندارد از یک موتور جستجو را نشان می‌دهد و مشخص می‌کند که این اختراع در کجای این سیستم قرار می‌گیرد. موتور جستجو به دو بخش اصلی تقسیم می‌شود:سیستم پشتیبان (Back End System 102): این بخش مسئول جمع‌آوری و پردازش داده‌هاست.Crawler (خزنده) 104: وظیفه‌اش پیمایش وب و دانلود صفحات است.Document Indexer (ایندکس‌کننده) 106: محتوای صفحات دانلود شده را پردازش و یک ایندکس عظیم (Document Index 108) از کلمات و محل آن‌ها ایجاد می‌کند.Link Records (رکوردهای لینک) 124: این بخش، تمام لینک‌های موجود در هر صفحه را استخراج کرده و اطلاعاتی مانند URL مبدأ، URL مقصد و انکر تکست را ذخیره می‌کند. این داده‌ها، ماده خام برای تحلیل لینک‌ها هستند.Link Maps (نقشه لینک) 128: با استفاده از رکوردهای لینک، یک پایگاه داده از ساختار اتصالات وب (گراف لینک‌ها) ساخته می‌شود.Page Ranker (محاسبه‌گر پیج‌رنک) 130: با استفاده از "نقشه لینک"، رتبه اهمیت (PageRank) هر صفحه را محاسبه می‌کند.Inflation Detector (تشخیص‌دهنده تورم) 136: این همان قلب اختراع ماست. این ماژول، "نقشه لینک" (128) و "پیج‌رنک" (132) را تحلیل می‌کند تا گره‌هایی که به صورت مصنوعی رتبه‌شان افزایش یافته را شناسایی کند. این ماژول می‌تواند به عنوان خروجی، رتبه‌ها یا نقشه لینک را اصلاح کند.سیستم جلویی (Front End System 104): این بخش مسئول تعامل با کاربر و ارائه نتایج است. زمانی که کاربر عبارتی را جستجو می‌کند، این سیستم نتایج را از ایندکس استخراج کرده و بر اساس رتبه‌ای که توسط سیستم پشتیبان (و اصلاحات انجام شده توسط Inflation Detector) محاسبه شده، آن‌ها را مرتب و نمایش می‌دهد.نکته کلیدی: این ساختار نشان می‌دهد که تشخیص اسپم یک فرآیند آفلاین است که در Back End و قبل از ارائه نتایج به کاربر انجام می‌شود.بخش دوم: تعریف مسئله - ساختارهای اسپم (شکل‌های ۲، ۳ و ۴)این بخش مشکلات را به صورت بصری تعریف می‌کند:شکل ۲ (Linked Node Graph): یک نمایش ساده از گراف وب را نشان می‌دهد. هر صفحه یک "گره" (Node) و هر لینک یک "یال جهت‌دار" (Directed Connection) است. این مدل‌سازی، اساس تمام تحلیل‌های بعدی است.شکل ۳ (Link Farm): به وضوح یک "مزرعه لینک" را به تصویر می‌کشد. تعداد زیادی صفحه بی‌اهمیت (Dummy Web Documents 304) همگی به یک صفحه هدف (Home Page 302) لینک می‌دهند. پتنت تاکید می‌کند که چالش اصلی این است که این ساختار، شبیه به ساختار یک سایت واقعاً مهم (مانند Yahoo.com) است که به طور طبیعی لینک‌های زیادی می‌گیرد.شکل ۴ (Web Ring / Clique Attack): یک "حلقه وب" را نشان می‌دهد که در آن گروهی از صفحات (مثلاً 402 و 406) به صورت متقابل و شدید به یکدیگر لینک می‌دهند (لینک 404 و 408). هدف، محبوس کردن و تقویت "اهمیت" در داخل این حلقه است.بخش سوم: راهکار اصلی - فرآیند تشخیص تورم (شکل ۵)شکل ۵ یک فلوچارت است که گام به گام، متدولوژی تشخیص اسپم را توضیح می‌دهد:گام 502 و 504 (ایجاد گراف): از رکوردهای لینک، یک "گراف جهت‌دار" ساخته می‌شود. این همان "نقشه لینک" در معماری است.گام 506 (شناسایی تابع اهمیت): یک تابع برای محاسبه "اهمیت" گره‌ها انتخاب می‌شود. پتنت اشاره می‌کند که این تابع می‌تواند PageRank باشد، اما هر تابع رتبه‌بندی مبتنی بر لینک دیگری نیز قابل استفاده است.گام 508 (شناسایی مشتق): این گام، نوآوری اصلی است. مشتق تابع اهمیت نسبت به "ضریب کوپلینگ لینک" (Link Coupling Factor) شناسایی می‌شود.ضریب کوپلینگ (c): همانطور که قبلاً بحث شد، این ضریب بین 0 و 1 است و میزان وابستگی رتبه به لینک‌ها را کنترل می‌کند.c=0: رتبه‌بندی کاملاً تصادفی، همه صفحات برابرند.c=1: رتبه‌بندی کاملاً وابسته به ساختار لینک‌ها.گام 510 (محاسبه مقدار مشتق): برای یک مقدار مشخص از c (مثلاً c=0.85)، مقدار عددی مشتق برای هر گره محاسبه می‌شود.گام 512 (نرمال‌سازی): مقدار مشتق محاسبه شده بر "اهمیت" خود گره تقسیم می‌شودچرا نرمال‌سازی مهم است؟ یک سایت بسیار بزرگ و مهم مانند Wikipedia ممکن است به طور طبیعی تغییرات رتبه بزرگتری داشته باشد. با تقسیم بر رتبه خود سایت، ما "حساسیت نسبی" را اندازه‌گیری می‌کنیم و می‌توانیم یک صفحه کوچک اسپم را با یک صفحه بزرگ و سالم به طور عادلانه مقایسه کنیم.گام 514 (مقایسه با معیار از پیش تعریف شده): مقادیر نرمال‌شده با یک آستانه (Threshold) یا درصد مشخصی مقایسه می‌شوند.مقادیر بزرگ و منفی: نشانه قوی برای لینک فارم.مقادیر بزرگ و مثبت: نشانه قوی برای حلقه وب.مقادیر قدر مطلق بزرگ (|مقدار نرمال شده| > آستانه): برای شناسایی همزمان هر دو نوع اسپم.گام 516 (انجام اقدامات متقابل): پس از شناسایی گره‌های مشکوک، اقدامات زیر انجام می‌شود:کاهش اهمیت :رتبه گره به صورت دستی کاهش می‌یابد.حذف گره از گراف: گره به طور کامل از محاسبات بعدی حذف می‌شود.استفاده از نیروی انسانی یا الگوریتم کمکی: برای تایید نهایی اینکه آیا یک گره واقعاً اسپم است یا خیر.بخش چهارم: موتور محاسباتی - جزئیات ریاضی (شکل ۶)این بخش‌ها برای کسانی است که می‌خواهند بدانند "چگونه" این محاسبات در عمل انجام می‌شود.شکل ۶ (محاسبه مشتق):گام 602 (ایجاد ماتریس A(c)): ساختار لینک‌ها به صورت یک ماتریس ریاضی به نام A(c) نمایش داده می‌شود. این ماتریس ترکیبی از دو ماتریس دیگر است:ماتریس P: ماتریس انتقال بر اساس لینک‌های واقعی. P(i,j) احتمال رفتن از صفحه j به i از طریق یک لینک است.ماتریس E: ماتریس "پرش تصادفی". E(i,j) احتمال اینکه کاربر به صورت تصادفی و بدون دنبال کردن لینک، از هر صفحه‌ای به صفحه i برود را نشان می‌دهد.فرمول: A(c) = [cP + (1−c)E]ᵀ. ضریب c وزن بین این دو رفتار (دنبال کردن لینک یا پرش تصادفی) را تعیین می‌کند.گام 604 (محاسبه تابع اهمیت): "اهمیت" یا رتبه هر صفحه، همان بردار ویژه اصلی (Principal Eigenvector) ماتریس A(c) است که با x(c) نمایش داده می‌شود.گام 606 (محاسبه مشتق): مشتق این بردار ویژه، یعنی x'(c)، با حل یک دستگاه معادلات خطی به دست می‌آید. پتنت اشاره می‌کند که چون ماتریس M = I - cPᵀ بسیار بزرگ و خلوت (Sparse) است، از روش‌های تکراری مانند Jacobi Relaxation برای حل آن استفاده می‌شود که برای این نوع مسائل بسیار کارآمد است.بخش پنجم: شکل 7۱. گام ۵۰۸: شناسایی مشتق تابع اهمیت نسبت به ضریب کوپلینگ(Identify the Derivative of the Importance Function with Respect to a Link Coupling Factor)هدف اصلی: ایجاد یک "ابزار اندازه‌گیری" برای سنجش میزان حساسیت یا شکنندگی رتبه یک صفحه نسبت به ساختار لینک‌هایش.اهمیت برای سئو: این گام، نقطه شروع تشخیص اسپم است. این یعنی موتور جستجو فقط به وضعیت فعلی لینک‌های شما نگاه نمی‌کند، بلکه این سوال را می‌پرسد: "اگر ما قوانین بازی را فقط کمی تغییر دهیم، آیا پروفایل لینک شما فرو می‌ریزد؟" این نشان می‌دهد که ساختن یک پروفایل لینک بر پایه‌های سست و مصنوعی، به دلیل همین بی‌ثباتی ذاتی، قابل شناسایی است.۲. گام ۵۱۲: نرمال‌سازی مقدار مشتق(Normalization of the Derivative Value)هدف اصلی: ایجاد یک معیار عادلانه و استاندارد برای مقایسه "میزان اسپمی بودن" بین صفحات با اندازه‌ها و رتبه‌های کاملاً متفاوت.اهمیت برای سئو: این گام، عدالت و دقت را تضمین می‌کند. بدون نرمال‌سازی، سایت‌های بسیار بزرگی مانند آمازون یا ویکی‌پدیا همیشه مشکوک به نظر می‌رسیدند، چون تغییرات عددی رتبه آن‌ها به طور طبیعی بزرگتر است. نرمال‌سازی تضمین می‌کند که یک صفحه کوچک که به شدت با لینک فارم اسپم شده، حتی اگر تغییر رتبه مطلق آن کم باشد، به دلیل "نسبت" بالای تغییر، به عنوان یک سیگنال خطر شناسایی می‌شود. این یعنی الگوریتم، رفتار را از مقیاس جدا می‌کند.۳. گام ۵۱۴: مقایسه مقدار نرمال‌شده با یک معیار از پیش تعریف شده(Comparison with a Predefined Result/Threshold)هدف اصلی: تصمیم‌گیری نهایی؛ آیا یک صفحه به عنوان اسپم "پرچم‌گذاری" (Flag) بشود یا خیر.تشریح مفهومی (آنالوژی آزمایش خون):بعد از اینکه "امتیاز بی‌ثباتی" نرمال‌شده (گام ۵۱۲) برای هر صفحه محاسبه شد، این گام مانند پزشکی است که نتایج آزمایش خون شما را با "محدوده نرمال" مقایسه می‌کند.برای هر معیار (مثلاً کلسترول)، یک محدوده سالم وجود دارد. اگر نتیجه شما خارج از این محدوده باشد، پزشک آن را به عنوان یک مشکل بالقوه علامت‌گذاری می‌کند.در اینجا نیز، موتور جستجو آستانه‌هایی (Thresholds) را تعریف می‌کند:اگر امتیاز نرمال‌شده از یک آستانه مثبت بزرگتر باشد: احتمالاً عضو یک حلقه وب است. (پرچم قرمز)اگر امتیاز نرمال‌شده از یک آستانه منفی بزرگتر (یعنی خیلی منفی) باشد: احتمالاً هدف یک لینک فارم است. (پرچم قرمز)اگر امتیاز در محدوده نرمال باشد: صفحه احتمالاً سالم است. (چراغ سبز)اهمیت برای سئو: این گام، مرحله قضاوت است. اینجا مشخص می‌شود که کدام سایت‌ها از خط قرمز عبور کرده‌اند. این به متخصصان سئو می‌گوید که هدف باید نگه داشتن "امتیاز بی‌ثباتی" در محدوده قابل قبول باشد. کمی نوسان طبیعی است، اما عبور از آستانه‌های الگوریتم منجر به جریمه خواهد شد. استراتژی سئو باید بر روی ایجاد پروفایل‌های لینکی متمرکز باشد که به طور ذاتی پایدار هستند.۴. گام ۷۰۲: ترکیب مقادیر چندگانه مشتق(Combining Multiple Derivative Values)هدف اصلی: افزایش دقت و قابلیت اطمینان تشخیص با بررسی رفتار صفحه در شرایط مختلف و جلوگیری از دور زدن الگوریتم.تشریح مفهومی (آنالوژی تست در شرایط مختلف):به جای انجام فقط یک "تست استرس" (گام ۵۰۸) در یک نقطه خاص، این گام پیشنهاد می‌دهد که چندین تست در نقاط مختلف انجام شود. مانند تست کردن یک خودرو نه فقط در یک جاده صاف، بلکه در جاده خاکی، در سربالایی و در هوای بارانی.در اینجا، الگوریتم مشتق را برای چندین مقدار مختلف از ضریب c (مثلاً در c=0.7, c=0.8 و c=0.9) محاسبه می‌کند. سپس نتایج این تست‌ها را با هم ترکیب می‌کند (مثلاً با گرفتن میانگین).اگر یک صفحه در تمام این شرایط رفتاری ناپایدار و اسپم‌گونه از خود نشان دهد، الگوریتم با اطمینان بسیار بیشتری می‌تواند آن را اسپم تشخیص دهد. یک نتیجه غیرعادی در یک تست ممکن است تصادفی باشد، اما نتایج غیرعادی مداوم در چندین تست، یک الگوی قطعی را نشان می‌دهد.اهمیت برای سئو: این بهینه‌سازی، سیستم را در برابر فریبکاری مقاوم‌تر می‌کند. یک سئوکار ممکن است تلاش کند پروفایل لینک خود را طوری مهندسی کند که دقیقاً در یک مقدار خاص از c (که حدس می‌زند گوگل استفاده می‌کند) پایدار به نظر برسد. این روش چند-نقطه‌ای، چنین استراتژی‌هایی را بی‌اثر می‌کند. پیام آن واضح است: پروفایل لینک شما باید به طور کلی و ذاتی سالم و پایدار باشد، نه اینکه فقط برای یک سناریوی خاص بهینه شده باشد. این امر بر اهمیت ایجاد یک پروفایل لینک متنوع و ارگانیک که در هر شرایطی طبیعی رفتار کند، تاکید مضاعف دارد. محمد داداش زاده محمد داداش زاده Fri, 27 Jun 2025 03:53:24 +0330 https://virgool.io/@dadashzadeh/natural-language-inference-%DB%8C%D8%A7-textual-entailment-ub1kptvevzvm nli چیستNLI (مخفف Natural Language Inference) یا استنتاج زبان طبیعی TE (مخفف textual entailment ) یکی از وظایف اساسی و مهم در حوزه پردازش زبان طبیعی (NLP) است. هدف اصلی NLI این است که بفهمیم آیا یک جمله (به نام فرضیه) از روی یک جمله دیگر (به نام پیش‌فرض) نتیجه‌گیری می‌شود، تناقض دارد یا بی‌ارتباط است. به عبارت ساده‌تر، NLI به مدل‌های یادگیری ماشین کمک می‌کند تا رابطه منطقی بین دو جمله را تشخیص دهند.در NLI، معمولاً سه نوع رابطه اصلی بین دو جمله در نظر گرفته می‌شود:Entailment (استنتاج / نتیجه‌گیری):جمله دوم (فرضیه) به طور منطقی از جمله اول (پیش‌فرض) نتیجه می‌شود.پیش‌فرض: علی به کتابخانه رفت.فرضیه: علی از خانه بیرون رفت.نتیجه: Entailment (فرضیه از پیش‌فرض نتیجه می‌شود).Contradiction (تناقض):پیش‌فرض: علی به کتابخانه رفت.فرضیه: علی در خانه ماند.نتیجه: Contradiction (فرضیه با پیش‌فرض در تناقض است).Neutral (خنثی / بی‌ارتباط):پیش‌فرض: علی به کتابخانه رفت.فرضیه: علی برای خرید به فروشگاه رفت.نتیجه: Neutral (فرضیه هیچ ارتباط منطقی با پیش‌فرض ندارد).نمونه دیتاست ها با ساختار های دیگه : pair, pair-class, pair-score, tripletfrom sentence_transformers import CrossEncoder model = CrossEncoder(&quotcross-encoder/nli-deberta-v3-base&quot) scores = model.predict([ (&quotA man is eating pizza&quot, &quotA man eats something&quot), (&quotA black race car starts up in front of a crowd of people.&quot, &quotA man is driving down a lonely road.&quot), ]) # Convert scores to labels label_mapping = [&quotcontradiction&quot, &quotentailment&quot, &quotneutral&quot] labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)] # => ['entailment', 'contradiction']چالش‌های NLIابهام زبانی:جملات ممکن است چندین معنا داشته باشند و تشخیص رابطه منطقی دشوار شود.نیاز به دانش زمینه‌ای:گاهی برای تشخیص رابطه بین دو جمله باید دانش زمینه‌ای (مانند اطلاعات عمومی یا دانش تخصصی) وجود داشته باشد.زبان‌های غیر انگلیسی:بسیاری از مدل‌ها و داده‌ها برای زبان انگلیسی توسعه داده شده‌اند و زبان‌هایی مانند فارسی داده‌های کمتری دارند.SNLI (Stanford Natural Language Inference)SNLI یکی از اولین و معروف‌ترین مجموعه‌داده‌ها برای وظیفه NLI است. این مجموعه داده توسط دانشگاه استنفورد ساخته شده و به صورت گسترده‌ای در تحقیقات اولیه NLI استفاده شده است.ویژگی‌ها:ساختار داده: شامل سه برچسب (labels):Entailment (استنتاج): جمله دوم منطقی از جمله اول نتیجه می‌شود.Contradiction (تناقض): جمله دوم با جمله اول در تناقض است.Neutral (خنثی): جمله دوم نه نتیجه منطقی جمله اول است و نه در تناقض با آن.منبع داده: جملات از مجموعه تصاویر Flickr30k (توصیف تصاویر).چالش‌ها: بیشتر جملات ساده و مستقیم هستند و نیاز به دانش زمینه‌ای یا استدلال پیچیده ندارند.MNLI (Multi-Genre Natural Language Inference)MNLI نسخه پیشرفته‌تر SNLI است که شامل داده‌هایی از حوزه‌ها (ژانرهای) مختلف است. این مجموعه برای بررسی عملکرد مدل‌ها در شرایط مختلف و داده‌های متنوع‌تر طراحی شده است.ویژگی‌ها:ژانرها: شامل 10 ژانر مختلف مانند:Government: متون مرتبط با دولت.Fiction: داستان‌نویسی.Telephone: مکالمات تلفنی.Travel: متون مرتبط با سفر.و غیره.ساختار داده: مشابه SNLI با سه برچسب (Entailment, Contradiction, Neutral).چالش‌ها: داده‌ها پیچیده‌تر و متنوع‌تر از SNLI هستند و گاهی نیاز به استدلال عمیق یا دانش زمینه‌ای دارند.تفاوت با SNLI:MNLI شامل داده‌هایی از ژانرهای مختلف است و برای ارزیابی تطبیق مدل در شرایط متنوع طراحی شده است.SNLI عمدتاً روی داده‌های ساده و محدود تمرکز دارد.ANLI (Adversarial Natural Language Inference)ANLI یک مجموعه داده پیشرفته‌تر است که برای چالش‌برانگیزتر کردن وظیفه NLI طراحی شده است. این مجموعه به صورت ادورسری (Adversarial) ساخته شده است، به این معنا که جملاتی طراحی شده‌اند که مدل‌های NLI موجود را به چالش بکشند.ویژگی‌ها:ساختار داده: مشابه SNLI و MNLI، شامل سه برچسب (Entailment, Contradiction, Neutral).روش ساخت: جملات به صورت نیمه‌خودکار و توسط انسان طراحی شده‌اند تا مدل‌های موجود را شکست دهند.چالش‌ها:جملات پیچیده‌تر، مبهم‌تر و نیازمند دانش زمینه‌ای بیشتری هستند.بسیاری از جملات برای فریب دادن مدل‌ها ساخته شده‌اند.تفاوت با SNLI و MNLI:ANLI بسیار سخت‌تر از SNLI و MNLI است و جملات آن به گونه‌ای طراحی شده‌اند که مدل‌های معمولی NLI به راحتی در آن شکست می‌خورند.تمرکز ANLI روی ارزیابی مدل‌ها در برابر حملات ادورسری است.XNLI (Cross-lingual Natural Language Inference)XNLI نسخه چندزبانه از وظیفه NLI است. این مجموعه داده برای بررسی توانایی مدل‌ها در انجام استنتاج زبان طبیعی در زبان‌های مختلف طراحی شده است.ویژگی‌ها:زبان‌ها: شامل 15 زبان مختلف از جمله:انگلیسی، فرانسوی، اسپانیایی، آلمانی، عربی، چینی، هندی، کره‌ای، ترکی، و فارسی.ساختار داده: جملات از MNLI گرفته شده و به زبان‌های دیگر ترجمه شده‌اند.چالش‌ها: بررسی توانایی مدل‌ها در تطبیق بین زبان‌ها (Cross-lingual Transfer) و درک داده‌های چندزبانه.تفاوت با SNLI، MNLI و ANLI:XNLI روی چندزبانه بودن تمرکز دارد، در حالی که SNLI، MNLI و ANLI فقط برای زبان انگلیسی طراحی شده‌اند.XNLI شامل داده‌هایی است که از MNLI گرفته شده‌اند و به زبان‌های دیگر ترجمه شده‌اند. محمد داداش زاده محمد داداش زاده Thu, 17 Apr 2025 00:24:10 +0330 https://virgool.io/google-patent/google-processing-autocomplete-suggestions-tfsnusrchrft در این محتوا قصد دارم راجب پتنت US8713042B1 (Processing autocomplete suggestions) توضیح بدم و برسی کامل روش انجام بدم:این پتنت به GOOGLE LLC اختصاص داده شده است.https://patents.google.com/patent/US8713042B1/en :2012-10-11 Application filed by Google LLC | 2032-10-13 Adjusted expirationنکته: موضوع پتنت معماری server-side محور است و تمرکز آن بر الگوریتم‌های پردازشی و سیستم امتیازدهی است. مقدمه:این پتنت درباره سیستمی است که وقتی شما در گوگل شروع به تایپ می‌کنید، به شما پیشنهادهایی می‌دهد (Google Suggest). این سیستم از 8 بخش مختلف تشکیل شده که هر کدام وظیفه خاصی دارند.در قلب این سیستم، یک موتور جستجو قرار دارد که با پایگاه داده بزرگی در ارتباط است. وقتی شما شروع به تایپ می‌کنید، هر حرفی که می‌نویسید به این موتور جستجو فرستاده می‌شود. موتور جستجو بلافاصله شروع به پیدا کردن کلمات و عباراتی می‌کند که ممکن است شما قصد نوشتن آنها را داشته باشید.این سیستم می‌تواند روی انواع مختلف دستگاه‌ها کار کند - از کامپیوتر شخصی گرفته تا گوشی هوشمند و تبلت. مهم نیست از چه دستگاهی استفاده می‌کنید، سیستم خودش را با اندازه صفحه نمایش و نوع ورودی شما تطبیق می‌دهد.نکته جالب اینجاست که سیستم فقط به دنبال کلمات کامل نمی‌گردد. حتی وقتی شما فقط یک یا دو حرف تایپ می‌کنید، سیستم می‌تواند حدس بزند که احتمالاً دنبال چه چیزی می‌گردید. این کار را با بررسی میلیون‌ها جستجوی قبلی که دیگر کاربران انجام داده‌اند، انجام می‌دهد.برای هر پیشنهادی که سیستم می‌دهد، یک امتیاز در نظر گرفته می‌شود. این امتیاز بر اساس عواملی مثل تعداد دفعاتی که دیگران این کلمه را جستجو کرده‌اند، چقدر جدید است، و چقدر با چیزی که شما تایپ کرده‌اید مرتبط است، تعیین می‌شود.وقتی پیشنهادها آماده شدند، سیستم آنها را به ترتیب امتیازشان مرتب می‌کند و بهترین‌ها را به شما نشان می‌دهد. این پیشنهادها معمولاً در یک منوی کشویی زیر جعبه جستجو نمایش داده می‌شوند. شما می‌توانید با کلیک کردن روی هر کدام از آنها، آن پیشنهاد را انتخاب کنید.نکته مهم دیگر این است که سیستم به طور مداوم در حال یادگیری است. از انتخاب‌های کاربران یاد می‌گیرد و پیشنهادهایش را بهتر می‌کند. به همین دلیل است که با گذشت زمان، پیشنهادهای دقیق‌تر و مرتبط‌تری به شما می‌دهد.این سیستم همچنین می‌تواند تشخیص دهد که آیا شما جستجویتان را تمام کرده‌اید یا نه. برای مثال، اگر دکمه جستجو را بزنید یا کلید Enter را فشار دهید، سیستم می‌فهمد که جستجوی شما کامل شده است.هدف نهایی این سیستم، صرفه‌جویی در وقت شماست. به جای اینکه مجبور باشید تمام کلمه یا عبارت را تایپ کنید، می‌توانید با تایپ چند حرف اول و انتخاب از بین پیشنهادها، سریع‌تر به نتیجه برسید.این سیستم (گوگل ساجست) به طور مداوم در حال به‌روزرسانی و بهبود است و هر روز هوشمندتر می‌شود تا بتواند پیشنهادهای بهتری به کاربران ارائه دهد.برسی نحوه عملکرد با شرح تصویر:شکل ۱: نمودار بلوکی از یک محیط نمونه که در آن پیاده‌سازی روش پردازش پیشنهادهای تکمیل خودکار می‌تواند اجرا شود.دستگاه کاربر (شماره 130)موتور جستجو (شماره 105)پایگاه داده محتوا (شماره 115)موتور پیشنهادات خودکار (شماره 110)پردازشگر پیشنهادات (شماره 120)شبکه ارتباطی (شماره 101)همه این اجزا با هم در ارتباط هستند و یک چرخه کامل را تشکیل می‌دهند.شکل ۲: نمودار جریانی که روش نمونه تعیین پیشنهادهای تکمیل خودکار، تعیین امتیازها برای پیشنهادهای تکمیل خودکار و مرتب‌سازی پیشنهادهای تکمیل خودکار را نشان می‌دهد.200 - دریافت اولیه: شناسایی تعدادی از پیشنهادات تکمیل خودکار و امتیازهای مربوط به این پیشنهادات برای یک پرسش جزئی.205 - تولید پیشنهادات: تولید پیشنهادات اضافی برای پیشنهادات تکمیل خودکار به‌دست‌آمده که دارای چندین واژه هستند.210 - امتیازدهی: تخصیص امتیازهای اضافی به پیشنهادات اضافی.215 - گروه‌بندی: شناسایی گروه‌هایی از ورودی‌های مشابه در میان پیشنهادات اضافی و پیشنهادات تکمیل خودکار شناسایی‌شده.220 - تجمیع امتیازها: تعیین یک امتیاز تجمیع‌شده برای هر یک از گروه‌های ورودی‌های مشابه.225 - مرتب‌سازی: مرتب‌سازی پیشنهادات تکمیل خودکار و پیشنهادات اضافی بر اساس امتیازهای آن‌ها.شکل ۳الف: فهرست نمونه‌ای از پیشنهادهای تکمیل خودکار و امتیازهای متناظر آنها برای یک پرس‌وجو.شکل ۳ب: فهرست پیشنهادهای تکمیل خودکار شکل ۳الف، به همراه پیشنهادهای تکمیل خودکار اضافی تولید شده و امتیازهای متناظر آنها.شکل ۳: فهرست پیشنهادهای تکمیل خودکار شکل ۳ب، همراه با گروه‌های ورودی‌های مشابه و امتیازهای ترکیب شده متناظر آنها.تصویر 3A - لیست پیشنهادات اولیه:پیشنهادات و امتیازها:تعطیلات (vacation): 4.0ویدیو (video): 2.0تاکستان (vineyard): 2.5مقصد تعطیلات: 3.6نرم‌افزار ویرایش ویدیو: 2.1تاکستان در دره ناپا: 1.0تعطیلات تاکستان در توسکانی: 1.0تصویر 3B - پیشنهادات گسترش یافته:پیشنهادات با امتیازهای جدید:تعطیلات: 4.0ویدیو: 2.0تاکستان: 2.5مقصد تعطیلات: 3.6تعطیلات [از مقصد]: 3.6ویرایش ویدیو: 2.1ویدیو: 2.1تاکستان در: 1.0تصویر 3C - پیشنهادات نهایی و تجمیع شده:نتایج نهایی با امتیازهای تجمیعی:تعطیلات: 10.8ویدیو: 4.1تاکستان: 3.5مقصد تعطیلات: 3.6ویرایش ویدیو: 2.1تاکستان در: 2.5شکل ۴: نمودار جریانی که روش نمونه تعیین اینکه کدام پیشنهادهای تکمیل خودکار برای نمایش روی دستگاه محاسباتی ارائه شوند را نشان می‌دهد.· مرحله 400: دریافت فهرستی از پیشنهادات تکمیل خودکار و امتیازهای مربوط به آن‌ها برای یک پرسش.· مرحله 405: شناسایی داده‌های نمایش صفحه که نشان‌دهنده تعداد پیشنهادات تکمیل خودکار است که باید به‌طور همزمان نمایش داده شوند.· مرحله 410: شناسایی یک پیشنهاد تکمیل خودکار در فهرست که دارای یک پیشنهاد تکمیل خودکار طولانی‌تر مربوطه در فهرست است.· مرحله 415: تعیین اینکه آیا باید پیشنهاد تکمیل خودکار شناسایی‌شده را به عنوان یک پیشنهاد تکمیل خودکار نمایش داد و آیا باید پیشنهاد تکمیل خودکار طولانی‌تر مربوطه را نیز به عنوان یک پیشنهاد تکمیل خودکار نمایش داد.· مرحله 420: ارائه پیشنهاد تکمیل خودکار شناسایی‌شده و/یا پیشنهاد تکمیل خودکار طولانی‌تر برای نمایش.شکل ۵: نمودار جریانی که یک روش نمونه دیگر برای تعیین اینکه کدام پیشنهادهای تکمیل خودکار برای نمایش روی دستگاه محاسباتی ارائه شوند را نشان می‌دهد.مرحله ۵۰۰: سوال اولسیستم بررسی می‌کند که آیا پیشنهاد ورودی فقط یک کلمه است؟مرحله ۵۰۵: مسیر "بله"اگر پیشنهاد فقط یک کلمه باشدبدون هیچ شرط دیگری، مستقیماً آن را به لیست نمایش اضافه می‌کندمرحله ۵۱۰: مسیر "خیر" و سوال دوماگر پیشنهاد بیش از یک کلمه استسیستم بررسی می‌کند که آیا طولانی‌ترین پیشوند این پیشنهاد در لیست نمایش موجود استو اگر هست، آیا فاصله‌اش تا انتهای لیست کمتر از "X ضربدر تعداد صفحات" است؟مثال: اگر X=2 و هر صفحه 5 مورد دارد، یعنی حداکثر 10 مورد بالاتر قابل قبول استمرحله ۵۱۵: سوال سوماگر شرط مرحله ۵۱۰ برقرار بودسیستم امتیاز پیشنهاد فعلی را با امتیاز طولانی‌ترین پیشوند مقایسه می‌کندبررسی می‌کند که آیا امتیاز پیشنهاد حداقل Y درصد امتیاز پیشوند است؟مثال: اگر Y=80، یعنی امتیاز پیشنهاد باید حداقل 80% امتیاز پیشوند باشدمرحله ۵۲۰ و ۵۲۵: اقدامات نهایی مسیر مثبتاگر همه شرایط بالا برقرار بود:پیشنهاد جدید به لیست نمایش اضافه می‌شود (۵۲۰)سپس طولانی‌ترین پیشوند از لیست حذف می‌شود (۵۲۵)مرحله ۵۳۰: مسیر "خیر"اگر هر کدام از شرط‌های بالا برقرار نبودپیشنهاد فعلی به لیست اضافه نمی‌شودمثال عملی:- X = 2 (یعنی حداکثر دو برابر طول صفحه)- Y = 80 (یعنی حداقل 80% امتیاز)- پیشنهاد: "هتل های پاریس"- پیشوند موجود در لیست: "هتل های"اگر:1. "هتل های" در فاصله مناسبی از انتهای لیست باشد2. امتیاز "هتل های پاریس" حداقل 80% امتیاز "هتل های" باشدنتیجه:- "هتل های پاریس" اضافه می‌شود- "هتل های" حذف می‌شودشکل ۶: نمای جزئی از یک تصویر صفحه نمایش محیط نمونه که می‌تواند برای ارائه نتایج پیشنهادهای تکمیل خودکار به کاربر استفاده شود.شکل ۷: نمای جزئی دیگری از یک تصویر صفحه نمایش محیط نمونه که می‌تواند برای ارائه نتایج پیشنهادهای تکمیل خودکار به کاربر استفاده شود.شکل ۶ (نمای عمودی): کل نمای رابط کاربری۶۰۰ : کادر جستجو که با حرف "v" شروع شدلیست پیشنهادات به صورت عمودی:1. ویدیو2. مقصد تعطیلات3. داستان‌های خون‌آشام4. موتورهای جستجوی تعطیلات5. تاکستان در ناپا6. تعطیلات در تاکستانشکل ۷ (نمای افقی): کل نمای رابط کاربری۷۰۰: نمایش افقی نتایج جستجو برای حرف "v"- چهار نتیجه در یک ردیف:۷۲۰الف: ویدیو۷۲۰ب: مقصد تعطیلات۷۲۰داستان‌های خون‌آشام۷۲۰د: موتورهای جستجوی تعطیلاتشکل ۸: نمودار بلوکی از یک سیستم کامپیوتری نمونه.برسی معماری ذخیره‌سازی:نکته : این بخش فرضیه ایی بر اساس متن های پتنت است.سیستم از یک معماری چند لایه‌ای پیچیده تشکیل شده که در لایه اصلی ذخیره‌سازی، تمام اطلاعات مربوط به جستجوها شامل شناسه یکتا، متن جستجو، زمان، اطلاعات کاربر، موقعیت جغرافیایی، و آمار تعامل ذخیره می‌شود. این داده‌ها با جدول پیشنهادات جستجو که شامل پیشوندها، متن‌های پیشنهادی کامل، امتیازات و فرکانس‌های استفاده است، ترکیب می‌شود. جدول آمار جستجو نیز داده‌های تجمعی شامل تعداد کل، میانگین‌های روزانه و روندهای هفتگی را نگهداری می‌کند.در لایه ارتباطات، سیستم روابط بین جستجوها را با ثبت جستجوهای مرتبط، نوع ارتباط و وزن آن مدیریت می‌کند و همزمان دسته‌بندی جستجوها را با الگوها و امتیازات اطمینان نگه می‌دارد. لایه کش و بهینه‌سازی با استفاده از هش پیشوندها، پیشنهادات پرکاربرد را در حافظه نگه می‌دارد و جستجوهای محبوب را با امتیازات محبوبیت و فرکانس به‌روزرسانی مدیریت می‌کند.لایه زبان و منطقه، مدیریت جستجوها در زبان‌ها و مناطق مختلف را بر عهده دارد و شامل نرمال‌سازی متون و تحلیل روندهای منطقه‌ای است. لایه تحلیلی با ثبت الگوهای جستجو و رفتار کاربران، داده‌های عمیق‌تری برای تحلیل و بهبود سیستم فراهم می‌کند.سیستم از ویژگی‌های کلیدی مانند پارتیشن‌بندی (زمانی، جغرافیایی و زبانی)، ایندکس‌گذاری چندسطحی و مکانیزم‌های بهینه‌سازی بهره می‌برد. مکانیزم‌های کلیدی شامل به‌روزرسانی‌های آنی و دوره‌ای، انواع مختلف جستجو (پیشوندی، فازی و معنایی) و سیستم‌های رتبه‌بندی پیشرفته است.امنیت سیستم با مکانیزم‌های کنترل دسترسی، محدودیت‌های جغرافیایی و زمانی، و سیستم‌های پشتیبان‌گیری تضمین می‌شود. مکانیزم‌های نگهداری شامل پاکسازی خودکار داده‌های قدیمی، بهینه‌سازی فضا و سیستم‌های مانیتورینگ جامع است که عملکرد، خطاها و دسترسی‌ها را پایش می‌کنند.این معماری پیچیده به سیستم اجازه می‌دهد تا میلیاردها جستجو را در روز پردازش کند، پیشنهادات را در کمتر از 100 میلی‌ثانیه ارائه دهد، و همزمان امنیت، کارایی و قابلیت اطمینان بالا را حفظ کند. سیستم به صورت مداوم خود را با الگوهای جدید جستجو تطبیق می‌دهد و با استفاده از داده‌های تحلیلی، کیفیت پیشنهادات را بهبود می‌بخشد.سوالات متداول:آیا امتیازدهی پیشنهادات بر اساس رفتار کاربران قبلی است؟بله. سیستم از "لیست جستجوهای گذشته کاربران" و "پرس و جوهای تولید شده خودکار" استفاده می‌کند و امتیازها بر اساس میزان محبوبیت و استفاده قبلی تعیین می‌شوند.چگونه سیستم با کلمات مرکب مثل "new york" برخورد می‌کند؟سیستم از "قوانین یکسان‌سازی" استفاده می‌کند که کلمات مرکب رایج را به عنوان یک واحد در نظر می‌گیرد. مثلاً فاصله بین "new" و"york" به عنوان مرز کلمه شناخته نمی‌شود.آیا stop words در پیشنهادات تأثیر دارند؟بله. سیستم از لیستی از stop words استفاده می‌کند و از ایجاد پیشنهادات اضافی در مرز این کلمات جلوگیری می‌کند. مثلاً برای کلماتی مثل"and" و "of".نحوه اولویت‌بندی پیشنهادات طولانی‌تر نسبت به کوتاه‌تر چگونه است؟اگر امتیاز پیشنهاد طولانی‌تر حداقل Y% (معمولاً بین 25% تا 33%) امتیاز پیشنهاد کوتاه‌تر باشد، ممکن است به جای آن نمایش داده شود.آیا سیستم از stemming استفاده می‌کند؟بله، در بخش قوانین یکسان‌سازی از stemming برای شناسایی و تجمیع موارد مشابه استفاده می‌شود.چگونه سیستم با دستگاه‌های مختلف (موبایل/دسکتاپ) سازگار می‌شود؟سیستم از page display data استفاده می‌کند که شامل اطلاعات اندازه صفحه، رزولوشن و جهت صفحه است و پیشنهادات را متناسب با آن تنظیم می‌کند.آیا سیستم از real-time suggestions پشتیبانی می‌کند؟بله، علاوه بر پیشنهادات ذخیره شده، سیستم قابلیت تولید پیشنهادات real-time را نیز دارد.نحوه مدیریت synonyms چگونه است؟سیستم می‌تواند کلمات و عبارات مشابه (مثل مترادف‌ها یا اصلاحات املایی) را در پیشنهادات لحاظ کند.چگونه سیستم امتیازهای تجمیعی را محاسبه می‌کند؟امتیاز تجمیعی از جمع امتیازهای فردی پیشنهادات مشابه محاسبه می‌شود. مثلاً اگر"video" سه بار با امتیازهای 2.0، 2.1 و 1.5 ظاهر شود، امتیاز تجمیعی آن 5.6 خواهد بود.آیا ترتیب کلمات در پیشنهادات مهم است؟بله، سیستم به ترتیب کلمات حساس است و پیشنهادات را بر اساس کلمه اول و کلمات متوالی بعدی تجزیه می‌کند.نحوه مدیریت پیشنهادات چند زبانه چگونه است؟پتنت مستقیماً به این موضوع اشاره نکرده، اما سیستم می‌تواند برای هر زبان مجموعه قوانین یکسان‌سازی و stop words مخصوص داشته باشد.آیا فرکانس به‌روزرسانی پیشنهادات قابل تنظیم است؟بله، سیستم می‌تواند در حالت real-time یا offline کار کند و فرکانس به‌روزرسانی بر اساس نیاز قابل تنظیم است.چگونه سیستم با عبارات تخصصی یا اصطلاحات خاص برخورد می‌کند؟سیستم می‌تواند از لیست‌های اصطلاحات خاص استفاده کند و آنها را به عنوان یک واحد در نظر بگیرد، مشابه رفتار با "new york".تأثیر سرعت تایپ کاربر در پیشنهادات چیست؟سیستم می‌تواند بر اساس وقفه‌های بین کاراکترها عمل کند و در صورت مکث طولانی‌تر کاربر، آن را به عنوان پایان query در نظر بگیرد.آیا سیستم می‌تواند رفتار فصلی یا زمانی را در نظر بگیرد؟اگرچه مستقیماً ذکر نشده، اما سیستم می‌تواند از طریق به‌روزرسانی مداوم امتیازها بر اساس رفتار کاربران، روندهای فصلی را منعکس کند.نحوه مدیریت پیشنهادات برای عبارات منفی چگونه است؟سیستم می‌تواند علائم خاص مثل "-" را شناسایی کند و پیشنهادات را متناسب با آن تنظیم کند.آیا سیستم می‌تواند پیشنهادات را بر اساس موقعیت جغرافیایی شخصی‌سازی کند؟اگرچه در پتنت مستقیماً اشاره نشده، اما سیستم می‌تواند از داده‌های موقعیتی برای شخصی‌سازی پیشنهادات استفاده کند.آیا سیستم می‌تواند پیشنهادات را بر اساس دسته‌بندی موضوعی ارائه دهد؟بله، سیستم می‌تواند پیشنهادات را بر اساس دسته‌بندی‌های موضوعی گروه‌بندی و امتیازدهی کند.مقایسه پتنت US8700653B2 با US8713042B1 :تفاوت‌های بنیادی این دو پتنت را می‌توان در چند محور اصلی بررسی کرد. پتنت (Predictive query completion and predictive search results) US8700653B2 عمدتاً بر روی رابط کاربری و مکانیزم تعاملی تمرکز دارد، جایی که هدف اصلی آن ایجاد یک تجربه کاربری یکپارچه در فرآیند جستجو است. این پتنت توضیح می‌دهد چگونه دستگاه کاربر (client device) یک رابط جستجو را با قابلیت ورود کوئری ایجاد می‌کند و چطور کاراکترهای وارد شده را به سرویس جستجو به عنوان درخواست پیشنهاد ارسال می‌کند. نکته قابل توجه این است که این پتنت روی نمایش نتایج جستجو به صورت مستقل از انتخاب کاربر تمرکز دارد، یعنی حتی قبل از اینکه کاربر یک پیشنهاد را انتخاب کند یا جستجوی کامل را ارسال کند، نتایج مرتبط نمایش داده می‌شوند.در مقابل، پتنت (Processing autocomplete suggestions) US8713042B1 بیشتر بر روی مکانیزم‌های پشت صحنه و پردازش پیشنهادهای خودکار تمرکز دارد. این پتنت به جای تمرکز بر نحوه نمایش، روی نحوه تولید و پردازش پیشنهادهای تکمیل خودکار تأکید می‌کند. یکی از ویژگی‌های کلیدی این پتنت، توانایی آن در تولید پیشنهادهای اضافی برای عبارات چند کلمه‌ای و تعیین امتیاز برای این پیشنهادهات است. همچنین، این پتنت شامل مکانیزمی برای شناسایی و ترکیب موارد مشابه در بین پیشنهادها و ایجاد یک امتیاز ترکیبی برای هر مورد تجمیع شده است.خلاصه از تفاوت‌های کلیدی :هدف و تمرکز:US8700653B2: تمرکز بر تجربه کاربری و نمایش نتایج پیش‌بینانهUS8713042B1: تمرکز بر الگوریتم‌های پردازشی و سیستم امتیازدهیلایه عملکردی:US8700653B2: عملکرد در لایه رابط کاربری (Front-end)US8713042B1: عملکرد در لایه پردازشی (Back-end)مکانیزم اصلی:US8700653B2: پیش‌بینی و نمایش نتایج قبل از تکمیل جستجوUS8713042B1: پردازش و ترکیب پیشنهادهای خودکارخروجی نهایی:US8700653B2: نمایش نتایج جستجو به صورت پیش‌بینانهUS8713042B1: تولید و رتبه‌بندی پیشنهادهای بهینه‌شدهنوآوری اصلی:US8700653B2: ارائه نتایج بدون نیاز به تکمیل یا انتخاب کوئریUS8713042B1: سیستم هوشمند ترکیب و امتیازدهی پیشنهادهااین دو پتنت در واقع مکمل یکدیگر هستند و با هم یک سیستم جامع برای بهبود تجربه جستجوی کاربر ایجاد می‌کنند. در حالی که یکی روی بهینه‌سازی تعامل کاربر تمرکز دارد، دیگری روی بهبود کیفیت و دقت پیشنهادها متمرکز است. ترکیب این دو فناوری منجر به ایجاد یک سیستم جستجوی پیشرفته و کاربرپسند می‌شود که هم سرعت و هم دقت بالایی دارد. محمد داداش زاده محمد داداش زاده Sun, 01 Dec 2024 20:31:37 +0330