Google использует запатентованную систему для определения того, какие дополнительные элементы (например, блоки новостей, изображений, локальной выдачи) отображать на странице результатов поиска. Вместо того чтобы полагаться только на текст запроса, система анализирует и классифицирует сами результаты поиска (URL, заголовки, сниппеты). Доминирующая тематика топовых результатов определяет, какие элементы будут активированы, что позволяет точнее соответствовать намерению пользователя.

Описание

Какую проблему решает

Патент решает проблему неоднозначности поисковых запросов при определении того, какие дополнительные элементы страницы (Page Elements) следует отображать в выдаче. Традиционный подход, основанный только на классификации запроса (Query Classification), может неверно интерпретировать интент пользователя. Например, запрос "burns" может относиться к медицине или к комику Джорджу Бернсу. Изобретение направлено на то, чтобы генерировать элементы страницы, которые соответствуют преобладающей интерпретации запроса, отраженной в самих результатах поиска.

Что запатентовано

Запатентована система и метод для определения элементов страницы на основе классификации набора результатов поиска (Result Classification), а не только самого запроса. Система анализирует различные компоненты результатов поиска (URL, заголовки, сниппеты, метки), чтобы определить доминирующую тематическую категорию выдачи в целом. Эта классификация затем используется для активации (triggering) соответствующих элементов страницы.

Как это работает

Система использует несколько классификаторов для анализа результатов поиска:

  • Анализ компонентов: Отдельные классификаторы анализируют URL, заголовки (Titles), сниппеты (Snippets) и метки (Labels) каждого результата.
  • Позиционное взвешивание (Position Bias): Классификация результатов на более высоких позициях имеет значительно больший вес при определении общей тематики выдачи.
  • Агрегация: Результаты работы всех классификаторов объединяются (например, через взвешенное среднее) для определения итогового набора классификаций и оценок (Result Scores) для всего набора результатов.
  • Активация элементов: Page Element Trigger Manager использует итоговую классификацию для выбора элементов страницы. Это может происходить по принципу "победитель получает всё" (высшая оценка) или с использованием классификации запроса в качестве фильтра (Negative Signal).

Актуальность для SEO

Высокая. Механизм является фундаментальным для работы Универсального поиска (Universal Search) и смешивания результатов (Blending). Определение того, когда показывать блоки изображений, новостей, карт или другие специальные функции SERP, остается критически важной задачей для обеспечения релевантности выдачи. Описанный подход, основанный на анализе самих результатов для уточнения интента, актуален для современных поисковых систем.

Важность для SEO

Патент имеет высокое значение для SEO (8/10), так как он описывает механизм, определяющий композицию страницы результатов поиска (SERP Layout) и активацию вертикалей. Понимание того, что контент и классификация топовых сайтов напрямую влияют на то, какие элементы будут показаны, критично для стратегий, нацеленных на попадание в специальные блоки (SERP Features) или на понимание конкурентной среды в конкретной тематике.

Детальный разбор

Термины и определения

Page Element (Элемент страницы)
Часть страницы результатов поиска (SERP), содержащая определенный контент. В контексте патента это могут быть блоки универсального поиска (новости, изображения, карты), рекламные блоки или другие специализированные функции SERP.
Search Classifier (Классификатор поиска)
Система, которая определяет классификацию на основе результатов поиска. Включает в себя несколько суб-классификаторов (URL, Title, Snippet, Label, Label Histogram).
Query Classifier (Классификатор запросов)
Система, которая определяет классификацию (категорию и оценку) на основе текста самого запроса.
Result Classification (Классификация результатов)
Интерпретация запроса, основанная на анализе набора результатов поиска. Представляет собой категорию и оценку (Result Score) для всего набора результатов в целом.
Page Element Trigger Manager (Менеджер активации элементов страницы)
Компонент, который использует Result Classification (и, возможно, Query Classification) для принятия решения о том, какие Page Elements следует отображать.
Position Bias (Позиционное смещение/взвешивание)
Механизм масштабирования весов классификации в зависимости от позиции результата в выдаче. Результаты на более высоких позициях получают больший вес.
Labels (Метки)
Предварительно назначенные дескрипторы, описывающие контент веб-сайта или страницы, возвращаемой в результатах.
Label Histogram (Гистограмма меток)
Список меток и соответствующих им частот (Frequencies), указывающих на количество вхождений данной метки во всем наборе результатов поиска.
Negative Signal (Негативный сигнал)
Метод использования Query Classification для блокировки отображения элементов страницы, если классификация запроса сильно расходится с классификацией результатов.
Positive Signal (Позитивный сигнал)
Метод активации элементов страницы, основанный на выборе классификации с наивысшей оценкой из Result Classification.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения интерпретации запроса на основе результатов поиска для выбора элементов страницы.

  1. Система получает набор результатов поиска (result set), где каждый результат содержит как минимум две разные части (например, URL и заголовок, или сниппет и метку).
  2. Система определяет интерпретацию запроса, представленную как Result Classification (категория и оценка) для всего набора результатов в целом. Этот процесс включает:
    • Для каждого результата: Определение категорий и оценок для первой части (например, URL) и второй части (например, Заголовка).
    • Определение индивидуальной категории и оценки результата на основе взвешенной комбинации (weighted combination) оценок первой и второй частей.
    • Определение итоговой категории и оценки для всего набора результатов на основе индивидуальных категорий и оценок.
  3. Система идентифицирует Page Element, соответствующий этой интерпретации.
  4. Система предоставляет страницу, включающую этот Page Element и результаты поиска.

Ядром изобретения является определение общей тематики выдачи путем анализа и взвешенной комбинации различных компонентов результатов поиска.

Claim 2 (Зависимый от 1): Уточняет механизм взвешивания.

Указанные веса (specified weights), используемые во взвешенной комбинации, корректируются на основе позиции (position) каждого индивидуального результата поиска относительно других результатов в наборе.

Это подтверждает критическую важность позиционного взвешивания (Position Bias): тематика результатов в ТОПе определяет общую классификацию.

Claim 3 (Зависимый от 1): Описывает конкретный вариант реализации.

Первая часть результата — это URL, а вторая часть — это имя хоста (hostname) из этого URL. Индивидуальная оценка результата определяется на основе комбинации весов полного URL и весов имени хоста.

Claim 5 и 6 (Зависимые от 1): Вводят использование классификации запроса.

Система также определяет Query Classification (категорию запроса). Result Classification выбирается из набора, когда категория результата соответствует категории запроса (Claim 6).

Claim 7 (Зависимый от 1): Описывает метод выбора итоговой классификации.

Result Classification выбирается из набора, если ее оценка (Result Score) является наивысшей среди всех оценок в наборе.

Где и как применяется

Изобретение применяется на финальных этапах формирования поисковой выдачи, используя данные, полученные на более ранних этапах.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно обработать контент и назначить ему Метки (Labels), которые позже будут использоваться классификаторами. Также должна существовать база данных или таблицы для маппинга URL, хостов, фраз из заголовков/сниппетов в категории.

RANKING – Ранжирование
Основная поисковая система генерирует упорядоченный набор результатов поиска (Result Set) с позициями (Positions).

QUNDERSTANDING – Понимание Запросов
Query Classifier может работать на этом этапе, анализируя текст запроса для определения Query Classification.

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
Это основной этап применения патента. Система (Search Classifier) анализирует результаты, полученные на этапе RANKING, чтобы определить общую тематику выдачи (Result Classification). Затем Page Element Trigger Manager использует эту классификацию, чтобы решить, какие вертикали или блоки (Page Elements) следует активировать и включить в финальную выдачу.

Входные данные:

  • Запрос пользователя (Query).
  • Результаты поиска (Search Results), включающие для каждого результата: Позицию, URL, Заголовок, Сниппет, Метки.
  • Гистограмма меток (Label Histogram) для всего набора результатов.

Выходные данные:

  • Набор классификаций результатов (Result Classification Set) с категориями и оценками.
  • Решение об активации конкретных элементов страницы (Page Elements).
  • Финальная страница (Page), включающая результаты поиска и активированные элементы.

На что влияет

  • Композиция SERP: Напрямую влияет на то, какие блоки Универсального поиска (Картинки, Новости, Видео, Локальная выдача) и другие элементы будут показаны пользователю.
  • Интерпретация интента: Влияет на то, как система интерпретирует неоднозначные запросы. Доминирующая тематика в ТОПе результатов определяет итоговую интерпретацию.
  • Конкретные типы контента: Влияет на видимость контента, который часто отображается в виде специализированных элементов (например, товары, локальные организации, медиа-контент).

Когда применяется

Алгоритм применяется при обработке запросов, для которых потенциально могут быть активированы дополнительные элементы страницы.

  • Триггеры активации: Процесс классификации результатов запускается после получения основного набора результатов от поисковой системы.
  • Условия для отображения элементов: Элементы отображаются, если итоговая Result Classification достигает определенного порога уверенности или имеет наивысшую оценку среди всех категорий. Также активация может быть заблокирована, если используется механизм Negative Signal и классификация запроса не совпадает с классификацией результатов.

Пошаговый алгоритм

Этап 1: Получение и предварительная обработка данных

  1. Получение запроса: Сервер получает запрос от пользователя.
  2. Классификация запроса (Опционально): Query Classifier определяет Query Classification (категория и оценка).
  3. Получение результатов поиска: Запрос отправляется в поисковую систему, которая возвращает Search Results (включая URL, Titles, Snippets, Labels, Positions) и Label Histogram.

Этап 2: Классификация результатов поиска (Search Classifier)

Этот этап выполняется параллельно несколькими классификаторами.

2А. Классификация URL, Заголовков и Сниппетов:

  1. Определение категорий и весов: Для каждого результата определяются возможные категории и веса на основе его URL (анализируя полный URL и хост), Заголовка и Сниппета (анализируя n-граммы).
  2. Масштабирование весов (Position Bias): Вес каждой категории масштабируется в соответствии с позицией результата. Используется убывающая функция (например,

Выводы

  1. Композиция SERP определяется ТОПом выдачи: Патент явно указывает, что для определения того, какие элементы (Page Elements) отображать, система классифицирует сами результаты поиска. Критически важным является механизм позиционного взвешивания (Position Bias), который придает значительно больший вес тематике сайтов, занимающих первые позиции.
  2. Уточнение интента через результаты: Система использует результаты поиска для разрешения неоднозначности запроса. Если запрос может иметь несколько интерпретаций, та интерпретация, которая доминирует в ТОПе ранжированных результатов, будет принята системой как основная для активации элементов.
  3. Многофакторная классификация контента: Для определения тематики результатов используется комбинация сигналов: URL/Хост, Заголовки, Сниппеты и предварительно назначенные Метки (Labels). Ни один фактор не является единственным источником истины; они агрегируются через взвешенное среднее.
  4. Роль классификации запроса (Query Classification): Классификация самого запроса также может использоваться, но часто в качестве фильтра или "санитарной проверки" (Negative Signal). Если интерпретация запроса сильно отличается от тематики результатов, система может заблокировать активацию элементов, основанных только на запросе.
  5. Важность семантической согласованности: Чтобы элемент был активирован, необходима сильная и согласованная тематическая связь между топовыми результатами. Если ТОП выдачи разрознен по тематикам, вероятность активации специализированных элементов снижается.

Практика

Best practices (это мы делаем)

  • Оптимизация Заголовков и Сниппетов для четкой классификации: Убедитесь, что Title и Snippet (формируемый часто из Meta Description или контента страницы) содержат четкие, тематически релевантные фразы (n-граммы). Это поможет Title Classifier и Snippet Classifier правильно определить категорию вашего контента, увеличивая его вес в общей классификации SERP.
  • Анализ тематики ТОПа выдачи: Изучайте, какие категории доминируют в ТОПе по целевым запросам. Чтобы максимизировать вероятность активации нужных вам элементов (например, блока Картинок или Локальной выдачи), ваш контент должен соответствовать доминирующей тематической классификации этих результатов.
  • Фокус на ТОП-позиции: Так как используется агрессивное позиционное взвешивание (Position Bias), влияние вашего сайта на композицию SERP экспоненциально возрастает при достижении первых 3-5 позиций.
  • Использование тематически релевантных URL и доменов: Хотя это и не основной фактор ранжирования, патент показывает, что URL Classifier и анализ имени хоста вносят вклад в общую классификацию. Четкие и релевантные URL могут помочь в правильной категоризации.

Worst practices (это делать не надо)

  • Создание контента, противоречащего доминирующему интенту ТОПа: Попытка ранжироваться по запросу с интентом, который сильно отличается от тематики уже существующих топовых результатов, будет затруднена. Система будет классифицировать SERP на основе существующих лидеров, и ваша страница может быть признана менее релевантной для этой классификации.
  • Игнорирование композиции SERP при сборе семантики: Нельзя анализировать запросы в вакууме. Необходимо учитывать, какие Page Elements активируются по этим запросам, так как это прямой индикатор того, как Google классифицирует данную выдачу с помощью описанного механизма.
  • Манипуляции с Заголовками/Сниппетами для кликбейта в ущерб тематичности: Использование нерелевантных или слишком общих фраз в Title и Snippet может привести к неверной или слабой классификации страницы, уменьшая ее вклад в определение тематики SERP.

Стратегическое значение

Патент подчеркивает стратегию Google по переходу от анализа изолированного запроса к анализу всего контекста поисковой выдачи. Это фундаментальный механизм для работы Метапоиска (Universal Search). Для SEO-специалистов это означает, что понимание того, как Google классифицирует контент конкурентов в ТОПе, так же важно, как и классификация собственного контента. Стратегия должна быть направлена на создание контента, который не только отвечает на запрос, но и укрепляет доминирующую тематическую классификацию SERP.

Практические примеры

Сценарий: Активация блока локальной выдачи (Local Pack) для неоднозначного запроса

  1. Запрос: "Пицца" (неоднозначный запрос: может быть рецепт, история, заказ).
  2. Анализ ТОП-5 результатов: Система анализирует ТОП-5 органических результатов.
    • Результат 1: Сайт пиццерии А (URL: pizzeria-a.com, Title: Заказ пиццы в [Город]).
    • Результат 2: Агрегатор доставки еды (Snippet: Выберите пиццу из 20 ресторанов...).
    • Результат 3: Сайт пиццерии Б.
    • Результат 4: Статья в Википедии о пицце.
    • Результат 5: Сайт с рецептами.
  3. Классификация и Взвешивание: Классификаторы определяют категории "Локальный бизнес" и "Доставка еды" для результатов 1, 2, 3 и категории "Информация", "Рецепты" для 4, 5. Из-за Position Bias, вес категорий результатов 1-3 значительно выше.
  4. Агрегация: Итоговая Result Classification показывает наивысшую оценку для категории "Локальный бизнес/Еда".
  5. Активация: Page Element Trigger Manager активирует Page Element, соответствующий этой категории — блок локальной выдачи (Local Pack).
  6. Результат: Несмотря на наличие информационных сайтов в выдаче, система определяет доминирующий локальный интент на основе ТОПа и показывает карты.

Вопросы и ответы

Что является основным источником данных для определения того, какие элементы показать на SERP согласно этому патенту?

Основным источником данных являются сами результаты поиска (Search Results), а не только текст запроса. Система анализирует URL, Заголовки, Сниппеты и Метки (Labels) ранжированных документов, чтобы определить общую тематику выдачи (Result Classification). Этот подход позволяет разрешать неоднозначность запросов, опираясь на то, какой контент поисковая система уже сочла релевантным.

Насколько важна позиция сайта в выдаче для работы этого алгоритма?

Позиция критически важна. Патент описывает механизм позиционного взвешивания (Position Bias), при котором веса классификации масштабируются с использованием убывающей функции от позиции (например, n−0.5n^{-0.5}). Это означает, что тематика сайтов на позициях 1-3 оказывает гораздо большее влияние на итоговую классификацию SERP и активацию элементов, чем тематика сайтов в конце страницы.

Какие компоненты страницы анализируются для определения ее тематики?

Анализируется несколько компонентов с помощью отдельных классификаторов: URL (полный и только имя хоста), Заголовок (Title), Сниппет (Snippet) и Метки (Labels), предварительно назначенные странице. Результаты работы всех этих классификаторов затем объединяются с помощью взвешенного усреднения.

Что такое Метки (Labels) и Гистограмма Меток (Label Histogram)?

Метки (Labels) — это дескрипторы или категории, предварительно назначенные веб-страницам (вероятно, на этапе индексирования). Гистограмма Меток (Label Histogram) — это сводная статистика, показывающая частоту встречаемости различных меток во всем наборе результатов поиска. Оба этих источника используются для определения тематического профиля выдачи.

Как система обрабатывает ситуацию, когда классификация запроса отличается от классификации результатов?

Патент описывает механизм под названием Negative Signal. Если классификация запроса (интент, определенный по тексту запроса) не входит в число топовых классификаций, определенных по результатам поиска, система может заблокировать отображение элементов, связанных с классификацией запроса. Это предотвращает активацию нерелевантных блоков, если результаты поиска явно указывают на другой интент.

Как SEO-специалист может повлиять на классификацию своего контента в рамках этого алгоритма?

Необходимо обеспечить четкую и последовательную тематическую сигнализацию в ключевых элементах страницы. Используйте релевантные фразы (n-граммы) в Заголовках и Сниппетах, а также поддерживайте тематическую структуру URL. Чем точнее эти элементы отражают целевую категорию, тем выше вероятность правильной классификации страницы.

Может ли этот алгоритм объяснить, почему по одному и тому же запросу иногда показываются разные блоки (например, иногда есть Local Pack, а иногда нет)?

Да. Поскольку алгоритм зависит от классификации текущих топовых результатов, любые изменения в ранжировании этих результатов могут изменить общую классификацию SERP. Если в ТОП попадают сайты с сильной локальной привязкой, Result Classification сместится в сторону локального интента, активируя Local Pack. Если ранжирование изменится в пользу информационных сайтов, классификация изменится, и блок может исчезнуть.

Как анализ n-грамм в Заголовках и Сниппетах влияет на классификацию?

Система анализирует последовательности слов (n-граммы) в этих элементах и ищет их соответствие известным категориям. Патент указывает, что более длинные последовательности (большее значение n) получают больший вес при классификации. Это подчеркивает важность использования полных, релевантных фраз в Title и Meta Description.

Что важнее для определения тематики: URL, Заголовок или Сниппет?

Патент не указывает точные веса, но описывает, что итоговая оценка является взвешенным средним (Weighted Average) от всех классификаторов. Веса для каждого классификатора (например, вес для URL, вес для Заголовка) могут настраиваться адаптивно. Это означает, что важно оптимизировать все эти элементы, так как они все вносят вклад в итоговое решение.

Какое стратегическое значение этот патент имеет для продвижения в вертикальных поисках (Новости, Картинки)?

Стратегическое значение велико. Чтобы активировать нужную вертикаль в основной выдаче, необходимо, чтобы органические результаты в ТОПе имели сильную классификацию, соответствующую этой вертикали. Для попадания в блок Новостей нужно не только быть новостным сайтом, но и ранжироваться в ТОПе по запросам, где доминирует новостной контент, что подтвердит системе необходимость активации этого блока.

Похожие патенты

Как Google определяет тематику и интент запроса, анализируя контент уже ранжирующихся страниц в выдаче
Google использует метод классификации запросов, который анализирует не сам текст запроса, а контент (URL, заголовки, сниппеты) страниц, находящихся в топе выдачи по этому запросу. Сравнивая набор терминов из этих результатов с эталонными профилями разных тематик или типов контента (Новости, Видео, Картинки), система определяет интент пользователя и решает, какие вертикали поиска активировать.
  • US8756218B1
  • 2014-06-17

  • Семантика и интент

  • SERP

Как Google классифицирует веб-страницы и персонализирует выдачу, используя историю запросов и поведенческие данные
Google использует итеративный метод для тематической классификации веб-страниц, не анализируя их контент напрямую. Система анализирует исторические логи запросов и данные о кликах. Классификация известных страниц переносится на запросы, в результатах которых они появляются, а затем классификация этих запросов переносится на новые страницы. Эти данные используются для построения профилей пользователей и персонализации поисковой выдачи.
  • US8185544B2
  • 2012-05-22

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует авторитетные сайты в органической выдаче для активации и позиционирования блоков с ответами (Answer Boxes)
Google определяет, когда показывать блок с ответом (Answer Box) или вертикальную интеграцию (погода, акции и т.д.), анализируя не только текст запроса, но и состав органической выдачи. Если в результатах присутствуют специфические авторитетные URL или ключевые слова (называемые «индикаторами блока ответов»), система с большей вероятностью покажет соответствующий блок. Эти индикаторы определяются заранее путем анализа того, какие сайты часто появляются по ключевым «исходным запросам» для данной темы.
  • US9607087B1
  • 2017-03-28

  • SERP

  • Семантика и интент

Как Google использует топовые результаты поиска для активации и выбора блоков с ответами (Answer Boxes/Featured Snippets)
Google может активировать блоки с ответами (Answer Boxes или Featured Snippets), анализируя не только сам запрос, но и топовые результаты поиска. Если ресурсы в выдаче ассоциированы с определенной темой (Answer Box Topic), система покажет соответствующий блок. Это позволяет точнее выбирать ответ при неоднозначных запросах и подчеркивает роль данных, предоставленных издателями.
  • US9355175B2
  • 2016-05-31

  • SERP

  • Семантика и интент

Как Google оценивает и выбирает контент для Featured Snippets (Блоков с ответами) на основе консенсуса выдачи
Google использует систему для выбора и оценки Featured Snippets. Система анализирует топовые результаты поиска, чтобы предсказать, какие термины должны быть в ответе (Answer Terms). Затем она оценивает отрывки текста, учитывая совпадение с запросом, наличие предсказанных терминов ответа (консенсус топа), качество исходного сайта, форматирование и языковую модель контента.
  • US9940367B1
  • 2018-04-10

  • SERP

  • Семантика и интент

  • EEAT и качество

Популярные патенты

Как Google использует персональное дерево интересов пользователя для определения важности слов в запросе и его переписывания
Google использует иерархический профиль интересов пользователя (Profile Tree), построенный на основе истории поиска и поведения, чтобы определить, какие слова в запросе наиболее важны для конкретного человека. Специфичные интересы (глубокие узлы в дереве) получают больший вес. Это позволяет системе отфильтровать шум в длинных запросах и сгенерировать более точный альтернативный запрос.
  • US8326861B1
  • 2012-12-04

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует данные о выделении текста пользователями (явно или неявно) для генерации сниппетов и анализа контента
Google может собирать данные о том, какие фрагменты текста пользователи выделяют на веб-страницах, используя специальные инструменты или просто выделяя текст мышью. Эти данные агрегируются для определения наиболее важных частей документа. На основе этой "популярности" Google может динамически генерировать поисковые сниппеты, включающие наиболее часто выделяемые фрагменты.
  • US8595619B1
  • 2013-11-26

  • Поведенческие сигналы

  • SERP

Как Google обучает ИИ-модели для автоматической оценки качества сайтов на основе данных асессоров и предвзятой выборки
Патент Google, описывающий фундаментальную методологию создания систем оценки качества сайтов. Google использует машинное обучение (например, SVM), чтобы найти корреляции между оценками асессоров и измеримыми сигналами сайта (PageRank, клики). Для повышения точности применяется метод «предвзятой выборки» (Biased Sampling): система намеренно собирает больше оценок для сайтов среднего качества («сложных случаев»), чем для очевидно плохих или хороших.
  • US8442984B1
  • 2013-05-14

  • SERP

  • EEAT и качество

  • Поведенческие сигналы

Как Google генерирует "Свежие связанные запросы" на основе анализа трендов и новостного контента
Google анализирует недавние поисковые логи, чтобы выявить запросы, демонстрирующие резкий рост популярности или отклонение от ожидаемой частоты. Эти "свежие" запросы проходят обязательную валидацию: они должны возвращать достаточное количество новостных результатов и иметь хорошие показатели вовлеченности (CTR). Это позволяет Google динамически обновлять блок "Связанные поиски", отражая актуальные события и тренды.
  • US8412699B1
  • 2013-04-02

  • Свежесть контента

  • Поведенческие сигналы

  • SERP

Как Google алгоритмически определяет и верифицирует языковые версии страниц, анализируя ссылки, контент и частоту обновлений
Google использует систему для автоматической идентификации связанных версий контента (например, переводов). Система анализирует ссылки между страницами и ищет «индикаторы связи» (названия языков в анкорах или флаги). Обнаруженная связь затем верифицируется с помощью машинного перевода и сравнения контента, а также анализа частоты обновлений. Это позволяет Google показывать пользователю наиболее подходящую языковую или региональную версию в поиске.
  • US8892596B1
  • 2014-11-18

  • Мультиязычность

  • Ссылки

  • SERP

Как Google рассчитывает оценку авторитетности сайта, используя соотношение Независимых Ссылок и Брендовых Запросов
Google рассчитывает метрику авторитетности для веб-сайтов на основе соотношения количества независимых входящих ссылок к количеству брендовых (референсных) запросов. Сайты, имеющие много независимых ссылок относительно их поисковой популярности, получают преимущество. Напротив, популярные сайты с недостаточным количеством внешних ссылок могут быть понижены в ранжировании по общим запросам.
  • US8682892B1
  • 2014-03-25

  • Ссылки

  • EEAT и качество

  • SERP

Как Google использует визуальные цитаты и обратную связь для генерации и уточнения ответов в мультимодальном поиске
Google генерирует ответы на мультимодальные запросы (изображение + текст), находя визуально похожие изображения в интернете и используя текст с их исходных страниц как основу для LLM. Система показывает эти изображения как «визуальные цитаты» для подтверждения ответа и позволяет пользователям исключать нерелевантные источники, чтобы мгновенно уточнить сгенерированный результат.
  • US20240378236A1
  • 2024-11-14

  • Мультимедиа

  • EEAT и качество

  • Ссылки

Как Google использует историю местоположений для определения физической активности пользователя и гиперперсонализации поиска
Google анализирует историю перемещений пользователя (местоположения и скорость), чтобы определить его текущую физическую активность (например, поход, шоппинг) и способ передвижения (например, пешком, на автобусе). Эта информация используется для радикальной персонализации: система корректирует ранжирование результатов, изменяет запросы и формирует подсказки, чтобы они соответствовали контексту реальных действий пользователя.
  • US20150006290A1
  • 2015-01-01

  • Поведенческие сигналы

  • Персонализация

  • Local SEO

Как Google определяет, когда показывать обогащенный результат для сущности, и использует консенсус веба для исправления данных
Google использует механизм для определения того, когда запрос явно относится к конкретной сущности (например, книге). Если один результат значительно доминирует над другими по релевантности, система активирует «обогащенный результат». Этот результат агрегирует данные из разных источников (структурированные данные, веб-страницы, каталоги товаров) и использует наиболее популярные варианты данных из интернета для проверки и исправления информации о сущности.
  • US8577897B2
  • 2013-11-05

  • SERP

  • Семантика и интент

  • EEAT и качество

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