针对同一主题使用不同的本机应用程序
该专利显示，有时多个原生应用可以覆盖相同的主题或任务。它们可能包括：
- 向同一收件人发送一系列多条消息
- 向不同收件人发送的与同一主题相关的一组多条消息
- 一组与同一主题
或类似主题相关的几种不同类型的应用内容元素
与同一任务相关的多个本机应用资 whatsapp 筛查 产的内容可能涉及相同的目的、目标或类似内容。例如，去意大利旅行。这些可能包括：
- 通过旅行应用程序预订飞往意大利的航班
通过旅行应用程序预订罗马的酒店（相同或不同的旅行应用程序均可） - 使用 Trip Mentor 应用程序查看旅行目的地描述
- 使用搜索引擎搜用垂直搜索罗马的餐馆或专卖店（例如冰咖啡店）
- 发送有关用户想在罗马参观的专卖店（例如冰淇淋咖啡馆）的消息
- 即时通讯用户的配偶
可以汇集这些大量的信息，然后用来生成 亚马逊将在欧洲投资 7 亿欧元开发机器人和人工智能技术 聚类特征向量。或者可以根据原生应用内容的文本识别的实体生成聚类特征向量。
这些可能包括以下特点：
- 联系人姓名
- 非接触人员姓名
- 地名
- 国家名称
- 城市名称
- 公司名用垂直搜称
- 相似的
还可以收集有关各种本机应用程序和 泰国数据 用垂直搜吸引用户的模式的使用情况的数据。
基于聚类特引
搜索引擎索引中存储的每个聚类特征向量可用于识别聚类特征向量所基于的本机应用内容元素（例如，消息）。
因此，除了基于 app 内容项执行关键字搜索之外，用户设备还可以使用搜索引擎对存储在搜索引擎索引中的聚类特征向量执行向量相似性搜索。
我们已经看到，不同的垂直搜索引擎使用不同的信号进行排名和索引。这个垂直应用搜索引擎使用聚类特征向量方法对来自不同本机应用的内容进行排名和索引。
该专利告诉我们这种搜索引擎如何工作，以及如何使用批处理方法在后台缓存或处理这些聚类特征向量的数据。这种类型的聚类特征向量方法有可能用于单个移动设备，并且这些聚类特征向量的实时生成可能需要大量计算，并且会消耗手机和平板电脑的大量电池。
然而，用于索引和用垂直搜分类内容的实时生成可以更加稳健和准确。它将包含有关与本机应用程序最近交互的数据。
结论
这款针对原生应用的垂直搜索引擎将成为现有 Google 搜索的一个很好的补充，并可以帮助移动用户搜索他们在应用程序中访问过的信息。我很高兴能够查找我计划的旅行信息和旅行安排。
我记得谷歌对移动设备机器学习的描述：联邦学习：没有集中训练数据的协作机器学习。
联合学习使手机能够协作学习共享的预测模型，同时将所有训练数据保留在设备上，从而将机器学习的能力与将数据存储在云端的需求分离。这超越了使用在移动设备上进行预测的本地模型（如移动视觉 API 和设备上的智能回复），还将模型训练带到了设备上。
特定应用垂直搜索引擎的一个问题是，它包含的数据严重依赖于用户与其移动设备的交互。人们到底有多希望这些信息被其他人看到或使用，这值得怀疑。
这让我想起了我在关于支持查询和预测的用用垂直搜户特定知识图谱的文章中 写的专利。
谷歌可以获取大量有关人们的数据。
对于使用它的人来说它可能真的很有用。
谷歌可能会为许多潜在用户收集过多的信息。
本文经 Bill Slawski 许可翻译并发布。原文地址