< P > ДОКУМЕНТ ДОКУМЕНТА Google ИССЛЕДОВАНИЯ АЛГОРИТМ, который раздает информацию о типе бизнес -работы -тегета для использования в картах Google и поиске.
< img width = "1600" height = "840" src = "https://www.searchenginejournal.com/wp-content/uploads/2025/06/06/googogle-local-search WP-POST-IMAGE "ALW =" FETCHPRIORITY = "HIGH" DECODING = "ASYNC" SRCSET = "https://www.searchengenginejournal.com/wp-content/uploads/2025555555 https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-local-search-355-480X252. https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-local-local-search-355-680x357.jpg 680w, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-local-local-search-search-3555-384x202.jpg 384w, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-local-local-search-355-768x403.jpg 768w, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-local-local-search-355-1024x538.jpg 1024w "Dimensions =" (Max-122:~ ~ < P > Google опубликовал исследовательскую работу, которая описывает, как она вытягивает & ldquo; Услуги предлагаются & Rdquo; Информация с местных бизнес -сайтов, чтобы добавить их в бизнес -профили в картах Google и поиске. Алгоритм описывает конкретные факторы релевантности и подтверждает, что система успешно используется в течение года.
< P > Что делает эту исследовательскую работу особенно заметной, так это то, что одним из авторов является Марк Наджорк, известный исследователь Google, который связан со многими этапами в поиске информации, естественных языков и искусственного интеллекта.
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < p >Цель этой системы состоит в том, чтобы облегчить пользователям найти местные предприятия, которые предоставляют услуги, которые они ищут. Документ был опубликован в 2024 году (в соответствии с информационным архивом) и датирован 2023 г.
< p >< em > Исследовательский документ объясняет:
< Block Flower >< P >& ldquo; & Хеллип; Чтобы уменьшить усилия пользователей, мы разработали и запустили конвейер для автоматического удаления типов бизнес -сайтов. Например, если веб -страница, принадлежащая сантехническому бизнесу: & ldquo; Мы предоставляем туалет и ремонт крана », – наш трубопровод отображает туалет и ремонт крана в качестве типов задач для этого бизнеса. < H2 > Система использует Bert < P > Google использовал модель языка BERT, чтобы классифицировать, имеют ли фразы с бизнес -сайтов реальные типы работы. Берт был точно настроен на маркированные примеры и предоставил дополнительный контекст, такой как структура веб -сайта, модели URL и категория бизнеса, чтобы повысить точность без жертв.
~ < H3 > Разработка локальной системы поиска < p >Первым шагом для создания системы для ползания и удаления информации о работе было создание учебных данных с нуля. Они выбрали миллиарды домашних страниц, перечисленных в профилях Google Business, и расширяют информацию о типе таблиц и форматированных списков на домашних страницах или страницах, которые были на одном щелчке на домашних страницах. Эти данные о типе работы стали семянным набором типов работы.
< P > Снятые задачи использовались в качестве поиска, дополненные расширением запросов (синонимов) для расширения списка типов работ, чтобы включить все возможные изменения в типе ключевого слова.
< H2 > Второй шаг: исправление задачи соответствия
< p > исследователи Google < p >< em > Исследовательский документ объясняет:
< blockquote >< p >& ldquo; Мы обнаружили, что во многих страницах упоминается имена типа работы для других целей, которые дают советы. Например, веб -страница, которая учит читателей сражаться с кроватями с кроватями, может содержать предложение в качестве решения, состоит в том, чтобы вызвать услуги по очистке дома, если вы найдете ошибки. Они обычно предоставляют такие услуги, как контроль кровати. Хотя на этой странице упоминаются несколько типов рабочих типов, страница не предоставлена домашним бизнесом. < P > Ограничение ползания и индексации для определения типов работы ключевого слова привело к ложным положительным результатам. Решением было включить предложения, которые окружали фразы ключевого слова, чтобы они могли лучше понять контекст типа ключевых слов.
< p >< em > успех использования окружающего текста объясняется: 0 ~/p > < Blockquote >< P > & ldquo; Как показано в таблице 2, Jobmodelsurround работает намного лучше, чем JobModel, что указывает на то, что окружающие слова могут действительно объяснить намерения упомянуть тип работы семян. Это успешно улучшает семантическое понимание, не обрабатывая весь текст каждой страницы, поддерживая эффективность наших моделей. < p >< Стронг >SEO Insight 0 ~ Br > Описанный алгоритм локального поиска сознательно исключает всю информацию на странице и неравномерно относится к типу работы ключевых слов и окружающих слов и фраз вокруг этих ключевых слов. Это показывает важность того, как слова вокруг важных ключевых слов могут обеспечить контекст фраз ключевых слов и облегчить Google & Rsquo; < p >< Strong > SEO Insight 0 ~ Br >Другое понимание заключается в том, что Google не индексирует всю веб -страницу с ограниченной целью определения типов ключевых слов. Алгоритм охотится за фразой ключевого слова и окружающих фраз ключевого слова.
< p >< Strong > SEO Insight 0 ~ Br > Концепция анализа только части страницы аналогична аннотации аннотации Google, где раздел контента определяется как основная тема страницы. Я & Rsquo; я не говорю, что они проблемы ' уродливый. Я & Rsquo; M Просто указываю на одну особенность многих, где нулевой алгоритм Google только на странице.
< p >< Стронг > См. < H2 > Система удаления может быть обобщена в других контекстах < P > Интересная открытие, подробно описанное в исследованиях, заключается в том, что их развитая система может использоваться в областях (домене), за исключением местных предприятий, таких как & ldquo; < p >< em > Они пишут: 0 >/p > < Block Flower >< P >& ldquo; Уроки, которые мы разделили при разработке крупномасштабного удаления царапины, могут быть обобщены по другим задачам с удалением информации или машинным обучением. У них есть прямые программы для задач домена, касающихся домена, которая является примером речи об экзамене, отмене юридической и медицинской информации.
< p > Три наиболее важных урока:
< p > (1) Использование свойств данных, таких как структурированный контент, может облегчить проблему аннотации холодных данных;
< P > (2) Сформулирование задачи в качестве проблемы поиска может помочь исследователям и практикующим лицам справиться с большим диапазоном данных;
< P > (3) Информация о контексте может улучшить качество модели, не жертвуя ее масштабируемостью. < H2 > Экстракт рабочего типа – это успех
< p >Исследовательская работа гласит, что их система успешна, она имеет высокий уровень точности (точность) и что это масштаб. Исследовательская работа заключается в том, что она использовалась в течение года. Исследование было датировано 2023 году, но, согласно онлайн -архиву (Machine Wayback), оно было опубликовано где -то в июле 2024 года.
< p >< em > Исследователи пишут: 0 >/p > < Blockquote >< P > & ldquo; Наш трубопровод периодически выполняется для обновления удлиненного контента. В настоящее время он разворачивается в производстве, а типы начальных задач направлены на миллионы пользователей поиска Google и карт. < H2 > Снятие < ul > < li >< Strong > Google & Rsquo; S Алгоритм, который вытягивает типы веб -страниц 0 ~ br >Google разработал алгоритм, который вытягивает & ldquo; Типы работы & Rdquo; (То есть предлагаемые услуги) с бизнес -сайтов для отображения в картах Google и поиске.< l >< Стронг > Трубопроводные извлечения из неструктурированного содержания 0 ~ Br > ~ > 62 > 62 Вместо того, чтобы полагаться на структурированные элементы HTML, алгоритм считывает содержание свободного текста, что делает его эффективным, даже когда услуги похоронены в пунктах.
< l >< Strong > Контекстуальная значимость важна 0 ~ br > Система оценивает окружающие слова, чтобы подтвердить, что термины, связанные с услугами < li >< Strong > Потенциал обобщения модели 0 ~ Br > Подход может быть применен к другим отраслям, таким как производство юридической или медицинской информации, показывая, как ее можно применять к другим типам знаний.
< l >< Стронг > Высокая точность и масштабируемость 0 ~ br > Система разворачивается более года и обеспечивает масштабированные, высокие результаты в миллиардах веб-страниц.
~ ~
< P > Google опубликовал исследовательскую работу по алгоритму, который автоматически раздает описания обслуживания с локальных веб -сайтов, анализируя фразы ключевого слова и их окружения, что позволяет более точные и современные списки в картах Google и поиске. Этот метод позволяет избежать зависимости от структуры HTML и может быть адаптирован для использования в других областях, где требуется информация о неструктурированной текстовой области.