Google использует механизм для агрегации оценок (явных или неявных), которые пользователь дает отдельным веб-страницам. Система формирует персональный «рейтинг сайта» или раздела сайта на основе этих данных. Затем этот агрегированный рейтинг используется для повышения или понижения позиций других страниц этого сайта в будущих поисковых результатах конкретного пользователя, даже если эти страницы он ранее не оценивал.

Описание

Какую проблему решает

Патент решает проблему неэффективности повторных поисков, когда пользователь вынужден заново оценивать результаты, так как его предыдущий анализ не сохраняется и не используется системой. Изобретение направлено на использование истории оценок пользователя для повышения релевантности и эффективности будущих поисковых сессий для этого конкретного пользователя.

Что запатентовано

Запатентована система экстраполяции пользовательских предпочтений. Система получает оценки пользователя для некоторых, но не всех страниц в рамках определенной группы (веб-сайта или его раздела) и генерирует обобщенный User-specific site rating (персональный рейтинг сайта) для этой группы. Этот обобщенный рейтинг затем применяется для персонализации ранжирования других, ранее не оцененных пользователем страниц из этой группы.

Как это работает

Система работает в несколько этапов:

  • Сбор данных: Пользователь предоставляет оценку веб-страницы (в патенте это явные сигналы: звезды, метки; в современных системах это могут быть неявные поведенческие сигналы).
  • Агрегация: Поисковая система агрегирует эти оценки на уровне домена или директории сайта, вычисляя User-specific site rating.
  • Экстраполяция: При последующих поисках система применяет этот рейтинг к другим страницам с этого сайта/раздела, даже если пользователь их не оценивал.
  • Персонализация ранжирования: Базовые оценки ранжирования (Ranking Score) модифицируются на основе этих персональных рейтингов, повышая предпочитаемые сайты и понижая нежелательные в выдаче конкретного пользователя.

Актуальность для SEO

Средняя. Концепция персонализации на основе предпочтений пользователя остается крайне актуальной. Однако механизмы сбора данных, описанные в патенте (явные оценки в виде звезд, тулбары), сегодня используются редко. Современные системы преимущественно используют неявные поведенческие сигналы (клики, время на сайте, возвраты в выдачу) как прокси для этих оценок. Тем не менее, патент описывает фундаментальную логику агрегации и экстраполяции предпочтений на уровне сайта.

Важность для SEO

Влияние на глобальное SEO минимально, так как описанный механизм является слоем персонализации и не влияет на ранжирование для всех пользователей. Однако патент подчеркивает стратегическую важность обеспечения стабильно высокого уровня удовлетворенности пользователей. Если пользователь формирует предпочтение к сайту (явно, как в патенте, или неявно), этот механизм усиливает это предпочтение, значительно увеличивая видимость сайта для данного конкретного пользователя и затрудняя вход конкурентам в его персональную выдачу.

Детальный разбор

Термины и определения

Community Record (Запись сообщества)
Запись в базе данных, индексированная по URL или DocID, которая агрегирует аннотации (рейтинги, метки) от множества пользователей для конкретного документа.
Group of web pages (Группа веб-страниц)
Набор страниц, объединенных общим признаком. В патенте это либо все страницы конкретного веб-сайта (particular web site), либо страницы в определенном подразделе сайта (particular subunit), например, в директории.
Ranking Score (S) (Оценка ранжирования)
Базовая (неперсонализированная) числовая оценка, определяющая позицию документа в результатах поиска.
Revised Score (S') (Пересмотренная оценка)
Модифицированная оценка ранжирования, учитывающая персональные предпочтения пользователя (рейтинг r).
Subunit of a web site (Подраздел веб-сайта)
Часть сайта (например, директория), которая рассматривается как отдельная группа для расчета Site Rating.
User Information Database (База данных информации о пользователе)
Хранилище, содержащее записи о пользователях (User Record), включая их действия и пользовательские аннотации.
User-specific site rating (Персональный рейтинг сайта)
Ключевое понятие патента. Рейтинг, сгенерированный для определенной группы веб-страниц (сайта или раздела) на основе оценок, которые конкретный пользователь дал некоторым страницам в этой группе. Используется для экстраполяции предпочтений.
User-specified annotations (Пользовательские аннотации)
Явные данные, введенные пользователем о документе: рейтинги (Ratings, например, звезды), метки (Labels), комментарии (Comments), пометки спам/корзина (Trash/Spam).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации персональных рейтингов путем экстраполяции.

  1. Система получает рейтинги пользователя для некоторых, но не всех веб-страниц, принадлежащих к определенной группе (сайт или подраздел сайта).
  2. Система генерирует User-specific site rating для этой группы веб-страниц на основе полученных частичных рейтингов.
  3. Система генерирует персональный рейтинг для конкретной веб-страницы из этой группы, которая не была оценена пользователем, используя сгенерированный User-specific site rating.

Ядром изобретения является механизм экстраполяции: на основе оценки нескольких страниц делается вывод о качестве сайта/раздела в целом для данного пользователя, и этот вывод применяется к остальным страницам сайта/раздела.

Claim 11 (Зависимый от 1): Уточняет метод расчета User-specific site rating.

Рейтинг может быть средним значением (average), медианой (median) оценок пользователя внутри группы, или взвешенным средним (weighted average) оценок внутри группы и оценок за ее пределами (например, на других разделах того же сайта).

Где и как применяется

Изобретение применяется на финальных этапах обработки поискового запроса для персонализации результатов.

(Фоновый процесс) – Сбор и обработка данных
Система постоянно собирает пользовательские аннотации (явные или неявные) и сохраняет их в User Information Database. На основе этих данных периодически или по запросу рассчитывается User-specific site rating для различных сайтов и их разделов.

RANKING – Ранжирование
На этом этапе генерируется базовый набор результатов с неперсонализированными оценками ранжирования (Ranking Score S).

RERANKING – Переранжирование (Персонализация)
Основное место применения патента. Система идентифицирует пользователя и извлекает его персональные данные.

  1. Получение персональных рейтингов: Для документов в результатах поиска система ищет явные оценки пользователя. Если их нет, используется экстраполированный User-specific site rating.
  2. Модификация оценок: Базовые оценки (S) модифицируются с использованием персонального рейтинга (r) для получения пересмотренной оценки (Revised Score S').
  3. Пересортировка: Результаты переупорядочиваются на основе Revised Score S'.

Входные данные:

  • Поисковый запрос и Идентификатор пользователя (User ID).
  • Базовый набор результатов поиска с оценками (S).
  • User Information Database (содержащая оценки страниц и рассчитанные User-specific site ratings).

Выходные данные:

  • Персонализированный список результатов поиска с пересмотренными оценками (S').

На что влияет

  • Специфические запросы: Наибольшее влияние оказывается на запросы, по которым у пользователя уже сформированы четкие предпочтения относительно источников (например, информационные или исследовательские запросы).
  • Конкретные типы контента и ниши: Влияет на любые типы контента и тематики, но зависит исключительно от истории активности и предпочтений самого пользователя.

Когда применяется

  • Условия применения: Алгоритм применяется, когда пользователь идентифицирован системой (например, залогинен) и у него есть история взаимодействий или проставления оценок.
  • Триггеры активации: Активируется, когда в результатах поиска присутствуют документы с сайтов/разделов, для которых система смогла рассчитать User-specific site rating на основе предыдущих взаимодействий пользователя.

Пошаговый алгоритм

Процесс А: Генерация персонального рейтинга сайта (Фоновый или по требованию)

  1. Идентификация группы: Определение группы веб-страниц (сайт или раздел сайта на основе URL).
  2. Извлечение данных: Получение всех оценок (r) — явных или неявных — которые пользователь дал страницам внутри этой группы.
  3. Фильтрация: Проверка, что данных достаточно для анализа.
  4. Агрегация: Расчет User-specific site rating. Методы включают среднее, медиану или взвешенное среднее (например, 80% веса оценкам внутри раздела, 20% веса оценкам на сайте вне этого раздела).
  5. Сохранение: Запись User-specific site rating в User Information Database.

Процесс Б: Персонализация поисковой выдачи (Реальное время)

  1. Получение запроса и идентификация пользователя.
  2. Генерация базовых результатов: Получение списка документов и их базовых оценок (S).
  3. Персонализация результатов: Для каждого документа в списке:
    1. Проверка наличия явной оценки страницы пользователем (r).
    2. Если явной оценки нет, проверка наличия User-specific site rating для соответствующего раздела или сайта (использование иерархии: раздел > сайт). Этот рейтинг используется как унаследованный (r).
    3. Если персональный рейтинг (r) существует (явный или унаследованный), расчет Revised Score (S') по формуле (например, S

      Выводы

      1. Механизм глубокой персонализации: Патент описывает конкретный механизм для значительного изменения поисковой выдачи на основе предпочтений конкретного пользователя (явных или, в современной интерпретации, неявных).
      2. Экстраполяция предпочтений (Inference): Ключевой особенностью является не просто учет оценок страниц, а экстраполяция этих оценок на более широкие группы. Оценка нескольких страниц позволяет сделать вывод о предпочтении пользователя к сайту или разделу в целом (User-specific site rating).
      3. Иерархическое применение рейтингов: Система применяет наиболее специфичный доступный рейтинг. Приоритет отдается явной оценке страницы. Если ее нет, используется рейтинг подраздела (subunit). Если и его нет, используется рейтинг сайта.
      4. Математическая основа персонализации: Патент предоставляет конкретные формулы (например, S

        Практика

        Best practices (это мы делаем)

        Хотя патент основан на явных оценках (звездах), которые сейчас редко используются, его логика применима к современным системам, использующим неявные сигналы (клики, время взаимодействия). Практики ниже направлены на формирование положительного User-specific site rating (явного или неявного).

        • Обеспечение стабильного качества по всему сайту: Поскольку предпочтения экстраполируются, важно поддерживать высокое качество контента и UX во всех разделах. Положительный опыт пользователя в одном разделе может повысить видимость другого раздела для этого пользователя.
        • Фокус на удовлетворенности пользователя (User Satisfaction): Необходимо максимизировать сигналы удовлетворенности (длительное взаимодействие, достижение цели визита) и минимизировать сигналы неудовлетворенности (быстрые возвраты в выдачу, короткие клики). Это формирует положительный персональный рейтинг.
        • Логичная и чистая структура URL: Патент явно указывает на использование подразделов сайта (subunit) для агрегации рейтингов. Четкая иерархия URL (например, site.com/topic-a/, site.com/topic-b/) помогает системе корректно агрегировать предпочтения пользователей по тематическим кластерам.
        • Построение бренда и лояльности: Стимулируйте повторные визиты. Чем больше положительных взаимодействий у пользователя с сайтом, тем выше будет его персональный рейтинг сайта, создавая "виртуальный цикл" повышенной видимости.

        Worst practices (это делать не надо)

        • Непоследовательное качество контента: Смешивание высококачественного экспертного контента с низкокачественным или кликбейтным контентом в рамках одного раздела или сайта. Негативный опыт и низкие оценки (явные или неявные) могут привести к пессимизации всего раздела/сайта в персональной выдаче пользователя.
        • Игнорирование UX и поведенческих факторов: Фокус только на контенте и ссылках без учета того, как пользователи взаимодействуют с сайтом. Плохой UX ведет к негативным поведенческим сигналам, которые могут интерпретироваться как низкий персональный рейтинг.
        • Запутанная структура сайта: Отсутствие четкой иерархии затрудняет системе корректную агрегацию предпочтений на уровне разделов, что может привести к некорректной экстраполяции рейтингов.

        Стратегическое значение

        Этот патент иллюстрирует фундаментальную логику персонализации поиска Google. Он показывает, как Google стремится адаптировать выдачу под индивидуальные предпочтения пользователя. Стратегически это подчеркивает, что для долгосрочного успеха недостаточно оптимизироваться под глобальные факторы ранжирования. Необходимо строить ресурс, который стабильно удовлетворяет потребности пользователей. В персонализированной среде поиск становится игрой за лояльность: сайты, которые нравятся пользователю, получают системное преимущество в его выдаче.

        Практические примеры

        Сценарий: Экстраполяция предпочтений на основе неявных сигналов (современная интерпретация)

        1. Сбор данных: Пользователь ищет информацию по кулинарии и часто переходит на сайт «best-recipes.com». Он проводит там много времени, сохраняет рецепты (положительные неявные сигналы).
        2. Агрегация: Google интерпретирует это как высокие оценки для этих страниц и рассчитывает высокий User-specific site rating для домена «best-recipes.com» для этого пользователя.
        3. Поисковый запрос: Через неделю пользователь вводит новый запрос «рецепт лазаньи», который он никогда раньше не искал.
        4. Ранжирование: В глобальной выдаче на первом месте находится другой популярный сайт, а «best-recipes.com» – на пятом.
        5. Персонализация и Экстраполяция: Система применяет высокий User-specific site rating к результату «best-recipes.com». Рассчитывается Revised Score (S'), который оказывается выше, чем у конкурентов.
        6. Результат: В персональной выдаче пользователя «best-recipes.com» занимает первое место, хотя глобально он ранжируется ниже.

        Вопросы и ответы

        Влияет ли механизм, описанный в этом патенте, на глобальные факторы ранжирования?

        Нет, этот патент описывает исключительно механизмы персонализации. User-specific site rating рассчитывается индивидуально для каждого пользователя на основе его личных оценок (явных или неявных) и влияет только на его собственную поисковую выдачу. Он не влияет на то, как сайт ранжируется для других пользователей или в "чистой" (неперсонализированной) выдаче.

        Использует ли Google до сих пор явные оценки (звезды) в поиске?

        В настоящее время явные механизмы оценки результатов поиска (как описано в патенте, поданном в 2005 году) в основном интерфейсе Google Поиска не используются. Однако логика патента остается актуальной. Современные системы персонализации, скорее всего, используют неявные (implicit) сигналы — такие как клики, время взаимодействия с сайтом, возвраты в выдачу — в качестве прокси для этих явных оценок.

        Что означает экстраполяция предпочтений для SEO?

        Это означает, что опыт взаимодействия пользователя с одной частью вашего сайта может повлиять на ранжирование другой части сайта для этого пользователя. Если пользователю понравились ваши статьи в блоге, система может повысить в его выдаче ваши товарные страницы (и наоборот). Это подчеркивает важность стабильного качества и UX по всему ресурсу.

        Как структура сайта влияет на этот механизм?

        Структура сайта имеет прямое значение. Патент явно упоминает агрегацию рейтингов не только на уровне всего сайта, но и на уровне подраздела (subunit), например, директории. Четкая, логичная структура URL помогает системе правильно определить границы разделов и точнее агрегировать предпочтения пользователя по конкретным тематикам.

        Что произойдет, если качество контента на сайте непостоянно?

        Это рискованная ситуация. Если пользователь столкнется с низкокачественным контентом и оценит его негативно (явно или неявно), этот негатив может быть экстраполирован на весь раздел или сайт. Это приведет к понижению позиций всего ресурса в персональной выдаче этого пользователя, даже если другой контент качественный.

        Как система решает, какой рейтинг применить, если есть рейтинг страницы, раздела и сайта?

        Патент описывает иерархический подход. Приоритет отдается наиболее специфичному рейтингу. Сначала проверяется явный рейтинг конкретной страницы. Если его нет, используется User-specific site rating для наименьшей группы (раздела), включающей эту страницу. Если и его нет, используется рейтинг для более крупной группы (всего сайта).

        Может ли этот механизм объяснить, почему мой сайт теряет трафик от постоянных посетителей?

        Да, это возможно. Если постоянные посетители начали негативно оценивать ваш новый контент или столкнулись с ухудшением UX (что выражается в негативных поведенческих сигналах), система могла снизить для них ваш User-specific site rating. Это приведет к пессимизации вашего сайта в их персональной выдаче.

        Какова основная рекомендация для SEO, исходя из этого патента?

        Основная рекомендация — сместить фокус с краткосрочных метрик на долгосрочное построение лояльности и удовлетворенности пользователей. Необходимо обеспечивать стабильно высокое качество контента и превосходный пользовательский опыт во всех разделах сайта. Это формирует положительный персональный рейтинг и гарантирует высокую видимость сайта для лояльной аудитории.

        Используются ли данные из Community Records (агрегированные оценки сообщества) для ранжирования?

        Хотя патент упоминает Community Records (агрегацию оценок разных пользователей), ключевые утверждения (Claims 1 и 3) сосредоточены именно на использовании персональных оценок пользователя (User-specific site rating) для персонализации его собственной выдачи. Ядро изобретения — это персональная экстраполяция.

        Как рассчитывается итоговая оценка ранжирования?

        Система берет базовую оценку ранжирования (S) и модифицирует ее на основе персонального рейтинга (r). Одна из предложенных формул: S

        Похожие патенты

        Как Google использует персональные оценки пользователей для переранжирования выдачи и расчета «рейтинга сайта»
        Google может собирать явную обратную связь пользователя (рейтинги, метки, комментарии) по конкретным веб-страницам для персонализации будущих результатов поиска. Система переранжирует выдачу, повышая или понижая страницы на основе личных оценок. Кроме того, на основе оценок отдельных страниц рассчитывается общий «рейтинг сайта», который применяется к другим страницам этого же сайта, даже если пользователь их не оценивал.
        • US8166028B1
        • 2012-04-24

        • Персонализация

        • Поведенческие сигналы

        • SERP

        Как Google использует персональные оценки и метки (аннотации) для персонализации и переранжирования поисковой выдачи
        Патент Google описывает систему, позволяющую пользователям явно оценивать, комментировать и помечать веб-страницы. Эти аннотации используются для переранжирования будущих результатов поиска пользователя, повышая полезные страницы и понижая бесполезные. Система также вычисляет общие оценки сайтов (Site Rating) на основе оценок отдельных страниц для дальнейшей персонализации.
        • US8990193B1
        • 2015-03-24

        • Персонализация

        • Поведенческие сигналы

        • SERP

        Как Google использует историю поиска и браузинга для персонализации выдачи и создания неявного "Избранного"
        Google записывает историю поиска и просмотров пользователя для персонализации результатов. Система определяет "предпочтительные сайты" на основе частоты посещений, кликов и времени на сайте, повышая их в выдаче для этого пользователя. Патент также описывает объединение предпочтений пользователя с предпочтениями других людей для формирования комбинированного рейтинга.
        • US20060224608A1
        • 2006-10-05

        • Персонализация

        • Поведенческие сигналы

        • SERP

        Как Google использует закладки, историю посещений и поведение пользователей для персонализации поиска и таргетинга рекламы
        Патент Google, описывающий фундаментальный механизм персонализации поиска. Система объединяет результаты из глобального индекса с результатами из персонального индекса пользователя (закладки, аннотации, история посещений). Ранжирование корректируется на основе явных оценок пользователя и неявных поведенческих сигналов (частота визитов, время на сайте). Эти же данные используются для таргетинга рекламы.
        • US7523096B2
        • 2009-04-21

        • Персонализация

        • Поведенческие сигналы

        • SERP

        Как Google использует модифицированный PageRank (Personalized PageRank) для персонализации выдачи на основе истории и предпочтений пользователя
        Патент Google, описывающий механизм персонализации поиска путем модификации алгоритма PageRank. Система определяет "точку зрения" пользователя (Point-of-View Data) на основе его истории посещений, закладок или указанных категорий. Затем стандартный расчет PageRank изменяется так, чтобы авторитет (Reset Probability) концентрировался только на этих персональных источниках, повышая в выдаче сайты, которые близки к интересам пользователя.
        • US7296016B1
        • 2007-11-13

        • Персонализация

        • Поведенческие сигналы

        • SERP

        Популярные патенты

        Как Google позволяет пользователям "углубиться" в контент установленного мобильного приложения прямо из веб-выдачи
        Google использует этот механизм для интеграции контента из нативных приложений в веб-поиск. Если приложение установлено у пользователя и система определяет высокую релевантность его контента запросу, в выдачу добавляется специальный элемент (например, "Больше результатов из приложения X"). Клик по этому элементу запускает новый поиск, показывая множество deep links только из этого приложения, не покидая интерфейс поиска.
        • US10579687B2
        • 2020-03-03

        • SERP

        • Семантика и интент

        • Ссылки

        Как Google использует историю запросов в текущей сессии и статистические паттерны для переранжирования результатов
        Google анализирует миллионы прошлых поисковых сессий, выявляя статистически значимые последовательности запросов («Пути Запросов»), которые заканчиваются кликом на определенный URL («Конечная Точка Контента»). Когда текущая сессия пользователя совпадает с историческим путем, Google переранжирует результаты, повышая те URL, которые исторически удовлетворяли пользователей в аналогичном контексте, пропорционально вероятности их выбора.
        • US7610282B1
        • 2009-10-27

        • Поведенческие сигналы

        • SERP

        • Семантика и интент

        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 использует повторные клики, прямой трафик и время на сайте для расчета оценки качества домена и корректировки ранжирования
        Google анализирует поведение пользователей на уровне домена (группы ресурсов) для вычисления модификатора ранжирования. Ключевые метрики включают долю повторных кликов (Repeat Click Fraction), долю прямого трафика (Deliberate Visit Fraction) и среднюю продолжительность визита (Average Duration). Эти данные используются для корректировки исходных оценок страниц сайта, понижая ресурсы с низкими показателями пользовательской лояльности и вовлеченности.
        • US9684697B1
        • 2017-06-20

        • Поведенческие сигналы

        • SERP

        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 клики и пропуски пользователей для оценки и корректировки правил близости терминов (Proximity Rules)
        Google анализирует поведение пользователей для оценки эффективности правил близости (Proximity Rules), которые влияют на ранжирование в зависимости от расстояния между ключевыми словами на странице. Система отслеживает, кликают ли пользователи на результаты, где термины расположены далеко друг от друга, или пропускают их. На основе этих данных (Click Count, Skip Count) вычисляется оценка качества правила, что позволяет Google динамически адаптировать важность фактора близости.
        • US9146966B1
        • 2015-09-29

        • Поведенческие сигналы

        • SERP

        Как Google улучшает результаты поиска, подбирая похожие "идеальные" запросы из логов и структурированных данных
        Google идентифицирует запросы, которые стабильно показывают высокое вовлечение пользователей (CTR, долгие клики), и генерирует синтетические запросы из структурированных данных (например, частотного анкорного текста). Когда пользователь вводит похожий, но потенциально плохо сформулированный запрос, Google использует эти "аугментирующие запросы" для предоставления более качественных и релевантных результатов.
        • US9128945B1
        • 2015-09-08

        • SERP

        • Поведенческие сигналы

        • EEAT и качество

        Как Google автоматически дополняет запросы пользователя терминами из его недавней истории поиска для уточнения интента
        Google использует механизм для улучшения релевантности результатов путем анализа недавней истории поиска пользователя. Если текущий запрос похож на предыдущие, система определяет ключевые контекстные термины, которые часто повторялись в истории (устойчивый интент), но отсутствуют в текущем запросе. Эти термины автоматически добавляются к запросу, чтобы предоставить более точные и персонализированные результаты.
        • US9449095B1
        • 2016-09-20

        • Семантика и интент

        • Персонализация

        • Поведенческие сигналы

        Как Google автоматически распознает сущности в тексте и связывает их в Knowledge Graph с помощью динамических поисковых ссылок
        Google использует автоматизированную систему для поддержания связей между сущностями (объектами) в своем хранилище фактов (Knowledge Graph). Система сканирует текст, статистически определяет значимые фразы и сверяет их со списком известных объектов. При совпадении создается динамическая «поисковая ссылка» вместо фиксированного URL. Это позволяет Google постоянно обновлять связи по мере добавления новых знаний.
        • US8260785B2
        • 2012-09-04

        • Knowledge Graph

        • Семантика и интент

        • Ссылки

        Как Google рассчитывает тематический авторитет сайта для кастомизации поиска с помощью Topic-Sensitive PageRank
        Патент Google, описывающий механизм кастомизации результатов поиска, инициированного со стороннего сайта (например, Google Custom Search). Система использует «профиль сайта» для повышения результатов, соответствующих его тематике. Ключевая ценность патента — детальное описание расчета тематической авторитетности (Topic Boosts) путем анализа ссылок с эталонных сайтов (Start Sites), что является реализацией Topic-Sensitive PageRank.
        • US7565630B1
        • 2009-07-21

        • Персонализация

        • SERP

        • Ссылки