Google использует механизм для улучшения навигации по товарам, особенно на мобильных устройствах. Система создает многомерное пространство товаров на основе их атрибутов и выбирает репрезентативные "Опорные Точки" (Pivot Points). Пользователи могут "приближать" точку для просмотра похожих товаров или "отдалять", чтобы увидеть новый набор опорных точек, динамически адаптированный под их интересы и историю взаимодействий.

Описание

Какую проблему решает

Патент решает проблему баланса между поиском (searching experience) и просмотром/исследованием (browsing experience) при выборе товаров в ответ на поисковый запрос. Это особенно актуально на мобильных устройствах с ограниченным пространством экрана. Традиционные методы, такие как строгая фильтрация, могут исключать релевантные похожие товары, а навигация по категориям часто неэффективна. Изобретение направлено на создание интуитивно понятного интерактивного интерфейса для навигации по большому каталогу товаров с помощью сенсорных жестов.

Что запатентовано

Запатентована система предоставления интерактивных элементов контента (interactive browsable content items). Система организует набор релевантных товаров в n-мерное пространство (n-dimensional space) на основе их атрибутов. Для навигации выбираются репрезентативные Опорные Точки (Pivot Points). Пользователь взаимодействует с ними (например, через zoom in/tap), чтобы увидеть подмножество похожих товаров, или "отдаляет" (zoom out), чтобы система динамически выбрала новый набор Опорных Точек, адаптированный к его предыдущим действиям.

Как это работает

Механизм работает следующим образом:

  • Генерация пространства: В ответ на запрос система определяет релевантные товары и организует их в n-мерное пространство, где измерениями являются атрибуты товаров (цвет, размер, бренд).
  • Выбор Опорных Точек: Система выбирает первую группу Pivot Points. Они выбираются так, чтобы максимизировать разнообразие (на основе dimensional distance) и покрыть все пространство. Также может учитываться оптимизация дохода (на основе bids и вероятностей).
  • Взаимодействие (Углубление): Пользователь выбирает (например, приближает) одну Опорную Точку.
  • Отображение Подмножества: Система показывает товары, которые находятся близко к выбранной точке в n-мерном пространстве.
  • Взаимодействие (Расширение): Пользователь отдаляет (zoom out).
  • Динамическая Адаптация: Система выбирает вторую группу Pivot Points, основываясь уже не только на исходном запросе, но и на истории взаимодействий пользователя (ранее выбранной опорной точке).

Актуальность для SEO

Высокая для E-commerce и мобильного поиска. Концепции интерактивных результатов (например, карусели Google Shopping), динамической адаптации выдачи на основе взаимодействия в реальном времени и использования атрибутов товаров для кластеризации являются крайне актуальными. Патент описывает конкретную реализацию UI/UX и алгоритмов для навигации по товарам.

Важность для SEO

Влияние на SEO значительно для E-commerce (оценка 6.5/10). Патент не описывает органическое ранжирование веб-страниц, но он критически важен для оптимизации под Google Shopping и Product Listing Ads (PLAs). Он подчеркивает фундаментальную важность структурированных данных и атрибутов товаров. Понимание того, как Google организует n-мерное пространство товаров и рассчитывает dimensional distance, является ключом к обеспечению видимости товаров в этих интерактивных блоках.

Детальный разбор

Термины и определения

N-dimensional space (N-мерное пространство)
Многомерная структура данных, организующая набор товаров. Каждое измерение (dimension) соответствует атрибуту товара (например, цвет, размер, бренд, цена).
Pivot Point (Опорная точка)
Репрезентативный товар, выбранный из n-мерного пространства для отображения пользователю на верхнем уровне навигации. Опорные точки выбираются так, чтобы обеспечить разнообразие.
Dimensional Distance (Размерное расстояние)
Метрика расстояния между двумя товарами в n-мерном пространстве. Рассчитывается на основе атрибутов товаров. Используется для обеспечения разнообразия при выборе Pivot Points (большое расстояние) и для определения схожести при выборе подмножества (малое расстояние).
Interactive Browsable Content Item (Интерактивный просматриваемый элемент контента)
Пользовательский интерфейсный блок (например, рекламный слот или товарная карусель), который позволяет пользователю исследовать товары с помощью жестов (swipe, zoom in/out).
Probability Exploration Rate (PER) (Вероятность исследования)
Вероятность того, что пользователь выберет определенный второй товар после взаимодействия с первым товаром в контексте конкретного поискового запроса. Рассчитывается на основе исторических данных об исследованиях и кликах (historical exploration data and click data).
Expected Cost of Minimum Exploration (ECME) (Ожидаемая стоимость минимального исследования)
Метрика для оптимизации дохода при выборе Pivot Points. Представляет собой сумму произведений вероятностей исследования (PER) и ставок (Bids) для прогнозируемой цепочки взаимодействий пользователя с товарами.
Content Item Selection System (Система выбора элементов контента)
Система (например, рекламный или товарный сервер), отвечающая за выбор и предоставление контента для показа.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс интерактивной навигации.

  1. Система получает поисковый запрос и генерирует набор результатов (n-мерное пространство товаров).
  2. Выбирается первая группа Pivot Points. Выбор основан на dimensional distance между точками для обеспечения разнообразия.
  3. Данные для отображения первой группы передаются на клиентское устройство.
  4. Система получает сенсорный ввод (touch input), выбирающий одну Pivot Point.
  5. В ответ на выбор система выбирает подмножество товаров из n-мерного пространства (похожих на выбранную точку).
  6. Данные для отображения подмножества передаются на клиентское устройство.
  7. Система получает ввод "отдаления" (zoom out touch input) после отображения подмножества.
  8. В ответ на "отдаление" система выбирает вторую группу Pivot Points. Этот выбор основан на подмножестве продуктов и ранее выбранной опорной точке. Вторая группа отличается от первой (адаптация к интересу пользователя).
  9. Данные для отображения второй группы передаются на клиентское устройство.

Ядро изобретения — это динамическое обновление набора Pivot Points в ответ на жест "zoom out", что позволяет адаптировать и уточнять поиск в интерактивном режиме.

Claim 7 (Зависимый от 1): Детализирует выбор подмножества товаров (шаг 5).

Подмножество товаров выбирается на основе Probability Exploration Rate (PER). PER указывает на вероятность выбора пользователем товара на основе поискового запроса и выбранной Pivot Point.

Claim 9 (Зависимый от 1): Указывает на коммерческое применение.

Первая группа Pivot Points (шаг 2) также может выбираться на основе суммы ставки (bid amount). Это подтверждает применение в рекламных системах.

Где и как применяется

Изобретение применяется в системах выбора контента для отображения товаров, в частности в Google Shopping и рекламных блоках (PLAs).

INDEXING – Индексирование и извлечение признаков
На этом этапе система извлекает и индексирует атрибуты товаров из фидов и микроразметки. Эти атрибуты формируют измерения n-мерного пространства. Также происходит офлайн-обработка исторических поведенческих данных для расчета Probability Exploration Rate (PER).

RANKING / METASEARCH – Ранжирование / Метапоиск и Смешивание
Этот механизм функционирует внутри специализированного модуля (например, блока Google Shopping). Content Item Selection System выбирает начальные Pivot Points. Этот выбор может включать аукцион и оптимизацию дохода с использованием метрики ECME, которая комбинирует PER и ставки (Bids), а также обеспечение разнообразия (dimensional distance).

RERANKING (Интерактивная фаза / Presentation Layer)
Основное действие патента происходит динамически во время взаимодействия пользователя с результатами. Система выполняет повторный выбор контента (подмножества товаров или новых Pivot Points) в реальном времени в ответ на действия пользователя (zoom in/zoom out).

Входные данные:

  • Поисковый запрос.
  • Данные о товарах и их атрибутах (для построения n-мерного пространства).
  • Исторические данные о взаимодействиях (для PER).
  • Ставки (Bids) для товаров.
  • Взаимодействия пользователя в реальном времени (Touch Inputs).

Выходные данные:

  • Динамически обновляемые данные для отображения (группы Pivot Points или подмножества похожих товаров) в интерактивном блоке.

На что влияет

  • Конкретные типы контента: Влияет исключительно на отображение товаров (Products) в поисковой выдаче, в частности в интерактивных блоках (карусели товаров, PLAs).
  • Специфические запросы: Коммерческие запросы, где пользователь находится на этапе исследования и сравнения товаров.
  • Конкретные ниши или тематики: Все ниши E-commerce.
  • Пользовательские факторы: Особенно актуально для мобильных устройств, так как механизм оптимизирован под сенсорный ввод (Touch Input) и ограниченное пространство экрана.

Когда применяется

  • Триггеры активации: Когда поисковый запрос имеет коммерческий интент и система решает показать блок Interactive Browsable Content Item.
  • Условия работы: Алгоритм динамической адаптации активируется при взаимодействии пользователя с этим блоком (swipe, zoom in/tap, zoom out).

Пошаговый алгоритм

Процесс А: Обработка запроса и инициализация

  1. Получение запроса: Клиентское устройство отправляет запрос в систему выбора контента.
  2. Генерация пространства: Система генерирует набор результатов, определяя n-мерное пространство релевантных товаров на основе их атрибутов.
  3. Получение данных о вероятностях: Извлекаются данные Probability Exploration Rate (PER) для товаров в этом пространстве.
  4. Выбор первичных Опорных Точек: Система выбирает первую группу Pivot Points. Критерии: максимизировать покрытие пространства (используя dimensional distance для разнообразия) и оптимизировать доход (используя ECME и Bids).
  5. Отображение: Данные передаются клиенту и отображаются в интерактивном блоке.

Процесс Б: Взаимодействие и адаптация

  1. Взаимодействие (Выбор/Приближение): Пользователь выбирает одну Pivot Point (например, через tap или zoom in). Данные о выборе передаются в систему.
  2. Выбор Подмножества: Система идентифицирует товары, близкие к выбранной точке в n-мерном пространстве. Выбор также основывается на PER.
  3. Отображение Подмножества: Похожие товары отображаются пользователю.
  4. Взаимодействие (Отдаление): Пользователь выполняет жест zoom out. Данные о взаимодействии передаются в систему.
  5. Выбор Вторичных Опорных Точек: Система выбирает НОВУЮ группу Pivot Points. Этот выбор учитывает историю исследования (ранее выбранную точку), чтобы адаптировать результаты к уточненному интересу пользователя.
  6. Отображение: Новые Pivot Points отображаются пользователю (цикл повторяется).

Какие данные и как использует

Данные на входе

  • Структурные/Контентные факторы (Атрибуты товаров): Критически важные данные. Атрибуты товаров (цвет, размер, бренд, тип, цена и т.д.) формируют измерения (dimensions) n-мерного пространства. Они используются для расчета dimensional distance.
  • Поведенческие факторы (Исторические данные): Исторические данные об исследовании (historical exploration data) и кликах (click data). Используются для расчета Probability Exploration Rate (PER) – как пользователи переходили от одного товара к другому по данному запросу.
  • Коммерческие факторы (Ставки): Ставки (Bids), связанные с товарами. Используются для расчета ECME и выбора Pivot Points в ходе аукциона.
  • Пользовательские факторы: В патенте упоминается возможность использования интересов, связанных с идентификатором клиента (client identifier), для выбора начальных Pivot Points. Также используется сенсорный ввод в реальном времени.

Какие метрики используются и как они считаются

  • Dimensional Distance (Размерное расстояние): Рассчитывается путем квантования (quantized) атрибутов товаров и вычисления расстояния между ними в n-мерном пространстве.
  • Probability Exploration Rate (PER) (Вероятность исследования): Рассчитывается на основе анализа исторических данных. Формула:

Выводы

  1. Поиск товаров как навигация в пространстве атрибутов: Патент четко определяет подход Google к поиску товаров как к задаче навигации в n-мерном пространстве, где атрибуты товара являются координатами. Это подчеркивает фундаментальную важность структурированных данных для E-commerce.
  2. Динамическая адаптация интереса во время сессии: Ключевым механизмом является "zoom out". В отличие от стандартного возврата назад, "отдаление" приводит к генерации нового набора Pivot Points, адаптированного к только что проявленному интересу пользователя. Система уточняет интент на лету.
  3. Баланс разнообразия и схожести: Система использует dimensional distance для двух целей: обеспечения максимального разнообразия (Diversity) при выборе начальных Pivot Points и обеспечения максимальной схожести (Similarity) при выборе подмножества товаров после углубления.
  4. Прогнозирование поведения и оптимизация дохода: Google активно использует исторические поведенческие данные для расчета Probability Exploration Rate (PER). Это позволяет предсказать следующий шаг пользователя и оптимизировать доход с помощью метрики ECME, выбирая те Pivot Points, которые приведут к прибыльной цепочке взаимодействий.
  5. Контекст применения – Реклама и Мобильные устройства: Упоминание ставок (Bids), ECME и фокус на сенсорном вводе (Touch Input) указывают, что этот механизм предназначен в первую очередь для интерактивных рекламных блоков (Sponsored Products/PLAs) на мобильных устройствах.

Практика

Best practices (это мы делаем)

Рекомендации применимы в первую очередь для специалистов по E-commerce SEO и оптимизации товарных фидов (Google Shopping/Merchant Center).

  • Максимизация полноты и точности атрибутов в фиде: Это критически важно. Атрибуты (цвет, размер, бренд, материал, технические характеристики) формируют n-мерное пространство. Чем полнее и точнее данные, тем корректнее Google сможет позиционировать товар, рассчитывать dimensional distance и включать его в релевантные Pivot Points и подмножества.
  • Использование стандартизированных значений атрибутов: Для того чтобы система корректно рассчитывала расстояния, необходимо использовать общепринятые значения (например, стандартные названия цветов и размеров), чтобы облегчить кластеризацию схожих товаров.
  • Оптимизация изображений для интерактивных форматов: Используйте высококачественные изображения товаров, которые хорошо смотрятся в формате карусели. Визуальная привлекательность влияет на вероятность взаимодействия с Pivot Points.
  • Анализ группировки товаров в выдаче: Наблюдайте за тем, какие товары Google показывает вместе в блоках Shopping. Это дает представление о том, какие товары система считает "близкими" в n-мерном пространстве и какие атрибуты являются определяющими для вашей ниши.

Worst practices (это делать не надо)

  • Предоставление скудных данных о товаре: Игнорирование необязательных атрибутов в Merchant Center или в микроразметке. Отсутствие ключевых атрибутов затрудняет для системы классификацию товара и его сравнение с другими, снижая шансы на показ.
  • Использование неконсистентных атрибутов: Различное написание одних и тех же атрибутов для схожих товаров (например, "Apple" и "Эппл") может привести к увеличению dimensional distance и помешать системе распознать их как схожие.
  • Манипуляция атрибутами: Добавление нерелевантных атрибутов в попытке охватить больше запросов может привести к некорректному расчету расстояний и показу товара в нерелевантных подмножествах, что ухудшит поведенческие метрики.

Стратегическое значение

Патент подтверждает стратегический фокус Google на создании богатого и интерактивного опыта поиска в коммерческих тематиках. Для E-commerce это означает, что конкуренция смещается от традиционной оптимизации страниц к оптимизации данных в товарных фидах. Структурированные данные и атрибуты являются основой для участия в подобных современных функциях SERP, которые удерживают пользователя внутри интерфейса Google на этапе исследования и выбора (browsing experience).

Практические примеры

Сценарий: Поиск мобильного телефона и адаптация выдачи

  1. Запрос: Пользователь вводит "мобильные телефоны".
  2. Инициализация: Система строит n-мерное пространство (измерения: бренд, ОС, размер экрана, цена).
  3. Первые Pivot Points (Разнообразие): Система выбирает точки с максимальным dimensional distance для показа в карусели: "iPhone 15 Pro" (High-end, iOS), "Samsung Galaxy S25 Ultra" (High-end, Android), "Xiaomi Redmi Note" (Budget, Android).
  4. Взаимодействие (Углубление): Пользователь нажимает (zoom in) на "iPhone 15 Pro".
  5. Подмножество товаров (Схожесть): Система показывает товары, близкие к этой точке (малое dimensional distance, высокий PER): "iPhone 15", "iPhone 15 Plus", "iPhone 14 Pro".
  6. Взаимодействие (Отдаление): Пользователь выполняет zoom out.
  7. Вторые Pivot Points (Адаптация): Система понимает, что интерес сместился к дорогим смартфонам (на основе предыдущего выбора). Новые Pivot Points могут быть: "Флагманы Samsung", "Google Pixel Pro", "Складные телефоны". Бюджетные модели (как Xiaomi Redmi Note) могут быть исключены из этого нового набора.

Вопросы и ответы

Что определяет "измерения" (dimensions) в n-мерном пространстве товаров?

Измерения формируются на основе атрибутов товаров, которые известны системе (например, цвет, размер, бренд, цена, материал). Для SEO это означает, что атрибуты, передаваемые через товарные фиды (Google Merchant Center) и микроразметку Schema.org/Product, напрямую влияют на то, как система организует, группирует и сравнивает ваши товары.

Как рассчитывается Probability Exploration Rate (PER) и можно ли на него повлиять?

PER рассчитывается на основе агрегированных исторических данных об исследованиях и кликах (historical exploration data and click data). Система анализирует, как часто пользователи переходили от Товара А к Товару Б по определенному запросу. Напрямую повлиять на эту метрику нельзя, так как это внутренний расчет Google, основанный на поведении всех пользователей.

Этот патент описывает органический поиск или рекламные блоки?

Патент в первую очередь описывает механизм для Content Item Selection System. Упоминание ставок (Bids) и метрики оптимизации дохода ECME (Expected Cost of Minimum Exploration) четко подтверждает его применение в контексте рекламы (например, Google Shopping Ads/PLAs). Базовые принципы организации товаров могут применяться шире, но описанный механизм сфокусирован на коммерческих блоках.

Что такое "Опорная Точка" (Pivot Point) – это конкретный товар или категория?

В патенте Pivot Point описывается как соответствующая конкретному товару из n-мерного пространства. Она служит репрезентативным примером для определенной области этого пространства. Для пользователя она может быть представлена конкретной моделью (например, "iPhone 15 128GB Black").

Как система обеспечивает разнообразие при выборе Опорных Точек?

Система использует метрику Dimensional Distance (Размерное расстояние). При выборе первой группы Pivot Points она стремится выбрать точки, которые находятся на максимальном расстоянии друг от друга в n-мерном пространстве. Это гарантирует, что пользователю будут показаны товары с различными наборами атрибутов.

В чем ключевое отличие механизма "zoom out" от нажатия кнопки "Назад"?

Ключевое отличие критично: нажатие "Назад" обычно возвращает к предыдущему статичному состоянию. Механизм "zoom out" в этом патенте запускает динамический выбор НОВОЙ группы Pivot Points. Этот новый набор адаптирован на основе предыдущего взаимодействия пользователя, что позволяет системе уточнять выдачу в реальном времени.

Как оптимизация товарного фида влияет на этот механизм?

Оптимизация фида напрямую влияет на этот процесс. Если у товара отсутствуют важные атрибуты, система не сможет точно определить его позицию в n-мерном пространстве и рассчитать Dimensional Distance до других товаров. Это снижает вероятность того, что товар будет выбран в качестве Pivot Point или включен в релевантное подмножество похожих товаров.

Может ли система использовать мои персональные интересы для выбора начальных Pivot Points?

Да, в патенте упоминается такая возможность. Система может выбирать первую группу Pivot Points на основе интересов, связанных с идентификатором клиента (client identifier). Эти интересы могут быть определены на основе предыдущих поисковых запросов или ранее выбранных элементов контента.

Что такое ECME и почему это важно?

ECME (Expected Cost of Minimum Exploration) – это метрика ожидаемого дохода от показа определенной Pivot Point. Она учитывает не только ставку за этот товар, но и ставки за последующие товары, которые пользователь может просмотреть в этой сессии (взвешенные на вероятность PER). Это показывает, что Google оптимизирует доход не от одного клика, а от всей цепочки взаимодействий пользователя.

Применяется ли этот механизм только на мобильных устройствах?

Патент делает сильный акцент на мобильных устройствах и сенсорном вводе (Touch Input, zoom in/out, swipe) как интуитивных способах навигации в условиях ограниченного экрана. Хотя описанные алгоритмы выбора Pivot Points и адаптации результатов могут быть реализованы и на десктопах, конкретная реализация UI оптимизирована для мобильного опыта.

Похожие патенты

Как Google создает интерактивное визуальное пространство для исследования связанных поисковых запросов
Google использует механизм для визуального исследования результатов поиска (например, по картинкам). Система определяет запросы, связанные с исходным, и размещает их результаты в виде "панелей" вокруг центрального результата. Пользователь может перемещаться по этому пространству, при этом система динамически генерирует новые связанные запросы на основе видимых панелей, используя аддитивное взвешивание для создания бесконечного интерфейса исследования тем.
  • US8996516B2
  • 2015-03-31

  • Мультимедиа

Как Google визуализирует результаты поиска на многомерном графике для сравнения релевантности и других характеристик (например, цены)
Патент Google, описывающий метод представления результатов поиска в виде многомерного графика. Вместо стандартного списка система отображает результаты (например, в виде иконок или миниатюр) на графике, где одна ось представляет релевантность запросу, а другая — альтернативную характеристику, такую как цена, дата публикации или географическое расстояние. Это позволяет пользователю визуально оценить компромисс между разными параметрами сортировки.
  • US7660822B1
  • 2010-02-09

  • SERP

Как Google персонализирует рекомендации популярных запросов на основе истории поиска и браузинга пользователя
Google анализирует глобальные тренды поисковых запросов и сопоставляет их с индивидуальной историей пользователя (посещенные сайты, прошлые запросы, категории интересов). Если популярный запрос соответствует выявленным интересам пользователя, он будет рекомендован. Система также применяет фильтры, исключающие запросы, которые пользователь вводил недавно.
  • US9443022B2
  • 2016-09-13

  • Персонализация

  • Поведенческие сигналы

  • Свежесть контента

Как Google может генерировать альтернативные запросы из контента страниц и встраивать их в сниппеты
Google использует механизм для помощи пользователям в уточнении их поискового намерения. Система анализирует текст веб-страниц в результатах поиска и находит фразы, похожие на исходный запрос или характеризующие документ. Эти фразы затем встраиваются непосредственно в сниппеты как кликабельные предложения для нового поиска, облегчая навигацию и уточнение запроса.
  • US9183323B1
  • 2015-11-10

  • Семантика и интент

  • SERP

Как Google извлекает цены и изображения товаров с веб-страниц для Google Shopping
Этот патент описывает, как Google автоматически идентифицирует страницы электронной коммерции и извлекает структурированные данные о товарах (такие как цена и изображение) из неструктурированного HTML. Система использует анализ близости элементов, структуру HTML и сигналы форматирования для поиска правильных атрибутов, что формирует основу для поисковых систем по товарам, таких как Google Shopping.
  • US7836038B2
  • 2010-11-16

  • Google Shopping

  • SERP

  • Индексация

Популярные патенты

Как Google использует близость цитирований (ссылок) для кластеризации результатов поиска
Google может группировать результаты поиска, анализируя, как документы ссылаются друг на друга. Система оценивает силу связи между документами, проверяя контекстуальную близость общих цитирований. Ссылки, расположенные в одном предложении (co-citation) или абзаце, имеют значительно больший вес, чем ссылки, просто присутствующие в документе. Это позволяет формировать точные тематические кластеры, отсеивая группы со слабыми связями.
  • US8612411B1
  • 2013-12-17

  • Ссылки

  • SERP

Как Google использует персонализированный PageRank ссылающихся страниц для переоценки значимости анкорного текста
Google может персонализировать поисковую выдачу, изменяя вес анкорного текста ссылок. Вес ссылки зависит не от глобального PageRank ссылающейся страницы, а от её "персонализированного PageRank", рассчитанного на основе предпочтений пользователя (например, любимых сайтов или тематик). Это позволяет повышать в выдаче документы, на которые ссылаются авторитетные для конкретного пользователя источники.
  • US7260573B1
  • 2007-08-21

  • Персонализация

  • Ссылки

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 использует ссылки, которыми делятся в почте, блогах и мессенджерах, как сигнал для корректировки ранжирования
Google запатентовал механизм (User Distributed Search), который учитывает, как пользователи делятся ссылками в коммуникациях (почта, блоги, мессенджеры). Если автор включает ссылку в сообщение, это дает ей первоначальную модификацию в ранжировании. Если получатели переходят по этой ссылке, её Ranking Score увеличивается ещё больше. Оба сигнала используются для влияния на позиции документа в будущей выдаче.
  • US8862572B2
  • 2014-10-14

  • Поведенческие сигналы

  • Ссылки

Как Google использует пользовательский контент (UGC) и историю поиска для сбора структурированных отзывов
Google анализирует пользовательский контент (фотографии, посты, метаданные) и историю поиска, чтобы определить, с какими объектами (места, продукты, услуги) взаимодействовал пользователь. Система проактивно предлагает оставить структурированный отзыв, используя шаблон, который может быть предварительно заполнен на основе тональности исходного UGC. Это направлено на увеличение объема и подлинности отзывов.
  • US20190278836A1
  • 2019-09-12

  • Семантика и интент

  • Персонализация

  • EEAT и качество

Как Google (YouTube) анализирует трафик конкурирующих видео для рекомендации улучшений метаданных
Google использует систему для анализа конкуренции между видео на основе общих поисковых запросов и времени просмотра. Система выявляет поисковые запросы, которые приводят трафик на конкурирующие (например, производные) видео, и сравнивает их с метаданными оригинального видео. Если обнаруживаются релевантные термины, отсутствующие у оригинала, они рекомендуются автору для улучшения видимости.
  • US10318581B2
  • 2019-06-11

  • Поведенческие сигналы

  • Мультимедиа

  • Семантика и интент

Как Google использует генеративный ИИ для создания динамических и гиперперсонализированных бизнес-профилей
Google разрабатывает систему, которая заменяет статические бизнес-профили динамическими «курируемыми профилями», генерируемыми ИИ (например, LLM). Эти профили адаптируются в реальном времени под конкретного пользователя, учитывая его запрос, предпочтения, историю поиска и демографию, чтобы показать наиболее релевантный контент, продукты и описания бренда.
  • US20250054045A1
  • 2025-02-13

  • Персонализация

  • Поведенческие сигналы

  • Семантика и интент

Как Google определяет структурно похожие запросы (sibling queries) для автоматического обучения NLP-моделей
Google использует метод для идентификации "родственных запросов" (sibling queries) — запросов с одинаковой структурой интента, но разными переменными (например, "погода в Москве" и "погода в Париже"). Система сравнивает шаблоны использования этих запросов в логах, основываясь на поведении пользователей, чтобы понять их взаимосвязь без традиционного NLP. Это позволяет автоматически генерировать масштабные наборы данных для обучения ИИ.
  • US11379527B2
  • 2022-07-05

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует поведение пользователей для определения синонимичности фраз в запросах, связанных с сущностями
Google анализирует поведение пользователей (клики по результатам поиска), чтобы определить, означают ли разные фразы одно и то же, когда они связаны с одним типом сущности (например, «достопримечательности в <Город>» против «места для посещения в <Город>»). Если пользователи кликают на одни и те же документы для разных фраз, система считает эти фразы эквивалентными, что помогает Google понимать синонимы и улучшать результаты поиска.
  • US10073882B1
  • 2018-09-11

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует контент, который вы смотрите (например, на ТВ), для автоматического переписывания и персонализации ваших поисковых запросов
Google может анализировать контент (фильмы, шоу, аудио), который пользователь потребляет на одном устройстве (например, ТВ), и использовать эту информацию как контекст для уточнения последующих поисковых запросов. Система распознает аудиовизуальный контекст и автоматически дополняет неоднозначные запросы пользователя, чтобы предоставить более релевантные результаты, в том числе на связанных устройствах (например, смартфоне).
  • US9244977B2
  • 2016-01-26

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы