Google использует механизм для диверсификации предложений на странице результатов (например, связанных запросов или рекламных блоков), основанный на анализе сессий пользователей. Система отбирает подсказки, которые часто следуют за исходным запросом (высокая «Utility»), но при этом редко следуют друг за другом (высокая «Diversity»). Это позволяет покрыть разные намерения пользователя, исходящие из одного неоднозначного запроса.

Описание

Какую проблему решает

Патент решает проблему выбора наиболее полезных и разнообразных предложений для уточнения исходного запроса пользователя (например, в блоках «Связанные запросы» или рекламных блоках). Стандартные методы могут предлагать слишком похожие друг на друга варианты, не покрывая различные намерения (интенты), которые могут стоять за исходным, часто неоднозначным, запросом. Цель изобретения — предоставить набор подсказок и контента, которые одновременно релевантны исходному запросу и максимально отличаются друг от друга.

Что запатентовано

Запатентована система для выбора дополнительных запросов (Additional Queries), основанная на метриках Utility (Полезность) и Diversity (Разнообразие). Система анализирует исторические данные поисковых сессий, чтобы определить, какие запросы часто следуют за исходным (высокая Utility). Затем из этих полезных запросов выбирается подмножество, члены которого редко встречаются в одной сессии друг с другом (высокая Diversity). Эти разнообразные запросы могут быть показаны пользователю как подсказки или использованы для показа диверсифицированных блоков контента (например, рекламы).

Как это работает

Ключевой механизм основан на анализе последовательности запросов в пользовательских сессиях:

  • Измерение Utility: Система определяет полезность дополнительного запроса (Q2) по отношению к исходному (Q1) как вероятность того, что пользователь введет Q2 после Q1 в рамках одной сессии.
  • Измерение Diversity: Разнообразие между двумя дополнительными запросами (Q2 и Q3) определяется как низкая вероятность того, что они последуют друг за другом. Если пользователи редко переходят от Q2 к Q3 (и наоборот), запросы считаются разнообразными (высокая Diversity).
  • Алгоритм выбора: Система итеративно выбирает дополнительные запросы. Каждый новый запрос должен иметь высокую Utility по отношению к исходному запросу И низкую Utility (т.е. высокую Diversity) по отношению ко всем уже выбранным дополнительным запросам.

Актуальность для SEO

Высокая. Понимание намерений пользователя и предоставление разнообразных путей для уточнения запроса остается центральной задачей поиска. Механизмы, описанные в патенте, напрямую связаны с тем, как Google формирует блоки связанных запросов, подсказок и диверсифицирует рекламу, стремясь покрыть различные кластеры интентов, особенно для широких или неоднозначных запросов.

Важность для SEO

Патент имеет высокое значение (7.5/10) для SEO-стратегии. Он раскрывает механизм, лежащий в основе выбора связанных запросов, показывая, что Google анализирует реальные пути поиска пользователей (сессии) для определения полезности (Utility) и разнообразия (Diversity), а не только семантическую близость. Понимание этих метрик критично для кластеризации семантики, построения Topical Authority и создания контент-стратегий, нацеленных на охват различных интентов в рамках одной тематики.

Детальный разбор

Термины и определения

Additional Query (Дополнительный запрос)
Запрос, связанный с исходным запросом. Используется как предложение для уточнения поиска или для показа релевантного контента. Также упоминается как Revised Query или Suggested Query.
Commerciality (Коммерциализация)
Бизнес-ценность дополнительного запроса. Упоминается как возможный фактор при выборе предложений или установке порогов. Может включать доход, количество рекламы, наличие коммерческих ключевых слов.
Content Block (Блок контента)
Набор элементов контента (например, рекламных объявлений), связанных с определенным дополнительным запросом, который отображается на странице результатов исходного запроса.
Diversity (Разнообразие)
Метрика, определяющая степень отличия между двумя дополнительными запросами. В основном определяется как инверсия Utility: если два запроса имеют низкую Utility по отношению друг к другу (т.е. редко следуют друг за другом в сессиях), они считаются разнообразными (High Diversity).
Initial Query (Исходный запрос)
Запрос, введенный пользователем.
Query Revision Engine (Механизм пересмотра запросов)
Компонент системы, отвечающий за генерацию и выбор дополнительных запросов на основе исходного запроса, используя метрики Utility и Diversity.
Utility (Полезность)
Ключевая метрика патента. Определяется как вероятность (или частота), с которой пользователь переходит от первого запроса ко второму в рамках одной поисковой сессии.
Utility Threshold (Порог полезности)
Пороговое значение Utility. Используется двояко: для определения релевантности (полезность к исходному запросу должна быть ВЫШЕ порога) и для определения разнообразия (полезность к другим предложениям должна быть НИЖЕ порога).

Ключевые утверждения (Анализ Claims)

Патент фокусируется на двух основных сценариях: предоставление разнообразного контента (например, рекламы) и предоставление самих разнообразных запросов (например, подсказок).

Claim 1 (Независимый пункт): Описывает метод выбора разнообразных запросов для генерации и показа связанного контента.

  1. Система получает исходный запрос (Qi).
  2. Идентифицируются дополнительные запросы.
  3. Определяется первый дополнительный запрос (Q1). Критерий: его показатель Utility относительно Qi превышает Utility Threshold.
  4. Определение Utility: Вероятность того, что Q1 будет следующим запросом после Qi в рамках сессии.
  5. Определяется второй дополнительный запрос (Q2). Критерии: (i) его Utility относительно Qi превышает порог, И (ii) его Utility относительно Q1 НЕ превышает порог (т.е. Q1 и Q2 разнообразны).
  6. Для Q1 и Q2 идентифицируются элементы контента (например, реклама).
  7. Эти элементы контента предоставляются для отображения вместе с результатами поиска по Qi.

Ядром изобретения является двойное условие для выбора предложений: они должны быть вероятным следующим шагом от исходного запроса (Высокая Utility к Qi), но маловероятным следующим шагом друг от друга (Низкая Utility между Q1 и Q2). Это математически обеспечивает диверсификацию на основе реального поведения пользователей.

Claim 13 (Независимый пункт): Описывает аналогичный метод, но фокусируется на показе самих запросов (как подсказок).

  1. Система получает исходный запрос (Qi).
  2. Выбираются дополнительные запросы, включая первый (Q1) и второй разнообразный (Q2).
  3. Критерии выбора идентичны Claim 1 (высокая Utility относительно Qi, низкая Utility относительно друг друга).
  4. Выбранные дополнительные запросы (Q1, Q2) предоставляются для отображения вместе с результатами поиска по Qi.

Claims 5 и 6 (Зависимые): Уточняют механизм оценки разнообразия и используемые сигналы.

Система может вычислять меру разнообразия (measure of diversity) и проверять ее соответствие порогу разнообразия (diversity threshold). Этот порог может основываться на коммерческих сигналах: генерируемый доход, количество показанных элементов контента, данные о кликах (long click/short click) или наличие коммерческих ключевых слов (commerce keywords).

Где и как применяется

Изобретение применяется на этапах понимания запросов и формирования финальной выдачи.

QUNDERSTANDING – Понимание Запросов

  • Офлайн-подготовка: Система заранее анализирует логи поисковых сессий для расчета метрик Utility между парами запросов. Это формирует основу для понимания взаимосвязей между запросами и типичных путей пользователей.
  • Онлайн-выбор: В реальном времени Query Revision Engine использует эти данные. При получении исходного запроса он применяет алгоритм для выбора набора разнообразных Additional Queries.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование

Выбранные дополнительные запросы или связанные с ними блоки контента интегрируются в финальную страницу результатов (SERP) с помощью Mixer Engine.

  • Интеграция подсказок: Выбранные запросы могут отображаться в блоках «Связанные запросы» (Searches related to) или как поисковые подсказки.
  • Интеграция контента (Рекламы): Как описано в патенте, система может использовать эти дополнительные запросы для поиска релевантной рекламы через Ad Selector Engine и Auction Engine. Затем Mixer Engine встраивает эти диверсифицированные рекламные блоки (Content Blocks) в SERP исходного запроса.

Входные данные:

  • Исходный запрос пользователя.
  • Исторические данные поисковых сессий (логи запросов).
  • Предварительно рассчитанные метрики Utility между парами запросов.

Выходные данные:

  • Набор выбранных дополнительных запросов, обладающих высоким разнообразием.
  • (Опционально) Блоки контента (например, реклама), связанные с этими дополнительными запросами.

На что влияет

  • Специфические запросы: Наибольшее влияние оказывается на широкие, неоднозначные или многозначные запросы (ambiguous queries), где существует несколько различных путей уточнения поиска. Пример в патенте: запрос «citizen» может вести к «citizen watch» (часы) или «citizen bank» (банк).
  • Форматы выдачи: Влияет на формирование блоков «Связанные запросы», поисковых подсказок, а также на формирование дополнительных рекламных блоков на SERP, связанных с альтернативными интентами.
  • Конкретные ниши или тематики: Влияет на все ниши, но особенно заметно в коммерческих тематиках, где разные предложения могут вести к разным типам продуктов или услуг, и где могут учитываться Commerciality Considerations.

Когда применяется

  • Условия активации: Алгоритм активируется при обработке поискового запроса для генерации предложений или дополнительных блоков контента. Необходимым условием является наличие достаточного количества исторических данных о сессиях для расчета Utility.
  • Пороговые значения: Ключевую роль играет Utility Threshold. Запрос должен превысить этот порог по отношению к исходному запросу (для релевантности) и быть ниже этого порога по отношению к другим выбранным предложениям (для разнообразия).

Пошаговый алгоритм

Процесс А: Офлайн-подготовка данных

  1. Сбор данных сессий: Сбор исторических данных о последовательностях запросов, введенных пользователями.
  2. Расчет Utility: Для каждой пары запросов (Qa, Qb) вычисляется Utility(Qa -> Qb) как вероятность того, что Qb следует за Qa в сессии.
  3. Сохранение данных: Метрики Utility сохраняются для использования в реальном времени.

Процесс Б: Обработка запроса и выбор предложений (Онлайн)

  1. Получение запроса: Система получает исходный запрос (Qi).
  2. Идентификация кандидатов: Система идентифицирует набор кандидатов в дополнительные запросы (C).
  3. Фильтрация по релевантности: Отбираются кандидаты из C, для которых Utility(Qi -> C) превышает установленный Utility Threshold.
  4. Выбор разнообразного набора (S): Из отфильтрованных кандидатов выбирается итоговый набор предложений (S). Патент предлагает несколько методов для этого шага:
    1. Инкрементальное наращивание (Incremental Growth): Набор S изначально пуст. Итеративно добавляется кандидат, который имеет низкую Utility (высокую Diversity) по отношению ко всем запросам, уже находящимся в S.
    2. Кластеризация (Clustering): Кандидаты группируются в кластеры на основе схожести (высокой взаимной Utility). Из каждого кластера выбирается один представитель (прототип) для включения в S.
    3. Оптимизация (например, Max-Cut или Minimum time to information): Использование более сложных алгоритмов для выбора оптимального набора S, максимизирующего разнообразие или минимизирующего время поиска информации.
  5. (Опционально) Генерация контента: Для каждого запроса в S идентифицируются соответствующие элементы контента (например, реклама).
  6. Предоставление результатов: Набор S (как предложения запросов) и/или соответствующие Content Blocks предоставляются для отображения на SERP.

Какие данные и как использует

Данные на входе

Патент фокусируется на анализе поведения пользователей в рамках сессий.

  • Поведенческие факторы (Ключевые):
    • Данные поисковых сессий (Query Logs): Последовательности запросов, введенных пользователями. Это основа для расчета метрики Utility.
    • Данные о кликах: Упоминаются как альтернативный метод оценки разнообразия (co-click measure — клики по результатам разных запросов в одной сессии). Также long click и short click упоминаются как возможные сигналы для определения порогов.
  • Коммерческие факторы (Commerciality Considerations): Упоминаются как факторы для определения порогов разнообразия или выбора предложений:
    • Генерируемый доход (Revenue generated).
    • Количество показанных элементов контента (рекламы).
    • Наличие коммерческих ключевых слов (commerce keywords) в результатах.
  • Контентные/Структурные факторы (Альтернативные): Упоминается возможность использования сходства сниппетов и результатов поиска (snippet and search result similarity) для измерения разнообразия.
  • Рекламные данные (Альтернативные): Сравнение рекламного инвентаря (пересечение рекламодателей, таргетирующихся на разные запросы) для измерения разнообразия.

Какие метрики используются и как они считаются

Ключевыми метриками являются Utility и Diversity.

  • Utility (Полезность): Рассчитывается на основе анализа сессий. Utility(Q1 -> Q2) — это вероятность или частота, с которой запрос Q2 следует за запросом Q1 в рамках одной сессии.
  • Diversity (Разнообразие): В основном определяется как инверсия Utility между дополнительными запросами. Diversity(Q2, Q3) высока, если Utility(Q2 -> Q3) и Utility(Q3 -> Q2) низки. В тексте патента упоминается возможность определения как

Выводы

  1. Основа подсказок — поведение пользователей, а не только семантика: Ключевой вывод заключается в том, что Google определяет связанные запросы и подсказки, в первую очередь анализируя реальные последовательности запросов в сессиях (Utility), а не только семантическую или контекстуальную близость терминов.
  2. Приоритет разнообразия интентов (Diversity): Система активно стремится к разнообразию предлагаемых подсказок. Она предпочтет показать два разных пути уточнения запроса, чем два очень похожих варианта, даже если они оба популярны.
  3. Определение Diversity через Utility: Патент предлагает конкретный механизм измерения разнообразия: два запроса разнообразны, если пользователи редко переключаются между ними в рамках одной сессии (низкая взаимная Utility). Это означает, что они обслуживают разные информационные потребности.
  4. Механизм обработки неоднозначности: Этот механизм критически важен для обработки широких или неоднозначных запросов, позволяя системе сразу предложить пользователю разные интерпретации его запроса (например, разные интенты для запроса «Ягуар»).
  5. Влияние на диверсификацию контента и рекламы: Одно из описанных применений — показ дополнительных блоков контента (включая рекламу), релевантных этим разнообразным запросам, на странице исходного запроса. Это расширяет охват контента на смежные интенты.
  6. Учет коммерческих факторов: Система может учитывать коммерческую ценность (Commerciality) при выборе того, какие именно разнообразные направления поиска предложить пользователю.

Практика

Best practices (это мы делаем)

  • Анализ связанных запросов как карты интентов: Тщательно анализируйте блоки «Связанные запросы» (Related Searches) на SERP для ваших целевых запросов. Согласно патенту, они выбраны так, чтобы быть максимально разнообразными (низкая взаимная Utility). Используйте их как индикаторы различных кластеров интентов, которые необходимо покрыть на вашем сайте для достижения Topical Authority.
  • Исследование и покрытие разнообразных интентов: Выявляйте все разнообразные интенты, связанные с основными ключевыми словами. Не фокусируйтесь только на самом популярном интенте. Если ваш запрос «Citizen», и вы продаете часы, вы должны понимать, что Google также идентифицирует интент «Citizen Bank» как разнообразный, но релевантный путь.
  • Четкое разделение контента по интентам: Создавайте отдельные, четко оптимизированные кластеры контента (страницы или разделы) для каждого направления, которое Google считает разнообразным. Разнообразные интенты часто требуют отдельных посадочных страниц.
  • Анализ путей пользователя (Session Analysis): Используйте данные внутреннего поиска и аналитики (пути по сайту) для понимания того, как пользователи уточняют свои запросы. Это поможет синхронизировать вашу структуру контента с метрикой Utility, которую использует Google.

Worst practices (это делать не надо)

  • Фокус только на семантической близости и синонимах: Опираться только на инструменты подбора ключевых слов, которые группируют семантически похожие фразы, недостаточно. Необходимо учитывать поведенческую полезность (Utility) — как люди ищут на самом деле и какие интенты они преследуют.
  • Смешивание разных интентов на одной странице: Попытка оптимизировать одну страницу под запросы, которые Google считает разнообразными (имеющими низкую взаимную Utility), будет неэффективной. Например, смешивание информации о часах и банке на странице про «Citizen» снизит релевантность для обоих интентов.
  • Игнорирование разнообразия в пользу объема: Попытка оптимизировать сайт только под один, самый частотный интент, игнорируя другие разнообразные направления, ограничивает потенциальный охват и не соответствует стремлению Google к Diversity в подсказках.

Стратегическое значение

Патент подтверждает стратегическую важность анализа поведения пользователей и данных сессий для понимания того, как Google интерпретирует и связывает запросы. Он показывает, что связь между запросами определяется не столько лингвистикой, сколько совместным использованием в реальных поисковых сценариях. Для SEO это означает переход от «оптимизации под ключевые слова» к «оптимизации под пути пользователя и кластеры интентов». Долгосрочная стратегия должна фокусироваться на выявлении и удовлетворении различных информационных потребностей, исходящих из одной тематики.

Практические примеры

Сценарий: Оптимизация сайта по широкому запросу «Кето Диета»

  1. Исходный запрос (Q0): «Кето диета».
  2. Анализ SERP и Utility (Предположение): SEO-специалист анализирует «Связанные запросы». Google показывает: Q1 («Кето диета меню на неделю»), Q2 («Кето диета отзывы и результаты»), Q3 («Что такое кетоз»).
  3. Интерпретация разнообразия: Согласно патенту, эти запросы выбраны потому, что пользователи часто переходят к ним от Q0 (высокая Utility к Q0), но редко переходят между ними (низкая Utility между Q1, Q2, Q3). Это разные задачи: планирование рациона, социальное доказательство и базовое понимание.
  4. Действия SEO-специалиста:
    • Не пытаться уместить все на одной гигантской странице.
    • Создать отдельные страницы или разделы для каждого интента.
    • Страница «Меню на неделю» (Q1) должна быть практичной (рецепты, списки).
    • Страница «Отзывы и результаты» (Q2) должна фокусироваться на историях успеха (с соблюдением E-E-A-T).
    • Страница «Что такое кетоз» (Q3) должна быть авторитетной и информационной.
  5. Результат: Сайт лучше соответствует карте интентов, которую Google построил на основе поведения пользователей, что повышает его авторитетность и видимость по всему кластеру запросов.

Вопросы и ответы

Что такое «Utility» (Полезность) в контексте этого патента и как она рассчитывается?

Utility — это ключевая метрика, основанная на анализе исторических данных поисковых сессий. Она измеряет вероятность или частоту, с которой один запрос следует за другим в рамках одной сессии. Если пользователи часто вводят Запрос Б сразу после Запроса А, то Запрос Б имеет высокую Utility по отношению к Запросу А.

Как измеряется «Diversity» (Разнообразие)?

В патенте Diversity в основном определяется как инверсия Utility. Два дополнительных запроса считаются разнообразными (High Diversity), если они имеют низкую Utility по отношению друг к другу. Это означает, что пользователи редко вводят эти два запроса последовательно в рамках одной сессии, следовательно, они обслуживают разные информационные потребности.

Как Google выбирает, какие именно связанные запросы показать?

Используется итеративный алгоритм (например, инкрементальное наращивание) или кластеризация. Сначала выбираются запросы с высокой Utility по отношению к исходному запросу (релевантные). Затем из них выбирается подмножество так, чтобы каждый новый выбранный запрос имел низкую Utility (высокую Diversity) по отношению ко всем уже выбранным запросам. Это гарантирует максимальное покрытие разных интентов.

Означает ли это, что семантическая близость больше не важна для связанных запросов?

Семантическая близость остается важной, но этот патент подчеркивает, что поведенческие факторы (анализ сессий) играют ключевую роль в определении полезности и разнообразия. Запрос может быть семантически близок, но если пользователи не используют его для уточнения исходного запроса (низкая Utility), он может быть не выбран в качестве подсказки.

Как этот патент влияет на обработку неоднозначных запросов?

Он напрямую решает эту проблему. Для неоднозначного запроса (например, «Citizen») система найдет основные различные интерпретации («Citizen Watch» и «Citizen Bank»), поскольку они имеют высокую Utility к исходному запросу, но низкую Utility друг к другу. Google предложит оба варианта для уточнения.

Как SEO-специалисту использовать эту информацию на практике?

Необходимо анализировать связанные запросы, которые показывает Google, как индикатор различных кластеров интентов. Ваша стратегия должна заключаться в построении авторитетности (Topical Authority) путем покрытия всех этих кластеров. Понимание Utility требует анализа реальных путей пользователя, а не только статического набора ключевых слов.

Патент много говорит о рекламе (Content Blocks). Применим ли он к органическому поиску?

Да. Патент описывает два варианта реализации: показ разнообразных блоков контента/рекламы (Claim 1) и показ самих разнообразных запросов в виде подсказок (Claim 13). Механизм выбора этих запросов (основанный на Utility и Diversity) универсален и формирует основу для блоков «Связанные запросы», которые критически важны для органического SEO.

Упоминаются ли альтернативные способы измерения Diversity?

Да, хотя основной способ — через инверсию Utility, патент также упоминает измерение через co-click (как часто кликают по результатам обоих запросов в одной сессии), сравнение рекламного инвентаря (пересечение рекламодателей) и контекстуальное сравнение сниппетов или результатов поиска.

Учитывает ли система коммерческие факторы при выборе разнообразных запросов?

Да, патент явно упоминает это (Commerciality Considerations). При оценке разнообразия или установке порогов могут использоваться такие сигналы, как доход, генерируемый запросом, количество показанной рекламы, данные о кликах и наличие коммерческих ключевых слов в результатах.

Как этот патент связан с концепцией Topical Authority?

Понимание этого патента помогает эффективно строить Topical Authority. Чтобы стать авторитетом в теме, сайт должен охватывать не только тесно связанные запросы (высокая Utility друг к другу), но и все основные разнообразные направления в рамках этой темы (низкая Utility друг к другу, но высокая к основной теме). Это демонстрирует поисковой системе полноту охвата.

Похожие патенты

Как Google выбирает предлагаемые запросы, анализируя вероятность завершения поиска и коммерческую ценность
Google использует графовую модель для анализа поисковых сессий пользователей. Система определяет, какие уточняющие запросы чаще всего приводят к завершению поиска (становятся «финальным пунктом назначения»). Эти запросы считаются обладающими наибольшей «полезностью» (Utility) и предлагаются пользователю в качестве подсказок или связанных запросов. Система также учитывает коммерческий потенциал этих запросов и может показывать для них релевантные рекламные блоки.
  • US8751520B1
  • 2014-06-10

  • SERP

  • Поведенческие сигналы

  • Семантика и интент

Как Google предсказывает ваш следующий запрос на основе контента, который вы просматриваете, и истории поиска других пользователей
Google использует систему контекстной информации, которая анализирует контент на экране пользователя (например, статью или веб-страницу) и предсказывает, что пользователь захочет искать дальше. Система не просто ищет ключевые слова на странице, а использует исторические данные о последовательностях запросов (Query Logs). Она определяет, что другие пользователи искали после того, как вводили запросы, связанные с текущим контентом, и предлагает эти последующие запросы в качестве рекомендаций.
  • US20210232659A1
  • 2021-07-29

  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация

Как Google использует данные сессий и разнообразие результатов для генерации блока "Связанные запросы"
Google анализирует поисковые сессии пользователей, чтобы найти запросы, которые часто следуют за одним и тем же предшествующим запросом (родственные запросы). Затем система фильтрует эти потенциальные "Связанные запросы", чтобы убедиться, что они предлагают разнообразные результаты по сравнению с исходным запросом и другими предложениями, помогая пользователям исследовать смежные, но отличные темы.
  • US8244749B1
  • 2012-08-14

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google группирует похожие запросы и поисковые подсказки, определяя интент пользователя через анализ сессий и кликов
Google использует графовую модель (Марковскую цепь) для кластеризации поисковых подсказок и связанных запросов. Система анализирует, какие запросы пользователи вводят в одной сессии и на какие документы они кликают. Это позволяет сгруппировать запросы, ведущие к схожему контенту, и предложить пользователю разнообразный набор подсказок, отражающих разные интенты.
  • US8423538B1
  • 2013-04-16

  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google динамически меняет сниппеты для повторяющихся результатов во время одной поисковой сессии
Google использует механизм адаптации выдачи в реальном времени для улучшения пользовательского опыта. Если документ повторно появляется в результатах поиска в рамках одной сессии (например, после уточнения запроса), система генерирует для него новый, альтернативный сниппет. Это направлено на предоставление пользователю свежего взгляда на контент, особенно если предыдущий сниппет был проигнорирован.
  • US8145630B1
  • 2012-03-27

  • Поведенческие сигналы

  • SERP

Популярные патенты

Как Google использует время просмотра (Watch Time) и поведение пользователей для расчета независимой от запроса оценки качества видео
Google рассчитывает независимый от запроса сигнал качества (Q) для видео, анализируя корреляции между поведенческими метриками: временем просмотра, рейтингами и количеством просмотров. Система использует математические функции (Predictor и Voting) для моделирования качества и определения достоверности данных, а также активно фильтрует спам в рейтингах. Этот сигнал Q затем используется для ранжирования видео в поиске.
  • US8903812B1
  • 2014-12-02

  • Поведенческие сигналы

  • SERP

  • Антиспам

Как Google автоматически обнаруживает и индексирует контент внутри мобильных приложений для показа в поиске (App Indexing)
Google использует систему для индексации контента нативных мобильных приложений. Для приложений, связанных с веб-сайтами, система проверяет аффилиацию и использует существующие веб-URL для доступа к контенту приложения. Для приложений с кастомными URI система эмулирует работу приложения и итеративно обнаруживает внутренние ссылки. Это позволяет контенту из приложений появляться в результатах поиска в виде глубоких ссылок.
  • US10073911B2
  • 2018-09-11

  • Индексация

  • Краулинг

  • Ссылки

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 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 идентифицирует, оценивает и ранжирует «Глубокие статьи» (In-Depth Articles) и «Вечнозеленый контент»
Google использует систему для идентификации и ранжирования высококачественного лонгрид-контента (In-Depth Articles). Система определяет авторитетные сайты на основе внешних наград и ссылочных паттернов. Контент оценивается по критериям «вечнозелености» (Evergreen Score), структуры (Article Score), отсутствия коммерческого интента и авторитетности автора (Author Score). Ранжирование основано на комбинации качества (IDA Score) и релевантности запросу (Topicality Score).
  • US9996624B2
  • 2018-06-12

  • EEAT и качество

  • Индексация

  • Семантика и интент

Как Google использует данные о поведении пользователей для генерации и ранжирования Sitelinks (Дополнительных ссылок сайта)
Патент описывает механизм генерации Sitelinks (дополнительных ссылок под основным результатом поиска). Google анализирует логи доступа пользователей (частоту кликов, время на странице) и другие факторы качества, чтобы определить наиболее важные внутренние страницы сайта. Эти страницы затем отображаются в виде ранжированного списка для ускорения навигации пользователя.
  • US7996391B2
  • 2011-08-09

  • Ссылки

  • Поведенческие сигналы

  • SERP

Как Google использует историю чтения новостных сайтов для определения географических интересов пользователя и персонализации выдачи
Google может определять географические интересы пользователя, анализируя местоположение издателей новостных сайтов, которые он посещал. Эта информация (Geo Signal) используется для корректировки ранжирования будущих поисковых запросов, повышая результаты, релевантные этим интересам, даже если пользователь физически находится в другом месте.
  • US20130246381A1
  • 2013-09-19

  • Персонализация

  • Поведенческие сигналы

  • SERP

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

  • Ссылки

  • Индексация

  • Краулинг

Как Google использует социальные связи для обнаружения ссылочного спама и накрутки кликов
Google может анализировать связи между владельцами сайтов в социальных сетях, чтобы оценить независимость ссылок между их ресурсами. Если владельцы тесно связаны (например, друзья), ссылки между их сайтами могут получить меньший вес в ранжировании, а клики по рекламе могут быть классифицированы как спам (накрутка).
  • US8060405B1
  • 2011-11-15

  • Антиспам

  • Ссылки

  • SERP

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