# Патент Amazon на обобщение отзывов с помощью ИИ: от реакций пользователей к описанию товара

Технический разбор US12579565B1: двухэтапное обучение языковой модели, ранжирование отзывов, признаки товара и контекст для генерации обобщённого описания.

Source: https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation

ГЛАВНАЯ / Новости и аналитика Новости и аналитика Патент Amazon на обобщение отзывов с помощью ИИ: от реакций пользователей к описанию товара Технический разбор US12579565B1: двухэтапное обучение языковой модели, ранжирование отзывов, признаки товара и контекст для генерации обобщённого описания. Искусственный интеллект 2026.11.06 Опубликовано IPLEX Время чтения: 8 мин. Авторская концептуальная схема, разделяющая подготовку модели и генерацию с её помощью. Это не интерфейс Amazon и не результаты измерения эффективности. В патенте Amazon описано обучение языковой модели в два этапа: сначала на отзывах, ранжированных по реакциям пользователей, затем на отдельно отобранных качественных материалах. Подготовленная модель получает сведения о товаре и инструкцию, чтобы объединить несколько мнений в одном описании. На примере вымышленного кресла проследим связь между подготовкой обучающих данных и генерацией текста для покупателя. 1. Что искать среди многочисленных отзывов Представим выбор кресла для офиса. Одному покупателю удобно сиденье, другой отмечает жёсткую спинку. Рядом находятся жалобы на доставку и подробные советы по сборке. Даже после прочтения всех отзывов приходится отделять свойства изделия от условий доставки и личных предпочтений. Краткое обобщение помогает начать знакомство с отзывами. Однако частота выражения сама по себе не показывает, полезно ли оно для решения о покупке. Важно определить, чему должна учиться модель и какой контекст ей нужен для связного описания. Патент разделяет материалы для подготовки модели. Ранжированные отзывы дают сигналы о полезности объяснений, а проверенная подборка используется для дальнейшей настройки. Для генерации текста о конкретном товаре отдельно формируются его данные и задание. Различие между обучением и рабочим запросом проясняет архитектуру. 2. Как реакции и признаки товара становятся обучающими данными Сначала собираются отзывы о каждом товаре и реакции на эти отзывы. Сигналами могут служить отметки «полезно», положительные реакции или добавление товара в корзину после прочтения. В патенте описано объединение таких сигналов для оценки и ранжирования отзывов. Реакция на отзыв не равна звёздной оценке товара. Критический отзыв с конкретным объяснением недостатка может помочь другим покупателям. Ранг в обучающих данных характеризует полезность объяснения, а не только высокую оценку изделия. Одновременно готовятся признаки товара: материал, размеры, масса, тип. Для кресла это, например, материал подлокотников и ткань сиденья. Чтобы связать текст с обсуждаемой особенностью, нужны сведения и об отзыве, и о его объекте. Тексты и признаки можно преобразовать в числовые представления — эмбеддинги, с которыми работает модель. Сохранение связей между идентификатором товара, отзывами и признаками помогает не смешивать описания разных изделий. 3. Первый этап: обучение на полезных объяснениях Языковая модель создаёт текст по входным данным. Дополнительное обучение уже подготовленной модели для конкретной задачи называется дообучением, или fine-tuning. На первом этапе ранжированные отзывы и признаки товаров направляют модель к формированию обобщённого описания. Обучение с подкреплением учитывает вознаграждение или штраф за сгенерированный результат. Функция вознаграждения задаёт правила его оценки. Например, результат, близкий к полезному объяснению, может оцениваться выше. Реакции пользователей служат материалом для такой оценки. Можно использовать накопленные сервисом сигналы, не заказывая новую ручную разметку каждого примера. Но разработчик должен определить смысл каждого действия. В описании также рассматривается учёт числа просмотров вместе с оценками полезности. В описании приведён двухэтапный пример с проксимальной оптимизацией политики — PPO. Этот метод ограничивает изменение политики при отдельном обновлении. Основная последовательность состоит в оценке результата и соответствующем изменении внутренних параметров. PPO относится к раскрытому варианту реализации и не заменяет содержание всех пунктов формулы. 4. Второй этап: настройка той же модели на отобранных материалах После первого этапа используется отдельный набор качественных отзывов. Описание предусматривает ручной отбор и источники подробных обзоров. Материалом становятся содержательные объяснения, раскрывающие существенные характеристики товара. Отобранные отзывы и признаки соответствующих товаров используются для дальнейшего обучения той же модели. Начальной точкой служат параметры первого этапа. Так качество проверенных объяснений дополняет знания, полученные из более широкого корпуса отзывов. Качественный отзыв не обязательно хвалебный. Важны конкретность обсуждаемых свойств и качество изложения. Описание недостатков также может быть полезным. Если свести этот механизм к удалению отрицательных фраз, роль обучающих данных будет искажена. Эти этапы готовят модель. Они не означают, что обучение повторяется при каждом открытии обзора покупателем. Для уже подготовленной модели затем выполняется отдельный этап генерации по запросу. 5. Контекст и инструкция для вымышленного кресла При создании описания конкретного товара формируется промпт — вход модели. Патент объединяет предложения с контекстом товара и инструкцию о том, какой текст требуется получить. Контекст можно брать из описания товара, отобранных обзоров или полезных пользовательских отзывов. Индексирование позволяет находить материалы по товару. Также описан поиск предложений, относящихся к определённому признаку, с их последующим добавлением к инструкции. Пусть вымышленное кресло имеет деревянные подлокотники и тканевое сиденье. Придуманные отзывы сообщают об удобном сиденье, жёсткой спинке и задержке доставки. Это учебные примеры, а не реальные свидетельства покупателей. Для описания ощущений при сидении подойдут первые два предложения. Авторская иллюстрация выбора контекста на вымышленном товаре и придуманных отзывах. Она не содержит реальные отзывы или экран Amazon и не измеряет мнения всех пользователей. К контексту добавляется задание обобщить мнения о характеристиках товара. Иллюстративный результат может одновременно упомянуть удобство сиденья и жёсткость спинки. Такое описание сохраняет разные впечатления и не выдаёт их за единодушную оценку всех покупателей. Доставка выделена отдельно, поскольку это другая тема. В патенте также рассматривается обучение, позволяющее избегать содержания, не относящегося к самому товару. Предусмотрено обозначение текста как созданного ИИ, чтобы отличать обобщение нескольких отзывов от личного опыта одного автора. 6. Что показывают сводные отзывы Amazon В официальном описании Amazon функция AI-generated review highlights представляет на странице товара короткий абзац с характеристиками и мнениями, которые повторяются у нескольких покупателей. Она учитывает положительные, нейтральные и отрицательные отзывы, использует тексты с подтверждённой покупкой и требует общих упоминаний у нескольких пользователей. При выборе слова или фразы о характеристике можно посмотреть число упоминаний, количество связанных положительных и отрицательных отзывов и выдержки из них. Так покупатель переходит от общей картины к конкретным мнениям. При недостатке общих упоминаний сводный блок может не отображаться. Краткий текст может стать началом изучения важных для конкретного покупателя свойств. Для субъективных ощущений, например удобства сиденья, полезно прочитать исходные мнения. Связь между абзацем и подробными отзывами также определяет способ подачи информации. 7. Какие технические решения документировать Техническое содержание не исчерпывается сокращением отзывов. Оно включает преобразование реакций в ранги, выбор второго обучающего набора, представление и привязку признаков товара. При использовании модели значимы также поиск подходящих предложений и построение инструкции. Разработчикам полезно отдельно описывать обучающий корпус и контекст генерации. Один и тот же отзыв играет разные роли, если он изменяет параметры модели или служит справочным входом одного запроса. Источник, идентификатор товара и критерии выбора можно фиксировать по этапам обработки. Стоит также описать, где интерфейс связывает отметку ИИ, исходные отзывы и подробности по отдельным характеристикам. Конкретизация собственных операций обучения, подготовки входа и отображения помогает объяснить технические отличия решения. Сохранены исходные обозначения и формы; содержание раскрыто в тексте. Патентное раскрытие и официальное описание сервиса — разные источники. Статья не подтверждает использование сервисом всех признаков формулы; отдельные варианты реализации не равнозначны полному объёму охраны. Патентная публикация USPTO · US12579565B1 Официальное руководство Amazon · Обобщение отзывов с помощью ИИ Разбираем LoRA: как небольшие обновления весов адаптируют ИИ к задачам бизнеса Как Baidu обрабатывает противоречия между ответом модели и найденными знаниями Ознакомьтесь с проектами IPLEX в области ИИ, публикациями и техническими консультациями. Опыт патентного поверенного Ким Ёндока в области ИИ Исходная публикация в Tistory Прочитать корейский оригинал Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела. Обсудить этот вопрос ↗ Все статьи НА ЭТОЙ СТРАНИЦЕ 1. Что искать среди многочисленных отзывов 2. Как реакции и признаки товара становятся обучающими данными 3. Первый этап: обучение на полезных объяснениях 4. Второй этап: настройка той же модели на отобранных материалах 5. Контекст и инструкция для вымышленного кресла 6. Что показывают сводные отзывы Amazon 7. Какие технические решения документировать ОБРАТИТЕСЬ В IPLEX Обсудите с нами вопросы интеллектуальной собственности Мы рассматриваем ваши технологические и бизнес-потребности вместе. ↗ Связаться с нами Новее Изобретательский уровень: значение направления движения дождевой воды ↗ Ранее Товарный знак в Германии: подача заявки, сроки и три особенности системы ↗ Материалы по теме Искусственный интеллект 2026.11.19 Эмбеддинги Matryoshka для поиска изображений: отбор по префиксу и ранжирование по полному вектору Разбираем Matryoshka Representation Learning: обучение вложенных представлений и результаты поиска на ImageNet-1K из NeurIPS 2022. ↗ Читать статью Искусственный интеллект 2026.11.18 Патент ByteDance на субтитры: распознавание отдельных дорожек и устранение наложения по времени Разбираем US11837234B2: выбор аудиодорожек и изменение времени субтитров, отдельно от публичных инструкций CapCut. ↗ Читать статью Искусственный интеллект 2026.11.17 Распознанный текст Apple: от номера или URL к подходящему действию US12001642B2 связывает распознанный текст, координаты, тип данных и ввод пользователя с контекстными меню и действиями. ↗ Читать статью

- https://www.iplexlaw.co.kr/ru
- https://www.iplexlaw.co.kr/ru/blog/category/ai
- https://image-ppubs.uspto.gov/dirsearch-public/print/downloadPdf/12579565
- https://www.aboutamazon.com/news/retail/amazon-ai-generated-review-highlights
- https://www.iplexlaw.co.kr/ru/blog/lora-low-rank-adaptation
- https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution
- https://www.iplexlaw.co.kr/ru/ai-patents
- https://iplexlaw.tistory.com/17
- https://www.iplexlaw.co.kr/ko/blog/amazon-ai-review-generation
- https://www.iplexlaw.co.kr/ru/contact
- https://www.iplexlaw.co.kr/ru/blog
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-0
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-1
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-2
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-3
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-4
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-5
- https://www.iplexlaw.co.kr/ru/blog/amazon-ai-review-generation#article-17-en-6
- https://www.iplexlaw.co.kr/ru/contact
- https://www.iplexlaw.co.kr/ru/blog/brunch-case-1927
- https://www.iplexlaw.co.kr/ru/blog/germany-trademark-filing-guide
- https://www.iplexlaw.co.kr/ru/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/ru/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/ru/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/ru/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/ru/blog/apple-recognized-text-contextual-actions
- https://www.iplexlaw.co.kr/ru/blog/apple-recognized-text-contextual-actions
