Google использует механизм для интерпретации локальных запросов, введенных в одну строку. Система генерирует различные комбинации разделения запроса на тему («Что») и местоположение («Где»), отправляет их в разные базы данных (например, Карты, Локальный поиск) и использует оценки уверенности (Confidence Scores) для выбора наилучшей интерпретации.

Описание

Какую проблему решает

Патент решает проблему неоднозначности (ambiguity) при обработке локальных поисковых запросов, введенных пользователем в единое поле поиска. Основная задача — автоматически и точно определить, какая часть запроса относится к теме или названию бизнеса («Что»/«What» portion), а какая — к географическому местоположению («Где»/«Where» portion). Это устраняет ошибки интерпретации, например, когда часть названия бизнеса ошибочно принимается за местоположение, или наоборот.

Что запатентовано

Запатентована система и метод для генерации и оценки множества возможных интерпретаций локального поискового запроса. Система разделяет исходный запрос на различные партиции (partitions), например, «Что» и «Где». Эти партиции отправляются в специализированные поисковые репозитории (Search Repositories), такие как база данных карт и база данных локальных бизнесов. Система использует оценки уверенности (Confidence Scores), полученные от этих репозиториев, для выбора наиболее вероятной интерпретации пользовательского интента.

Как это работает

Ключевой механизм заключается в исследовании множества интерпретаций:

  • Генерация интерпретаций: Исходный запрос (например, "pizza new york") разделяется на возможные комбинации «Что»/«Где» (например, [pizza]/[new york]; [pizza new]/[york]; [pizza new york]/[]).
  • Параллельный поиск: Каждая партиция отправляется в соответствующий репозиторий. «Где» отправляется в Maps Data, «Что» — в Local Search Data. Поиск может выполняться параллельно.
  • Оценка уверенности: Репозитории возвращают результаты и Confidence Score для каждой партиции.
  • Выбор: Оценки партиций комбинируются (например, суммируются) для получения общей оценки интерпретации (Combined Confidence Score). Интерпретация с наивысшей оценкой признается оптимальной.

Актуальность для SEO

Высокая. Понимание локального интента и точное определение сущностей (бизнесов) и местоположений является фундаментальной задачей поиска. Хотя конкретные методы оценки Confidence Scores и алгоритмы разделения могли эволюционировать с развитием NLP и моделей (таких как BERT и MUM), описанный принцип — исследование множественных интерпретаций для разрешения неоднозначности локальных запросов — остается критически важным для Google Maps и Локального поиска.

Важность для SEO

Патент имеет критическое значение (8/10) для Local SEO. Он описывает фундаментальный механизм, определяющий, как Google понимает связь между названием бизнеса/категорией и его местоположением в запросе пользователя. Стратегии оптимизации должны обеспечивать максимальную ясность и согласованность данных о бизнесе (NAP), чтобы система могла с высокой уверенностью выбрать правильную интерпретацию запроса и показать релевантный результат.

Детальный разбор

Термины и определения

Combined Confidence Score (Общая оценка уверенности)
Агрегированная метрика, основанная на Confidence Scores всех партиций в рамках одной интерпретации. Используется для выбора наилучшей интерпретации запроса.
Confidence Score (Оценка уверенности)
Метрика, возвращаемая поисковым репозиторием вместе с результатами поиска для конкретной партиции. Отражает уровень уверенности репозитория в релевантности и качестве этих результатов. Может рассчитываться как сумма, среднее или максимальное значение оценок релевантности топовых результатов.
Interpretation / Split (Интерпретация / Разделение)
Один из возможных вариантов разделения исходного запроса на партиции (например, на «Что» и «Где»).
Leaf Node (Листовой узел)
Конечный узел в древовидной структуре плана поиска. Представляет собой конкретную партицию (например, «Что»), которая отправляется в соответствующий репозиторий.
Local Search Data (Данные локального поиска)
Поисковый репозиторий, содержащий индекс бизнесов, веб-страниц, отзывов и другой информации, связанной с географическим положением. Обрабатывает партиции «Что».
Maps Data (Картографические данные)
Поисковый репозиторий, содержащий названия и координаты дорог, районов, городов и стран. Обрабатывает партиции «Где» и возвращает географические координаты.
Partitions (Партиции)
Части исходного запроса, полученные в результате разделения (Splitting). Каждая партиция ассоциируется с определенным поисковым репозиторием. Партиции могут быть перекрывающимися (overlapping).
Search Component (Поисковый компонент)
Модуль системы, отвечающий за прием запроса, генерацию интерпретаций, отправку партиций в репозитории и выбор оптимальной интерпретации.
Search Repositories (Поисковые репозитории)
Специализированные базы данных или индексы, выполняющие различные типы поиска (например, Maps Data, Local Search Data, данные о трафике, событиях, недвижимости).
Tree Structure (Древовидная структура)
Структура данных, используемая для создания и организации плана поиска (Search Plan), в котором исследуются различные интерпретации запроса.
User Context Information (Контекстная информация пользователя)
Дополнительные данные о пользователе (IP-адрес, история поиска, текущий просматриваемый контент, язык), используемые для уточнения или дополнения интерпретаций запроса.
«What» portion (Партиция «Что»)
Часть запроса, относящаяся к тому, что пользователь ищет (название бизнеса, категория, товар).
«Where» portion (Партиция «Где»)
Часть запроса, относящаяся к географическому местоположению, интересующему пользователя.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод интерпретации локального запроса.

  1. Система получает поисковый запрос, состоящий из нескольких терминов.
  2. Формируется множество возможных интерпретаций запроса. Для каждой интерпретации:
    • Запрос разделяется на несколько партиций (partitions).
    • Каждая партиция ассоциируется с одним из множества репозиториев (repositories).
  3. Для каждой интерпретации вычисляется общая оценка уверенности (combined confidence score). Это включает:
    • Поиск в каждом репозитории на основе ассоциированной партиции.
    • Получение результатов из репозиториев.
    • Комбинирование confidence scores для всех партиций данной интерпретации. (Каждая оценка основана на результатах из соответствующего репозитория).
  4. Выбирается одна интерпретация на основе общих оценок уверенности.
  5. Генерируются и передаются пользователю локальные поисковые результаты на основе результатов, связанных с выбранной интерпретацией.

Claim 5 (Зависимый от 1): Уточняет, что разделение запроса на партиции основано на древовидной структуре (tree structure).

Claim 6 (Зависимый от 5): Уточняет, что листовые узлы (leaf nodes) древовидной структуры ассоциируются с партициями и репозиториями.

Claim 8 (Зависимый от 1): Указывает, что партиции могут быть перекрывающимися (overlapping). Это означает, что один и тот же термин из исходного запроса может присутствовать в нескольких партициях (например, и в «Что», и в «Где»).

Claim 9 (Зависимый от 1): Описывает дополнение запроса дополнительными терминами на основе контекстной информации пользователя (context information).

Claim 20 (Независимый пункт): Описывает архитектуру поисковой системы (search engine device).

  1. Система включает множество поисковых репозиториев для разных типов поиска.
  2. Система включает поисковый компонент (search component), который выполняет логику, описанную в Claim 1: принимает запрос, формирует интерпретации, генерирует дополнительные запросы (партиции), получает и комбинирует confidence scores, выбирает лучшие результаты и возвращает их пользователю.

Где и как применяется

Изобретение применяется на ранних этапах обработки поискового запроса.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Система анализирует входящий запрос, чтобы определить его структуру и интент до того, как начнется основное ранжирование.

  1. Интерпретация и Парсинг: Search Component получает сырой запрос и генерирует план поиска (Tree Structure) для исследования различных интерпретаций.
  2. Взаимодействие с репозиториями: Система выполняет серию быстрых параллельных запросов к специализированным репозиториям (Maps Data, Local Search Data) для оценки жизнеспособности каждой интерпретации. Это процесс валидации локального интента.
  3. Контекстуализация: Система использует User Context Information (IP, история поиска) для уточнения интерпретаций.

RANKING – Ранжирование (Косвенно)
Результаты этого процесса (выбранная оптимальная интерпретация) становятся входными данными для основного этапа ранжирования. Точность интерпретации напрямую влияет на то, какие документы будут отобраны и как они будут ранжироваться.

Входные данные:

  • Исходный поисковый запрос (текстовая строка).
  • User Context Information (IP-адрес, история поиска, язык, текущий просмотр карты и т.д.).
  • Статистические модели для прогнозирования вероятных партиций (опционально).

Выходные данные:

  • Оптимальная интерпретация запроса (структурированные данные: «Что»: [Термины], «Где»: [Местоположение/Координаты]).
  • Локальные поисковые результаты, соответствующие этой интерпретации.

На что влияет

  • Конкретные типы контента: В первую очередь влияет на локальные бизнес-листинги (Local Business Listings), карты (Maps), а также может влиять на локальные события, недвижимость и маршруты проезда (Driving Directions), если используются соответствующие репозитории.
  • Специфические запросы: Наибольшее влияние оказывается на неоднозначные локальные запросы. Например, запросы вида [Название Бизнеса + Город], [Категория + Город], или запросы с перекрывающимися названиями (например, "bronx zoo", "newark airport").
  • Конкретные ниши или тематики: Влияет на все ниши, связанные с локальным поиском (рестораны, ритейл, услуги, автосервисы и т.д.).

Когда применяется

  • Условия работы алгоритма: Применяется, когда система идентифицирует запрос как имеющий локальный интент, и этот запрос введен в единое поле поиска без явного разделения на «Что» и «Где».
  • Триггеры активации: Неоднозначность структуры запроса, требующая определения границ между темой и местоположением.
  • Ограничения: В патенте упоминается возможность ограничения максимального количества генерируемых интерпретаций для контроля нагрузки на систему. Также может использоваться статистическая модель (statistical model) для выполнения только наиболее перспективных интерпретаций.

Пошаговый алгоритм

Процесс работы системы по интерпретации локального запроса:

  1. Получение данных: Система получает исходный поисковый запрос и контекстную информацию пользователя.
  2. Генерация плана поиска: Создается древовидная структура (Tree Structure), представляющая различные интерпретации запроса. Корень дерева — исходный запрос. Дочерние узлы — возможные варианты разделения (Splits). Листовые узлы — конкретные партиции («Что» и «Где»).
  3. Предварительная обработка (Опционально): Используется statistical model для оценки вероятности каждой интерпретации. Менее вероятные интерпретации могут быть отброшены или отложены.
  4. Параллельное выполнение поиска: Листовые узлы (партиции) оцениваются путем отправки в соответствующие репозитории. Партиции «Где» отправляются в Maps Data, партиции «Что» — в Local Search Data. Запросы выполняются параллельно.
  5. Обработка неоднозначности (Ambiguity Handling): Если партиция «Где» неоднозначна (например, "Springfield"), она может быть расширена до нескольких недвусмысленных запросов (например, "Springfield, MA", "Springfield, IL"), которые также обрабатываются параллельно.
  6. Оценка уверенности (Confidence Scoring): Каждый репозиторий возвращает результаты и Confidence Score, отражающий качество этих результатов. Эти оценки сохраняются и ассоциируются с соответствующими листовыми узлами.
  7. Агрегация оценок: Confidence Scores листовых узлов комбинируются (например, суммируются) для расчета Combined Confidence Score для каждого дочернего узла (интерпретации).
  8. Выбор оптимальной интерпретации: Выбирается интерпретация с наивысшим Combined Confidence Score.
  9. Формирование выдачи: Результаты поиска, соответствующие выбранной интерпретации, форматируются (включая листинги бизнесов и карту) и возвращаются пользователю.

Какие данные и как использует

Данные на входе

Система использует следующие типы данных для интерпретации запросов:

  • Текстовые данные: Термины, составляющие исходный поисковый запрос.
  • Географические факторы: Данные внутри Maps Data Repository (названия дорог, районов, городов, стран, координаты). IP-адрес пользователя используется как часть контекстной информации.
  • Пользовательские факторы (User Context Information):
    • История поиска (search history) и просмотров пользователя.
    • Данные профиля пользователя (если зарегистрирован).
    • Язык запроса.
    • Хостнейм (домен), через который пользователь обратился к поиску.
    • Текущий просматриваемый контент (например, область карты, которую пользователь просматривал перед запросом).
  • Системные данные: Предварительно составленный список ключевых слов или фраз, указывающих на интент (например, фраза "getting to" может указывать на запрос маршрута).

Какие метрики используются и как они считаются

  • Confidence Score (Оценка уверенности партиции): Вычисляется на основе оценок релевантности (relevance scores), возвращаемых репозиторием. В патенте предложены варианты расчета:
    • Сумма или среднее значение оценок релевантности определенного числа топовых результатов.
    • Наивысшая нормализованная оценка релевантности в наборе результатов.
  • Combined Confidence Score (Общая оценка уверенности интерпретации): Агрегация (например, сумма) Confidence Scores всех партиций, входящих в данную интерпретацию.
  • Probability Estimate (Оценка вероятности): Метрика, генерируемая статистической моделью (statistical model). Используется для прогнозирования наиболее вероятных партиций, чтобы сократить количество выполняемых поисков или определить порядок их выполнения.

Выводы

  1. Активное разрешение неоднозначности: Google не полагается на единственную интерпретацию локального запроса. Вместо этого система активно генерирует и тестирует множество вариантов разделения запроса на «Что» и «Где».
  2. Зависимость от специализированных репозиториев: Точность интерпретации зависит от качества данных в отдельных репозиториях (Карты и Локальный Бизнес). Система должна распознать сущность и местоположение с высокой степенью уверенности в обоих репозиториях, чтобы интерпретация была принята.
  3. Confidence Score как решающий фактор: Ключевым механизмом выбора является Confidence Score, который напрямую связан с релевантностью и качеством результатов, найденных для каждой партиции.
  4. Поддержка перекрывающихся интентов: Система способна обрабатывать запросы, где термины относятся как к теме, так и к локации (например, "Bronx Zoo"). Оптимальная интерпретация может включать перекрывающиеся партиции (What="Bronx Zoo", Where="Bronx").
  5. Критичность контекста пользователя: Контекстная информация (местоположение пользователя, история поиска) активно используется для разрешения неоднозначности и дополнения запросов, что подчеркивает важность персонализации в локальном поиске.
  6. Гибкость системы: Архитектура позволяет подключать дополнительные репозитории (трафик, события, маршруты) и обрабатывать более сложные интерпретации, выходящие за рамки простого «Что»/«Где».

Практика

Best practices (это мы делаем)

  • Обеспечение ясности и согласованности NAP (Name, Address, Phone): Критически важно, чтобы название бизнеса и его местоположение были четко и последовательно представлены в Google Business Profile и на сайте. Это повышает вероятность того, что Search Repositories распознают их с высоким Confidence Score при обработке запроса.
  • Оптимизация под перекрывающиеся запросы (Overlapping Partitions): Для брендированных локальных запросов (например, "Starbucks Seattle") убедитесь, что ваш контент и данные оптимизированы так, чтобы поддерживать интерпретацию, где бренд фигурирует в «Что», а локация в «Где». Если название включает локацию (например, "Austin Plumbing"), необходимо четко ассоциировать полное название как сущность с соответствующей географической областью.
  • Усиление локальных сигналов (Geo-Relevance): Укрепляйте связь между тематикой бизнеса (категорией) и его географическим положением с помощью локализованного контента, упоминаний в местных СМИ и локальных ссылок. Это улучшает Confidence Score, когда система тестирует интерпретацию вида [Категория] + [Локация].
  • Использование структурированных данных (Schema.org): Применяйте разметку LocalBusiness для четкого определения сущности и ее местоположения. Это помогает поисковым репозиториям корректно идентифицировать партиции запроса.

Worst practices (это делать не надо)

  • Неоднозначные названия бизнеса: Использование названий, которые легко спутать с местоположением (или наоборот), без сильных сигналов для их разграничения, может привести к неверной интерпретации запросов.
  • Несогласованные данные (Inconsistent NAP): Наличие противоречивой информации о названии или адресе бизнеса в разных источниках запутает репозитории и снизит Confidence Score для правильной интерпретации.
  • Спам в названии бизнеса: Добавление названий городов или ключевых слов в название бизнеса может привести к неверному парсингу. Система может ошибочно принять часть названия за партицию «Где» или неправильно определить границы партиции «Что».

Стратегическое значение

Патент подтверждает фундаментальные принципы Local SEO: четкая идентификация сущности (Entity Identification) и сильная географическая ассоциация (Geographic Association). Он объясняет механизм, с помощью которого Google определяет значение локального запроса, подчеркивая, что точность и согласованность бизнес-данных имеют первостепенное значение. Для долгосрочной стратегии важно построение узнаваемого локального бренда, который Google может с высокой уверенностью идентифицировать в связке с его физическим местоположением.

Практические примеры

Сценарий: Оптимизация для бизнеса с географическим названием

Бизнес: Пиццерия "New York Pizza", расположенная в Далласе, Техас.

Проблема: Пользователь ищет "new york pizza dallas". Google должен понять, ищет ли пользователь пиццу в Нью-Йорке и Далласе, или конкретный бизнес в Далласе.

Применение механизма патента:

  1. Google генерирует интерпретации:
    • Интерпретация 1: What="New York Pizza", Where="Dallas".
    • Интерпретация 2: What="Pizza", Where="New York, Dallas".
    • Интерпретация 3: What="New York Pizza Dallas", Where=[].
  2. Система отправляет партиции в репозитории.
  3. Действия SEO-специалиста: Обеспечить максимальный Confidence Score для Интерпретации 1.
    • Убедиться, что в Local Search Data (GBP) есть четкая сущность "New York Pizza".
    • Убедиться, что Maps Data четко распознает "Dallas".
    • На сайте и в отзывах четко ассоциировать название "New York Pizza" с адресом в Далласе.
  4. Результат: Интерпретация 1 получает наивысший Combined Confidence Score, и пользователь видит искомый бизнес в Далласе.

Вопросы и ответы

Как Google решает, является ли слово в запросе названием бизнеса или названием города?

Система не принимает это решение напрямую. Вместо этого она тестирует оба варианта. Она отправляет слово в репозиторий локальных бизнесов (Local Search Data), чтобы проверить его как название («Что»), и одновременно отправляет его в картографический репозиторий (Maps Data), чтобы проверить как местоположение («Где»). Решение принимается на основе того, какой репозиторий вернул результат с более высоким Confidence Score в контексте всего запроса.

Что такое «Confidence Score» в этом патенте и как он рассчитывается?

Confidence Score — это метрика, которая показывает, насколько поисковый репозиторий уверен в качестве и релевантности результатов, найденных для конкретной части запроса (партиции). Он рассчитывается на основе внутренних оценок релевантности результатов. Например, это может быть среднее значение релевантности Топ-5 результатов или наивысшая оценка релевантности в выдаче по данной партиции.

Что произойдет, если название моего бизнеса включает название города (например, «Austin Plumbing»)?

Это распространенный сценарий, который обрабатывается с помощью генерации множества интерпретаций, включая перекрывающиеся партиции (overlapping partitions). Система протестирует варианты: What="Austin Plumbing", Where="Austin" (перекрытие), а также What="Plumbing", Where="Austin". Если ваш бизнес является сильной сущностью с именем "Austin Plumbing", первая интерпретация, скорее всего, получит более высокий Confidence Score, так как она более точно отражает интент.

Что такое «Search Repositories» и какие они бывают?

Search Repositories — это специализированные базы данных или индексы для разных типов контента. В патенте в первую очередь упоминаются Local Search Data (бизнесы, отзывы, локальные веб-страницы) и Maps Data (географические названия, координаты). Также упоминается возможность использования репозиториев для данных о трафике, событиях, недвижимости и маршрутах проезда.

Как местоположение пользователя (IP-адрес) влияет на этот процесс?

Местоположение пользователя является частью User Context Information. Эта информация используется для дополнения или уточнения интерпретаций запроса. Например, если пользователь вводит запрос с неоднозначным местоположением или вообще без него (например, просто "Hilton"), система может использовать текущее местоположение пользователя (по IP или GPS) как партицию «Где» по умолчанию.

Что означают «перекрывающиеся партиции» (overlapping partitions) для SEO?

Это означает, что Google может использовать один и тот же термин как часть темы («Что») и как часть локации («Где») одновременно. Классические примеры: "Bronx Zoo" (What="Bronx Zoo", Where="Bronx") или "Newark Airport". Для SEO это подчеркивает важность оптимизации под полные названия сущностей, даже если они содержат географические термины.

Применяется ли этот механизм к запросам «рядом со мной» (near me)?

Да. В этом случае система, скорее всего, интерпретирует запрос так: «Что» = тема запроса (например, "pizza"), а «Где» = текущее местоположение пользователя, полученное из User Context Information. Фраза "near me" выступает сильным индикатором локального интента, который активирует этот механизм интерпретации.

Как этот патент обрабатывает неоднозначные местоположения, такие как «Springfield»?

Патент описывает механизм обработки неоднозначности. Если партиция «Где» ("Springfield") возвращает несколько возможных географических локаций из Maps Data, система может расширить поиск. Она сгенерирует несколько уточненных запросов (например, "Springfield, MA", "Springfield, IL") и протестирует их параллельно, чтобы определить, какой из них дает наилучший результат в сочетании с партицией «Что».

Актуальна ли эта система сейчас, с появлением ИИ-моделей вроде BERT или MUM?

Концептуально — да. Современные модели, такие как MUM, превосходно справляются с пониманием контекста и интента. Однако базовая задача — определение границ между сущностью и местоположением в локальном запросе — остается прежней. Вероятно, современные системы используют более сложные нейросетевые подходы для генерации интерпретаций и расчета Confidence Scores, но общая логика разрешения неоднозначности сохраняется.

Как я могу улучшить «Confidence Score» для моего бизнеса?

Улучшение Confidence Score сводится к повышению уверенности Google в том, что ваш бизнес релевантен запросу и действительно находится в указанном месте. Это достигается через стандартные практики Local SEO: согласованность NAP во всех источниках, полнота и точность данных в Google Business Profile, наличие положительных отзывов и сильные локальные сигналы на вашем сайте (контент, ссылки, разметка).

Похожие патенты

Как Google определяет локальный интент и предлагает уточнить запрос до его отправки в поиск
Google использует вероятностную модель, основанную на поведении пользователей, чтобы определить, имеет ли вводимый запрос локальный интент. Если вероятность высока, система предлагает пользователю добавить уточняющую информацию (например, местоположение) ещё до того, как запрос будет отправлен в поисковую систему. Это позволяет сразу формировать более точную и локализованную выдачу.
  • US8484190B1
  • 2013-07-09

  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует контекстно-зависимые шаблоны запросов для понимания локальных поисковых запросов
Google анализирует исторические логи поиска, чтобы понять, как пользователи в разных странах и на разных языках структурируют географические запросы. Система генерирует вероятностные Шаблоны Запросов (Query Templates) и рассчитывает вероятность их корректности в зависимости от контекста пользователя (локаль, язык, устройство). Это позволяет точнее интерпретировать неоднозначные локальные запросы и адаптироваться к региональным особенностям.
  • US9753945B2
  • 2017-09-05

  • Local SEO

  • Семантика и интент

  • Персонализация

Как Google определяет скрытый локальный интент в запросах для повышения релевантности местных результатов
Google использует механизм для определения того, подразумевает ли запрос (например, «ресторан») поиск локальной информации, даже если местоположение не указано. Система анализирует агрегированное поведение пользователей для расчета «степени неявной локальной релевантности» запроса. Если этот показатель высок, Google повышает в ранжировании результаты, соответствующие местоположению пользователя.
  • US8200694B1
  • 2012-06-12

  • Local SEO

  • Поведенческие сигналы

  • Семантика и интент

Как Google определяет, когда игнорировать местоположение пользователя и показывать глобальные результаты для уникальных сущностей
Google использует систему для динамического выбора между показом результатов, привязанных к предполагаемому местоположению пользователя (например, по IP или GPS), и глобальными результатами. Если глобальные результаты географически тесно сгруппированы вокруг определенного места, система может решить, что пользователь ищет конкретную уникальную сущность (например, известный ресторан в другом городе), и предпочтет эти глобальные результаты локальным.
  • US10037357B1
  • 2018-07-31

  • Local SEO

  • SERP

Как Google использует географическое положение и историю поведения пользователей для разрешения неоднозначных запросов
Google применяет механизм для интерпретации неоднозначных поисковых запросов, которые имеют несколько географических или категориальных значений. Система определяет доминирующий интент, анализируя, как пользователи в том же регионе ранее уточняли похожие запросы и насколько они были удовлетворены результатами. На основе этих локализованных данных (гистограмм и метрик неудовлетворенности) выбирается наиболее вероятная интерпретация, и выдача фильтруется соответственно.
  • US8478773B1
  • 2013-07-02

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Популярные патенты

Как Google использует контекст пользователя для предложения запросов до начала ввода текста (Zero-Input Queries)
Google анализирует историю поисковых запросов, группируя их в «контекстные кластеры» на основе схожести темы и обстоятельств ввода (время, местоположение, интересы). Когда пользователь открывает строку поиска, система оценивает его текущий контекст и мгновенно предлагает релевантные категории запросов (например, «Кино» или «Рестораны»), предсказывая намерение еще до ввода символов.
  • US10146829B2
  • 2018-12-04

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google использует данные о поведении пользователей внутри документов (время чтения разделов, закладки) для улучшения ранжирования
Google может собирать и анализировать данные о том, как пользователи взаимодействуют с электронными документами (например, PDF, DOC, HTML). Система отслеживает, какие разделы или страницы просматриваются дольше всего или добавляются в закладки. Эта агрегированная информация используется для повышения в ранжировании документов, чьи ключевые слова находятся в наиболее используемых (и, следовательно, ценных) разделах.
  • US8005811B2
  • 2011-08-23

  • Поведенческие сигналы

  • SERP

Как Google решает, показывать ли прямой ответ, анализируя частоту использования естественного языка в исторических запросах о факте
Google анализирует исторические данные о том, как пользователи ищут конкретный факт. Если они часто используют естественный язык (например, «какая высота у Эйфелевой башни»), система считает, что пользователи действительно ищут этот факт. На основе этого рассчитывается «Оценка поиска фактов» (Fact-Seeking Score). Эта оценка используется как сигнал ранжирования, чтобы решить, нужно ли показывать прямой ответ (Factual Answer) и насколько высоко его разместить в результатах поиска.
  • US9396235B1
  • 2016-07-19

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google переносит авторитетность бренда и описательные термины между страницами одного сайта для улучшения ранжирования
Google использует механизмы для улучшения релевантности страниц путем переноса сигналов внутри сайта. Система распространяет "авторитетные" термины (например, бренд) с главной страницы на внутренние разделы и, наоборот, поднимает "высокоописательные" термины (например, адреса, категории, уникальные слова) с внутренних страниц на главную. Это позволяет ранжировать наиболее подходящую страницу сайта, даже если нужные ключевые слова на ней отсутствуют.
  • US7933890B2
  • 2011-04-26

  • Структура сайта

  • Техническое SEO

  • Индексация

Как Google использует внешние сигналы (соцсети, новости, блоги) для верификации реальной популярности контента и фильтрации накруток
Google верифицирует популярность контента (например, видео) проверяя, упоминается ли он на внешних источниках: блогах, новостных сайтах и в социальных сетях. Это позволяет формировать списки "популярного", отражающие подлинный широкий интерес, отфильтровывая контент с искусственно завышенными просмотрами или узконишевой популярностью. Система также учитывает географическую релевантность внешних упоминаний.
  • US9465871B1
  • 2016-10-11

  • Антиспам

  • SERP

  • Ссылки

Как Google персонализирует мобильную выдачу, повышая в ранжировании приложения, которые пользователь часто использует (Affinity Score)
Google рассчитывает «Affinity Score» для мобильных приложений на основе того, как часто и долго пользователь их использует (относительное вовлечение). При поиске с мобильного устройства система повышает в ранжировании результаты (deep links), ведущие в приложения с высоким Affinity Score, делая выдачу более персонализированной.
  • US10248698B2
  • 2019-04-02

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google индексирует контент внутри мобильных приложений для показа в результатах поиска (App Indexing)
Google использует механизм для индексации контента, который пользователи просматривают в нативных мобильных приложениях. Система получает данные о просмотренном контенте и deep links напрямую от приложения на устройстве. Эта информация сохраняется в индексе (персональном или публичном) и используется для генерации результатов поиска, позволяя пользователям переходить к контенту внутри приложений напрямую из поисковой выдачи.
  • US10120949B2
  • 2018-11-06

  • Индексация

  • SERP

  • Персонализация

Как Google использует паттерны просмотра пользователей (Co-Visitation) и временную близость для определения тематики нетекстового контента (изображений и видео)
Google использует механизм для понимания контента без текста (изображения, видео), анализируя, какие другие (текстовые) страницы пользователи посещают в рамках той же сессии. Ключевые слова с этих текстовых страниц заимствуются и присваиваются нетекстовому ресурсу. Критически важным фактором является время перехода: чем быстрее пользователь перешел между ресурсами, тем больший вес получают ключевые слова.
  • US8572096B1
  • 2013-10-29

  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google использует контекст пользователя в реальном времени и машинное обучение для переранжирования результатов поиска
Google использует систему для прогнозирования истинного намерения пользователя на основе его текущего контекста (местоположение, время, среда, недавние действия) и исторических данных о поведении других пользователей в аналогичных ситуациях. Система переранжирует стандартные результаты поиска, чтобы выделить информацию (особенно "Search Features"), которая наиболее соответствует прогнозируемому намерению.
  • US10909124B2
  • 2021-02-02

  • Семантика и интент

  • Персонализация

  • SERP

Как Google извлекает готовые ответы из авторитетных источников для формирования Featured Snippets
Google использует систему для предоставления прямых ответов на естественном языке (в виде абзацев или списков) на запросы с четким намерением. Система заранее анализирует авторитетные источники, извлекает пары «заголовок-текст», соответствующие популярным шаблонам вопросов, и сохраняет их в специальной базе данных. При получении соответствующего запроса система извлекает готовый ответ из этой базы и отображает его в выдаче.
  • US9448992B2
  • 2016-09-20

  • Семантика и интент

  • EEAT и качество

  • Индексация