Google использует систему для управления лентами контента (например, Google Discover). Различные серверы агрегируют контент в тематические блоки (Aggregated Content Data Structures) и оценивают их. Затем сервер смешивания выбирает эти блоки, активно балансируя их категории: он повышает оценки блоков из недопредставленных категорий и понижает из слишком частых, чтобы обеспечить заданное разнообразие и соответствие интересам пользователя.

Описание

Какую проблему решает

Патент решает проблему организации и представления большого количества контента из разных источников в едином потоке (Content Stream), таком как лента новостей или социальная сеть (например, Google Discover). Задача состоит в том, чтобы сбалансировать релевантность, персонализацию и разнообразие (Diversity) контента, не перегружая пользователя контентом одного типа и предотвращая доминирование одного источника.

Что запатентовано

Запатентована система для динамического смешивания агрегированных блоков контента (Aggregated Content Data Structures, ACDS) в персонализированном потоке. Ключевым элементом является механизм балансировки, который корректирует оценки (Scores) блоков контента в реальном времени. Эта корректировка основана на сравнении желаемого распределения категорий контента (Predetermined Type Target Percentage) с фактическим распределением (Type Selection Percentage), чтобы гарантировать разнообразие потока.

Как это работает

Система работает через взаимодействие серверов агрегации и сервера смешивания:

  • Агрегация: Различные Aggregation Servers собирают контент, группируют его в блоки (ACDS) по категориям (например, "Спорт", "Локальные новости") и присваивают им оценки на основе релевантности и интересов пользователя (User Affinity).
  • Смешивание: Mixing Server получает эти блоки от разных серверов и нормализует их оценки.
  • Балансировка: Сервер смешивания проверяет, соответствует ли текущий микс контента заданным целям разнообразия. Если какая-то категория показывается слишком часто, оценки следующих блоков этой категории понижаются (Demotion). Если редко — повышаются (Promotion).
  • Выбор: Выбирается блок с наивысшей скорректированной оценкой и добавляется в поток пользователя. Процесс повторяется для поддержания баланса.

Актуальность для SEO

Высокая. Механизмы, описанные в патенте, напрямую соотносятся с тем, как работают современные персонализированные ленты контента, в частности Google Discover. Управление разнообразием, предотвращение "пузырей фильтров" и балансировка различных типов контента являются критически важными задачами для платформ, стремящихся максимизировать вовлеченность пользователей в 2025 году.

Важность для SEO

Влияние на SEO значительно, но специфично (Оценка 75/100). Патент не описывает ранжирование в традиционном поиске по запросу, но критически важен для понимания оптимизации под Google Discover и другие потоковые сервисы Google. Он показывает, что помимо релевантности и качества, на видимость контента влияет его категория и текущая потребность системы в разнообразии для конкретного пользователя. Попадание в поток зависит от того, насколько хорошо контент может быть агрегирован в блок (ACDS) и насколько высока аффинитивность пользователя к этой теме.

Детальный разбор

Термины и определения

Aggregated Content Data Structure (ACDS) (Агрегированная структура данных контента)
Блок, список или группа связанных единиц контента (Content Items), объединенных общим признаком (тема, местоположение, автор). Представляется в потоке как единый элемент (например, карусель статей по одной теме).
Aggregation Server (Сервер агрегации)
Сервер, который анализирует контент из разных источников и создает ACDS на основе определенного набора критериев или категорий.
Category Type (Тип категории)
Классификация ACDS (например, "Спорт", "Локальные новости", "Мировые новости").
Content Stream (Поток контента)
Персонализированная лента контента, предоставляемая пользователю (например, лента социальной сети, Google Discover).
Mixing Server (Сервер смешивания)
Центральный компонент, который получает ACDS от различных Aggregation Servers, нормализует и корректирует их оценки, выбирает лучший блок и формирует финальный Content Stream.
Predetermined Type Target Percentage (Предопределенный целевой процент типа)
Желаемое (целевое) распределение различных Category Types в потоке пользователя. Может устанавливаться пользователем или определяться адаптивно на основе модели пользователя.
Promotion/Demotion (Повышение/Понижение)
Механизм корректировки оценок ACDS. Оценки повышаются, если категория недопредставлена, и понижаются, если она доминирует в потоке.
Scale Factor (Коэффициент масштабирования)
Множитель, используемый для Promotion или Demotion. Вычисляется на основе разницы между целевым и фактическим процентом категории.
Type Selection Percentage (Процент выбора типа)
Фактическое (историческое) распределение Category Types, которые были выбраны сервером смешивания для потока пользователя на данный момент.
User Affinity (Аффинитивность пользователя)
Мера интереса пользователя к определенным атрибутам, сущностям или темам, используемая для оценки контента и ACDS.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод смешивания контента.

  1. Система (Mixing Server) получает множество блоков контента (ACDS) от разных серверов (Aggregation Servers). Каждый блок имеет оценку (Score) и тип категории (Category Type).
  2. Система выбирает один блок для показа. Выбор основан как на оценках блоков, так и на целевом проценте (Predetermined Type Target Percentage) для категории этого блока.
  3. Выбранный блок смешивается с потоком контента пользователя.
  4. Поток предоставляется для отображения.
  5. Важное условие (согласно тексту патента): Целевой процент устанавливается так, что блоки контента, менее связанные с известными атрибутами пользователя (более общие), могут иметь более высокий целевой процент, чем блоки, более связанные с атрибутами (более персонализированные). Это механизм для работы при недостатке данных для персонализации (холодный старт).

Claim 3, 4, 5 и 6 (Зависимые): Детализируют механизм динамической балансировки и корректировки оценок.

  1. (Cl. 4) Система отслеживает Type Selection Percentages — как часто выбирались блоки каждой категории в прошлом. Эти данные обновляются после каждого выбора.
  2. (Cl. 3, 5) Перед выбором следующего блока система корректирует оценки оставшихся кандидатов. Корректировка основана на разнице между целевыми процентами (Target Percentages) и фактическими процентами выбора (Selection Percentages).
  3. (Cl. 6) Механизм корректировки: Если фактический процент категории ниже целевого, оценка блоков этой категории увеличивается (Promotion). Если фактический процент выше целевого, оценка уменьшается (Demotion).

Claim 7 (Зависимый): Указывает на необходимость нормализации оценок, полученных от разных серверов агрегации, в единый диапазон (например, от 0 до 1), чтобы их можно было сравнивать.

Claim 8 и 9 (Зависимые): Определяют факторы, влияющие на оценки.

  1. (Cl. 8) Целевые проценты категорий для пользователя определяются на основе его предыдущих взаимодействий с контентом.
  2. (Cl. 9) Исходная оценка блока (ACDS Score) определяется на основе оценок контента внутри него и аффинитивности (User Affinity) пользователя к атрибутам этого контента.

Где и как применяется

Патент описывает инфраструктуру для генерации персонализированных потоков контента (Feeds), таких как Google Discover, а не традиционный поиск по запросу.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит анализ контента, извлечение сущностей, определение атрибутов и тем. Также рассчитываются базовые сигналы качества контента.

(Вне стандартных этапов поиска) – Агрегация и Предварительная оценка
Aggregation Servers используют данные индекса и модель пользователя (User Model) для расчета User Affinity к контенту. Они группируют контент в ACDS по различным категориям и рассчитывают предварительные оценки (Scores) для этих блоков.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Это основные этапы применения патента при запросе потока пользователем.

  1. Сбор кандидатов: Mixing Server получает кандидатов (ACDS) от разных Aggregation Servers.
  2. Нормализация: Оценки приводятся к единой шкале.
  3. Корректировка (Балансировка): Система применяет Scale Factor для Promotion или Demotion оценок на основе сравнения Target Percentages и Selection Percentages. Это ключевой этап переранжирования для обеспечения разнообразия.
  4. Финальный выбор и Смешивание: Выбирается блок с наивысшей скорректированной оценкой и встраивается в Content Stream.

Входные данные:

  • Блоки контента (ACDS) с предварительными оценками и категориями.
  • Модель пользователя (User Model), содержащая данные об аффинитивности.
  • Целевые проценты категорий (Predetermined Type Target Percentages).
  • Исторические данные о выборе категорий (Type Selection Percentages).

Выходные данные:

  • Сформированный поток контента (Content Stream) с выбранными и упорядоченными блоками ACDS.

На что влияет

  • Типы контента: Влияет на все типы контента, которые могут быть агрегированы в блоки (статьи, видео, посты) и представлены в ленте.
  • Специфические запросы: Не применимо к традиционному поиску по запросу. Применимо к проактивному предложению контента (queryless search, например, Discover).
  • Ниши и тематики: Влияет на баланс между нишевыми интересами пользователя и более общим контентом. Система гарантирует, что пользователь увидит контент не только по своим основным интересам.

Когда применяется

  • Условия работы: Алгоритм активируется каждый раз, когда пользователь запрашивает или обновляет свой поток контента (например, открывает Google Discover или прокручивает ленту).
  • Триггеры активации: Необходимость выбора следующего элемента для показа в потоке.
  • Частота применения: Постоянно в рамках сессии пользователя. Целевые проценты могут обновляться адаптивно. Фактические проценты выбора (Selection Percentages) могут сбрасываться при новой сессии или при переходе на новую страницу потока.

Пошаговый алгоритм

Процесс А: Генерация Потока Контента

  1. Инициализация: Пользователь запрашивает поток контента. Определяются целевые проценты категорий (Target Percentages) для пользователя. Если данных о пользователе мало, предпочтение отдается общим категориям.
  2. Запрос Кандидатов: Mixing Server запрашивает блоки контента (ACDS) у различных Aggregation Servers.
  3. Получение и Нормализация: Сервер получает кандидатов с их оценками и категориями. Оценки нормализуются для сравнения.
  4. Анализ Разнообразия: Система сравнивает текущее фактическое распределение категорий (Selection Percentages) с целевым (Target Percentages).
  5. Расчет Корректировки: Для каждой категории вычисляется Scale Factor. Используется функция от разницы (x) между целевым и фактическим процентом. Пример в патенте:

Выводы

  1. Алгоритмическое обеспечение разнообразия (Diversity): Патент демонстрирует, что разнообразие в лентах Google (например, Discover) не является случайным, а активно управляется. Система имеет целевые показатели (Target Percentages) для разных категорий контента и использует агрессивные методы (Promotion/Demotion) для их достижения.
  2. Баланс важнее максимальной оценки: Система не всегда выбирает контент с наивысшей базовой оценкой релевантности или интереса. Если категория контента уже перепредставлена в ленте пользователя, её оценка будет искусственно занижена, давая шанс другому типу контента.
  3. Персонализация на двух уровнях: Персонализация работает как при расчете базовой оценки контента (через User Affinity), так и при определении целевого распределения категорий (Target Percentages адаптируются под интересы пользователя).
  4. Контент агрегируется в блоки (Bundling): Система предпочитает работать не с отдельными единицами контента, а с тематическими блоками (ACDS). Это означает, что контент оценивается в контексте группы.
  5. Механизм для "холодного старта": Для пользователей с недостаточной историей система запрограммирована предпочитать более общий контент (менее связанный с персонализированными атрибутами), что позволяет собирать данные о предпочтениях, не делая рискованных предположений.
  6. Конкуренция между источниками и категориями: Разные Aggregation Servers конкурируют за место в потоке. Патент предусматривает правила для предотвращения монополизации потока одним сервером или категорией.

Практика

Практическое применение в SEO

Рекомендации направлены на оптимизацию под Google Discover и аналогичные потоковые сервисы.

Best practices (это мы делаем)

  • Фокус на Topical Authority и создание кластеров контента: Поскольку система агрегирует контент в блоки (ACDS), создание серий статей или видео, тесно связанных общей темой или сущностью, увеличивает вероятность того, что этот контент будет объединен в блок и показан в ленте.
  • Оптимизация под интересы и сущности (Entities): Базовый скоринг зависит от User Affinity к атрибутам контента. Необходимо четко сигнализировать поисковой системе о ключевых сущностях и темах контента (через разметку, заголовки, NLP-оптимизацию), чтобы соответствовать интересам целевой аудитории. Использование Графа Знаний (Knowledge Graph) для анализа контента упомянуто в патенте.
  • Работа над повышением вовлеченности (Engagement): Взаимодействия пользователя с контентом напрямую влияют на два ключевых аспекта: повышают User Affinity (улучшая базовый скоринг) и адаптируют Target Percentages в пользу вашей категории контента для этой аудитории.
  • Диверсификация контент-стратегии: Если вы публикуете контент в разных категориях, вы увеличиваете шансы на попадание в ленту, так как система стремится к разнообразию. Если одна из ваших категорий временно понижена из-за перенасыщения, другая может быть повышена.
  • Создание "вечнозеленого" и новостного контента: Обе стратегии валидны, так как Aggregation Servers могут создавать блоки как на основе свежих новостей, так и на основе устоявшихся интересов.

Worst practices (это делать не надо)

  • Узкая фокусировка только на одной тактике или теме: Если весь контент сайта попадает только в одну узкую категорию, он становится уязвимым для механизма Demotion. Если система решит, что эта категория перенасыщена в ленте пользователя, видимость всего сайта может упасть.
  • Игнорирование качества и вовлеченности ради объема: Публикация большого количества низкоаффинитивного контента не гарантирует показов. Базовые оценки ACDS критически зависят от интереса пользователя к контенту.
  • Попытки манипулировать категорией (Clickbait): Использование кликбейтных заголовков для привлечения трафика может привести к низкому уровню удовлетворенности, что в долгосрочной перспективе снизит User Affinity и приведет к уменьшению Target Percentage для вашего контента.

Стратегическое значение

Патент подчеркивает стратегическую важность построения тематического авторитета и прямого взаимодействия с аудиторией для успеха в Google Discover. Он показывает, что Google рассматривает ленты как динамически управляемую среду, где алгоритмы активно вмешиваются в ранжирование для достижения целей разнообразия. Для SEO-стратегии это означает, что анализ производительности в Discover должен учитывать не только качество отдельной страницы, но и то, как контент кластеризуется и в какие категории он попадает, а также общий паттерн интересов пользователя.

Практические примеры

Сценарий: Повышение видимости сайта о кулинарии в Google Discover

  1. Действие: Вместо отдельных рецептов сайт фокусируется на создании тематических подборок: "5 лучших рецептов пасты для ужина", "Вегетарианские блюда на неделю", "Разбор техники су-вид".
  2. Обоснование (Патент): Это облегчает Aggregation Servers задачу создания тематического блока (ACDS) из контента сайта.
  3. Действие: Сайт активно работает над улучшением E-E-A-T и поощряет пользователей подписываться и взаимодействовать с контентом (комментарии, шейры).
  4. Обоснование (Патент): Это повышает User Affinity к контенту сайта, что увеличивает базовую оценку ACDS. Также это может привести к увеличению Target Percentage для категории "Кулинария" у этих пользователей.
  5. Действие: Сайт запускает новую рубрику о кухонной технике, диверсифицируя контент.
  6. Обоснование (Патент): Если категория "Рецепты" перенасыщена в ленте пользователя и временно понижается (Demotion), контент из категории "Обзоры техники" может получить повышение (Promotion) для обеспечения разнообразия, сохраняя общую видимость сайта.

Вопросы и ответы

Влияет ли этот патент на ранжирование в обычном поиске Google (10 синих ссылок)?

Нет, напрямую не влияет. Патент описывает механизм формирования потока контента (Content Stream), такого как лента социальной сети или Google Discover (поиск без запроса). Он не затрагивает алгоритмы ранжирования в ответ на конкретный поисковый запрос пользователя.

Что такое Aggregated Content Data Structure (ACDS) на практике?

ACDS — это блок связанного контента. В интерфейсе это может выглядеть как карусель статей по одной узкой теме, подборка видео от связанных авторов или блок локальных новостей. Система предпочитает показывать такой сгруппированный контент, а не просто набор разрозненных ссылок.

Что означает механизм Promotion/Demotion для моего контента?

Это означает, что видимость вашего контента зависит не только от его качества и релевантности, но и от того, что еще было показано пользователю. Если пользователь только что видел много контента вашей категории (например, "Финансы"), оценка вашего следующего финансового блока будет искусственно занижена (Demotion), чтобы дать место другим темам. И наоборот, если ваша тема давно не показывалась, она получит буст (Promotion).

Как Google определяет, к какой категории относится мой контент?

Патент предполагает, что этим занимаются Aggregation Servers. Они анализируют атрибуты контента (сущности, темы, источники) и группируют его в ACDS, присваивая им Category Type. Четкая структура сайта, использование разметки Schema.org и NLP-оптимизация текста помогают системе правильно классифицировать контент.

Как я могу повлиять на Predetermined Type Target Percentage?

Напрямую повлиять сложно, так как это персонализированная настройка для каждого пользователя. Однако патент указывает, что эти целевые проценты адаптируются на основе предыдущих взаимодействий пользователя. Создавая вовлекающий контент, который нравится пользователям, вы стимулируете систему увеличивать целевой процент для вашей категории контента у этой аудитории.

Что важнее для попадания в Discover согласно этому патенту: свежесть контента или его качество?

Важны оба аспекта, но патент фокусируется на User Affinity и разнообразии. Качество и релевантность необходимы для достижения высокой базовой оценки (ACDS Score), основанной на интересах пользователя. Свежесть может быть критерием для определенных категорий (например, "Новости"), но механизм балансировки может выбрать и "вечнозеленый" контент, если его категория недопредставлена.

Почему я вижу в ленте контент на темы, которыми я не очень интересуюсь?

Этому есть две причины согласно патенту. Во-первых, механизм Promotion активно продвигает недопредставленные категории для обеспечения разнообразия. Во-вторых, если у системы мало данных о ваших интересах (например, вы новый пользователь), она будет предпочитать более общий контент (менее связанный с персонализированными атрибутами) для сбора данных.

Стоит ли мне создавать контент в разных тематиках, чтобы угодить этому алгоритму?

Если это соответствует стратегии вашего бренда, то да. Диверсификация контента по разным категориям может стабилизировать трафик из Discover. Когда одна категория подвергается Demotion из-за перенасыщения, другая может получить Promotion, обеспечивая постоянное присутствие вашего сайта в ленте пользователя.

Как нормализация оценок (Normalization) влияет на выбор контента?

Нормализация гарантирует, что все источники контента и все серверы агрегации находятся в равных условиях. Даже если один сервер использует шкалу 0-100, а другой 0-10, их оценки приводятся к единому стандарту (например, 0-1) перед сравнением и применением коэффициентов балансировки.

Что такое User Affinity в контексте этого патента?

User Affinity — это мера предполагаемого интереса пользователя к определенным атрибутам контента (темам, сущностям, авторам). Она используется для расчета базовой оценки блока контента (ACDS Score). Чем выше аффинитивность пользователя к теме вашего контента, тем выше будет его базовая оценка.

Похожие патенты

Как Google адаптирует ранжирование контента под частоту посещений пользователя, балансируя между важностью и новизной
Google использует механизм для персонализации лент контента (например, Новости, Discover). Система анализирует, как часто пользователь запрашивает контент. Для частых посетителей приоритет отдается новизне, чтобы избежать повторов. Для редких посетителей приоритет отдается важности контента, чтобы они не пропустили ключевые материалы, даже если они были опубликованы давно.
  • US9477376B1
  • 2016-10-25

  • Персонализация

  • Поведенческие сигналы

  • Свежесть контента

Как Google News использует расширяемые блоки (Story Clusters) для агрегации разнообразного контента по одной теме
Патент Google описывает интерфейс для агрегации контента (например, Google News). Система группирует связанные документы в кластеры и представляет их в виде сворачиваемых блоков. В развернутом виде блок показывает разнообразные типы контента (статьи, видео, мнения, контекст) из разных источников, помогая пользователю всесторонне изучить тему.
  • US9678618B1
  • 2017-06-13

  • Мультимедиа

  • Семантика и интент

Как Google использует категоризацию контента и запросов для уточнения релевантности и ранжирования результатов
Google использует систему для улучшения ранжирования, комбинируя стандартную текстовую релевантность с оценкой соответствия категории. Система определяет, насколько сильно документ принадлежит к определенным категориям и насколько сильно запрос соответствует этим же категориям. Если и документ, и запрос сильно совпадают по категории, результат получает повышение в ранжировании. Это особенно важно для E-commerce и контента с четкой структурой.
  • US7814085B1
  • 2010-10-12

  • Семантика и интент

  • SERP

Как Google динамически выбирает, форматирует и приоритизирует контент внутри Панели Знаний
Google использует систему для динамической генерации Панелей Знаний. Для сущности определяются релевантные элементы контента (факты, изображения, события), которые классифицируются и оцениваются по популярности/релевантности (Rank Score). Система выбирает, какие категории контента показать и в каком формате (модуле), основываясь на этих оценках и строгих ограничениях по верстке (Panel Constraints), гарантируя приоритет наиболее важной информации.
  • US9477711B2
  • 2016-10-25

  • Knowledge Graph

  • SERP

  • Семантика и интент

Как Google оценивает качество новостных источников, кластеризует статьи и ранжирует новости на основе свежести, оригинальности и авторитетности
Детальный разбор основополагающего патента Google News. Система оценивает источники по скорости реакции на события, оригинальности контента и авторитетности (ссылки, просмотры). Новостные сюжеты (кластеры) ранжируются по свежести и качеству источников. Статьи внутри сюжета сортируются с использованием «Модифицированной оценки свежести», которая дает значительное преимущество авторитетным изданиям.
  • US7568148B1
  • 2009-07-28

  • Свежесть контента

  • EEAT и качество

Популярные патенты

Как Google использует визуальное расположение новостей на главных страницах СМИ для ранжирования в Google News
Google анализирует главные страницы авторитетных новостных сайтов («Hub Pages»), чтобы определить важность новостей. Система оценивает «визуальную заметность» (Prominence) ссылки на статью — ее расположение (выше/ниже), размер шрифта, наличие картинки и сниппета. Чем заметнее ссылка на сайте СМИ, тем выше статья ранжируется в агрегаторах новостей.
  • US8375073B1
  • 2013-02-12

  • EEAT и качество

  • SERP

  • Ссылки

Как Google переписывает неявные запросы, определяя сущность по местоположению пользователя и истории поиска
Google использует местоположение пользователя для интерпретации запросов, которые явно не упоминают конкретную сущность (например, [часы работы] или [отзывы]). Система идентифицирует ближайшие объекты, анализирует исторические паттерны запросов для этих объектов и переписывает исходный запрос, добавляя в него название наиболее вероятной сущности.
  • US20170277702A1
  • 2017-09-28

  • Семантика и интент

  • Local SEO

  • Персонализация

Как Google автоматически определяет и отображает обратные ссылки (цитирования) между независимыми веб-страницами
Патент Google, описывающий фундаментальный механизм автоматического обнаружения ссылок между веб-страницами разных авторов. Когда система обнаруживает, что Страница B ссылается на Страницу A, она может автоматически встроить представление (например, ссылку) Страницы B в Страницу A при её показе пользователю. Это технология для построения и визуализации графа цитирований в Интернете.
  • US8032820B1
  • 2011-10-04

  • Ссылки

  • Индексация

  • Краулинг

Как Google предсказывает, какие сайты будут интересны пользователю на основе его контекста (местоположение, время, интересы) без поискового запроса
Google использует агрегированные данные о поведении пользователей для прогнозирования контента. Система анализирует контекст пользователя (местоположение, время, интересы, историю) и определяет, какие сайты посещают похожие пользователи в аналогичном контексте значительно чаще, чем пользователи в целом. Этот механизм позволяет предлагать релевантный контент без явного запроса (например, в Google Discover).
  • US9195703B1
  • 2015-11-24

  • Персонализация

  • Поведенческие сигналы

  • Семантика и интент

Как Google алгоритмически вычисляет и ранжирует экспертов по темам на основе анализа их контента
Google использует систему для автоматического определения экспертности авторов (Identities) в конкретных темах (Topics). Система анализирует корпус документов, оценивая, насколько сильно автор связан с документом (Identity Score) и насколько документ релевантен теме (Topic Score). Эти оценки перемножаются и суммируются по всем документам, формируя итоговый рейтинг экспертности автора в данной области.
  • US8892549B1
  • 2014-11-18

  • EEAT и качество

  • Семантика и интент

Как Google использует цитирования на веб-страницах для ранжирования книг в основной выдаче
Google использует механизм для определения релевантных книг по общим информационным запросам, даже если пользователь не искал книгу специально. Система анализирует, какие книги цитируются на топовых веб-страницах в выдаче. Книги получают оценку, основанную на авторитетности цитирующих страниц и контексте цитирования, и затем подмешиваются в результаты поиска.
  • US8392429B1
  • 2013-03-05

  • Ссылки

  • SERP

  • EEAT и качество

Как Google использует атрибуты пользователей и показатели предвзятости (Bias Measures) для персонализации ранжирования
Google анализирует, как разные группы пользователей (сегментированные по атрибутам, таким как интересы или демография) взаимодействуют с документами. Система вычисляет «показатель предвзятости» (Bias Measure), который показывает, насколько чаще или реже определенная группа взаимодействует с документом по сравнению с общей массой пользователей. При поиске Google определяет атрибуты пользователя и корректирует ранжирование, повышая или понижая документы на основе этих показателей предвзятости.
  • US9436742B1
  • 2016-09-06

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google извлекает сущности из активности пользователя для запуска проактивных (имплицитных) поисковых запросов
Анализ патента Google, описывающего метод идентификации «именованных сущностей» (людей, тем, фраз) путем мониторинга действий пользователя, таких как электронная почта, просмотр веб-страниц и набор текста. Система использует эти сущности для проактивного запуска фоновых поисковых запросов (имплицитных запросов), релевантных текущему контексту пользователя, часто с использованием персонализированных данных.
  • US9009153B2
  • 2015-04-14

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует данные о посещаемости, уникальных пользователях и длине URL для ранжирования документов
Фундаментальный патент Google, описывающий использование поведенческих факторов в ранжировании. Система рассчитывает Usage Score на основе частоты посещений и количества уникальных пользователей, фильтруя ботов и взвешивая данные по географии. Этот балл комбинируется с текстовой релевантностью (IR Score) и длиной URL (Path Length Score) для определения итоговой позиции документа.
  • US8001118B2
  • 2011-08-16

  • Поведенческие сигналы

  • SERP

Как Google ранжирует комментарии и UGC, используя объективное качество и субъективную персонализацию
Google использует двухфакторную модель для ранжирования пользовательского контента (комментариев, отзывов). Система вычисляет объективную оценку качества (репутация автора, грамотность, длина, рейтинги) и субъективную оценку персонализации (является ли автор другом или предпочтительным автором, соответствует ли контент интересам и истории поиска пользователя). Итоговый рейтинг объединяет обе оценки для показа наиболее релевантного и качественного UGC.
  • US8321463B2
  • 2012-11-27

  • Персонализация

  • EEAT и качество

  • Поведенческие сигналы