Google анализирует различные форматы доступа к контенту (например, десктопный сайт, мобильный сайт, нативное приложение). Система оценивает качество, скорость, стабильность и совместимость каждого варианта с устройством пользователя. В результатах поиска Google покажет ссылку на тот формат, который имеет наивысшую оценку качества для конкретного пользователя и устройства.

Описание

Какую проблему решает

Патент решает проблему выбора оптимального способа доставки контента пользователю, когда один и тот же контент доступен через несколько интерфейсов (presentation modes) — например, десктопный сайт, мобильный сайт и нативное приложение. Качество реализации этих интерфейсов может сильно различаться. Цель изобретения — гарантировать, что пользователь будет направлен на версию контента с наивысшим качеством (highest quality) и наилучшим пользовательским опытом для его конкретного устройства.

Что запатентовано

Запатентована система для оценки и ранжирования различных режимов представления (presentation modes) для одного элемента контента. Для каждого режима (веб, мобильный веб, приложение) система рассчитывает Presentation Mode Score (Оценка режима представления). Эта оценка базируется на комбинации глобальных сигналов качества (скорость, стабильность, CTR) и сигналов, специфичных для устройства пользователя (тип устройства, установленные приложения, версия ОС). В результатах поиска используется тот режим, который получил наивысшую оценку.

Как это работает

Система работает на финальных этапах формирования выдачи:

  • Идентификация режимов: Система определяет, что релевантный контент доступен в нескольких режимах (например, по URL веб-сайта и URI приложения).
  • Сбор сигналов: Собираются глобальные сигналы (например, latency, error measure) и сигналы, специфичные для пользователя в момент запроса (например, installation status, device type).
  • Расчет оценки: Для каждого режима вычисляется Presentation Mode Score на основе взвешенных сигналов.
  • Выбор лучшего режима: Выбирается режим с наивысшей оценкой качества для данного пользователя и устройства.
  • Формирование результата: Поисковый результат форматируется в соответствии с выбранным режимом (например, как ссылка на веб-сайт или как deep link в приложение).

Актуальность для SEO

Высокая. В условиях доминирования мобильного трафика и активного развития App Indexing (Firebase), выбор оптимального канала доставки контента критически важен для пользовательского опыта. Этот патент описывает механизм выбора между вебом и приложениями, напрямую связанный с акцентом Google на качество пользовательского опыта (например, Core Web Vitals) и интеграцию различных платформ.

Важность для SEO

Патент имеет высокое значение для кросс-платформенной SEO-стратегии (Web + App). Он демонстрирует, что недостаточно просто иметь релевантный контент; критически важно качество его технической реализации и пользовательский опыт на всех платформах. Если мобильная версия сайта медленная или нативное приложение нестабильно, Google предпочтет альтернативный, более качественный режим представления. Это требует комплексной оптимизации производительности и UX как в вебе, так и в приложениях.

Детальный разбор

Термины и определения

Content Item (Элемент контента)
Единица контента, признанная релевантной запросу. Один Content Item может быть доступен через несколько Presentation Modes.
Presentation Mode (Режим представления)
Способ представления контента, специфичный для приложения или типа устройства (например, десктопный веб-сайт, мобильный веб-сайт, нативное приложение для смартфона).
Presentation Environment (Среда представления)
Конкретная среда (например, интерфейс приложения или отрендеренная веб-страница), которая создается (инстанцируется) на устройстве пользователя при выборе поискового результата.
Presentation Mode Score (Оценка режима представления)
Числовой показатель качества конкретного режима представления, рассчитанный на основе глобальных и специфичных для устройства сигналов.
Global Signals (Глобальные сигналы)
Сигналы качества режима представления, которые не зависят от конкретного устройства пользователя. Включают:
— Latency (Задержка)
Измерение скорости отклика и загрузки режима представления.
— Error Measure (Показатель ошибок)
Измерение количества ошибок, сбоев или проблем стабильности, возникающих при запуске среды представления (Claim 6).
— Selection Rate (Показатель выбора)
Частота выбора (CTR) поискового результата, когда он представлен в данном режиме.
— Reversion Rate (Показатель возвратов)
Частота, с которой пользователи быстро возвращаются к результатам поиска после активации режима представления (pogo-sticking).
— Presentation Environment Quality Score (Оценка качества среды представления)
Общая оценка качества интерфейса.
User Device Specific Signals (Сигналы, специфичные для устройства пользователя)
Сигналы, которые оцениваются в момент запроса и зависят от контекста пользователя. Включают:
— Installation Status (Статус установки)
Индикатор того, установлено ли на устройстве пользователя приложение, необходимое для запуска данного режима представления (Claim 1).
— User Device Type (Тип устройства)
Тип устройства пользователя (смартфон, планшет, десктоп).
— Operating System Status (Статус ОС)
Версия операционной системы и её совместимость с режимом представления.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод выбора режима представления с акцентом на проверку установленного ПО.

  1. Система получает набор элементов контента (content items), релевантных запросу.
  2. Идентифицируется элемент контента, имеющий несколько режимов представления (presentation modes).
  3. Для каждого режима определяется Presentation Mode Score (показатель качества).
  4. Выбирается режим с наивысшей оценкой.
  5. Результаты поиска предоставляются пользователю в соответствии с выбранным режимом.
  6. Ключевая деталь: Определение Presentation Mode Score включает определение Installation Status — проверку того, установлено ли на устройстве пользователя приложение, необходимое для запуска этого режима. Оценка основывается на этом статусе.

Claim 6 (Независимый пункт): Описывает схожий процесс, но фокусируется на показателе ошибок как части оценки качества.

  1. (Шаги 1-5 аналогичны Claim 1).
  2. Ключевая деталь: Определение Presentation Mode Score включает определение Presentation Environment Quality Score. Эта оценка качества, в свою очередь, включает определение Error Measure — показателя ошибок, возникающих на устройстве при запуске среды представления (стабильность работы).

Зависимые пункты (Claims 2, 3, 4, 5): Дополняют Claim 1, указывая дополнительные сигналы для расчета Presentation Mode Score:

  • Учет частоты выбора режима (Selection Rate) (Claim 2).
  • Учет общей оценки качества среды (Claim 3).
  • Учет типа устройства пользователя (User Device Type) и возможности запуска режима на этом устройстве (Claims 4 и 5).

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно вычисленные данные и принимая окончательное решение в момент запроса.

CRAWLING и INDEXING – Сканирование, Индексирование и извлечение признаков
На этих этапах система индексирует контент из разных источников (Web Index и Application Index) и устанавливает связи между ними. Также офлайн вычисляются Global Signals. Патент упоминает использование виртуальных машин для тестирования приложений и веб-сайтов для определения Latency и Error Measure.

RANKING – Ранжирование
На этом этапе определяется базовая релевантность и ранг самого Content Item, независимо от способа его представления.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Основное применение патента. После того как контент отобран, система (Presentation Mode Scorer) анализирует доступные Presentation Modes.

  1. Анализ контекста пользователя: В реальном времени определяются User Device Specific Signals (тип устройства, статус ОС, установленные приложения).
  2. Расчет оценок: Global Signals комбинируются с User Device Specific Signals для расчета финального Presentation Mode Score для каждого режима.
  3. Выбор и форматирование: Выбирается лучший режим, и результат форматируется для выдачи (например, выбор между показом веб-ссылки или deep link в приложение).

Входные данные:

  • Ранжированный список Content Items.
  • Список доступных Presentation Modes (URL, URI) для каждого элемента.
  • Предварительно рассчитанные Global Signals (Latency, Error Measure, CTR, Reversion Rate).
  • User Device Specific Signals (Device Type, OS Status, Installation Status).

Выходные данные:

  • Финальная страница результатов поиска (SERP), где каждый результат использует оптимальный Presentation Mode для данного пользователя.

На что влияет

  • Конкретные типы контента и ниши: Влияет на любой контент, представленный кросс-платформенно (веб + приложение). Это особенно актуально для e-commerce, медиа, баз данных (кино, рецепты), сервисов бронирования.
  • Специфические запросы: Наибольшее влияние на запросы с мобильных устройств и планшетов, где существует выбор между мобильным сайтом и нативным приложением.

Когда применяется

  • Условие активации: Алгоритм применяется, когда система идентифицирует, что релевантный Content Item доступен более чем в одном Presentation Mode (например, есть и веб-версия, и проиндексированное приложение).
  • Временные рамки: Расчет глобальных сигналов происходит офлайн. Расчет финального Presentation Mode Score с учетом контекста пользователя происходит в реальном времени в момент запроса.

Пошаговый алгоритм

Процесс А: Офлайн-подготовка (Индексирование и расчет глобальных сигналов)

  1. Индексирование и Маппинг: Сканирование веб-ресурсов и страниц приложений. Определение того, какие URL и URI соответствуют одной и той же Content Item.
  2. Расчет глобальных сигналов: Для каждого Presentation Mode вычисляются и сохраняются:
    • Latency и Error Measure (например, путем тестирования в виртуальной машине).
    • Presentation Environment Quality Score.
    • Агрегированные Selection Rate и Reversion Rate.

Процесс Б: Обработка запроса в реальном времени

  1. Получение запроса и ранжирование: Система определяет набор релевантных Content Items.
  2. Идентификация режимов: Для топовых результатов определяется список доступных Presentation Modes.
  3. Сбор сигналов реального времени: Система получает User Device Specific Signals (тип устройства, статус ОС, Installation Status).
  4. Расчет Presentation Mode Score: Для каждого режима вычисляется оценка качества. Она является функцией глобальных сигналов (из Процесса А) и сигналов реального времени (Шаг 3). Например, если приложение не установлено (Claim 1) или имеет высокий показатель ошибок (Claim 6), его оценка будет снижена.
  5. Выбор оптимального режима: Выбирается Presentation Mode с наивысшей оценкой.
  6. Формирование SERP: Результаты поиска предоставляются пользователю, используя выбранный режим (веб-ссылка или deep link).

Какие данные и как использует

Данные на входе

Патент фокусируется на оценке качества реализации форматов доставки контента и контексте пользователя.

Технические факторы (Качество реализации и Производительность):

  • Latency: Время загрузки и скорость отклика интерфейса (веб-страницы или приложения).
  • Error Measure: Стабильность работы, количество сбоев, багов и ошибок в интерфейсе.
  • Presentation environment quality score: Общая оценка качества среды представления (может определяться асессорами или ML-моделями).

Поведенческие факторы:

  • Selection Rate: Частота кликов (CTR) на результат, когда он показан в определенном режиме.
  • Reversion Rate: Частота быстрых возвратов к поисковой выдаче после перехода (Pogo-sticking).

Пользовательские факторы (Контекст устройства):

  • User Device Type: Тип устройства (смартфон, планшет, десктоп).
  • Installation Status: Наличие установленного приложения на устройстве пользователя.
  • Operating System Status: Версия ОС пользователя и её совместимость с режимом представления.

Какие метрики используются и как они считаются

  • Presentation Mode Score (VMS): Основная метрика, индикатор качества режима. Патент предлагает пример алгоритма расчета, где VMS является функцией взвешенных сигналов: VMSi=f(S1,W1,S2,W2,

    Выводы

    1. Качество реализации формата важнее самого формата: Google не отдает предпочтение веб-сайтам или приложениям по умолчанию. Выбор основан на том, какая реализация обеспечивает лучший опыт (быстрее, стабильнее, удобнее) для конкретного пользователя.
    2. Техническое совершенство критично: Патент явно выделяет технические показатели — Latency (скорость) и Error Measure (стабильность/ошибки) — как ключевые факторы ранжирования режимов представления (Claim 6). Медленные или забагованные версии будут пессимизированы.
    3. Контекст пользователя определяет выдачу: Решение принимается в реальном времени с учетом контекста пользователя. Тип устройства и наличие установленного приложения (Installation Status, Claim 1) напрямую влияют на выбор формата. Google предпочтет deep link в установленное приложение, если оно качественнее веб-версии.
    4. Поведенческие факторы подтверждают качество: Selection Rate (CTR) и Reversion Rate (Возвраты) используются как индикаторы того, насколько хорошо данный режим удовлетворяет потребности пользователей.
    5. Необходимость индексации всех режимов: Для работы системы необходимо, чтобы Google знал обо всех режимах представления контента и мог связать их. Это подчеркивает важность App Indexing (Firebase).

    Практика

    Best practices (это мы делаем)

    • Обеспечение технического качества всех платформ: Необходимо уделять равное внимание оптимизации производительности (скорости загрузки) и стабильности (отсутствию ошибок) всех версий сайта (десктоп, мобильная) и нативных приложений. Google измеряет Latency и Error Measure для каждой платформы.
    • Мониторинг Core Web Vitals и стабильности приложений: Активно отслеживайте показатели скорости (для веба, особенно CWV) и Crash Rates (для приложений). Эти метрики напрямую коррелируют с сигналами, описанными в патенте.
    • Внедрение App Indexing (Firebase): Для того чтобы Google мог рассматривать приложение как альтернативный режим представления, необходимо настроить App Indexing. Это позволяет Google индексировать контент приложения и направлять пользователей через deep links.
    • Оптимизация пользовательского опыта (UX/UI): Улучшайте дизайн и удобство использования всех платформ для снижения Reversion Rate (показателя возвратов) и повышения общей Presentation environment quality score.
    • Анализ SERP для разных устройств: Проверяйте, какой формат Google предпочитает показывать по вашим ключевым запросам на разных устройствах. Если Google стабильно выбирает веб-версию, несмотря на наличие приложения, это может указывать на проблемы с качеством приложения или его индексацией.

    Worst practices (это делать не надо)

    • Игнорирование мобильной версии сайта в пользу приложения: Создание качественного приложения при наличии медленного мобильного сайта неэффективно. Если пользователь не установил приложение, Google будет вынужден показать мобильный сайт, и его низкое качество негативно повлияет на пользователя.
    • Выпуск нестабильных обновлений приложений: Релиз обновления с багами приведет к увеличению Error Measure. Это может заставить Google переключить показ результатов поиска с приложения на веб-сайт до устранения проблем.
    • Блокировка индексации контента приложений: Отказ от App Indexing исключает приложение из участия в этом механизме ранжирования, лишая его возможности получать органический трафик из поиска Google.
    • Фокус только на контенте без учета производительности: Наличие релевантного контента недостаточно. Если платформа, на которой он размещен, имеет высокую Latency, она проиграет конкуренцию другим режимам представления или другим сайтам.

    Стратегическое значение

    Патент подтверждает стратегию Google на обеспечение наилучшего пользовательского опыта независимо от платформы. Для SEO это означает переход от оптимизации только веб-сайтов к оптимизации всех цифровых активов бренда (Web + App). Стратегически важно инвестировать в техническую инфраструктуру и UX всех платформ. Механизм ранжирования режимов представления стирает границы между SEO и ASO, требуя комплексного подхода к обеспечению видимости контента в поиске.

    Практические примеры

    Сценарий 1: Выбор между мобильным сайтом и приложением для E-commerce

    1. Контекст: Пользователь ищет "купить кроссовки Nike Air Max" со смартфона. У ритейлера есть мобильный сайт и нативное приложение.
    2. Анализ Google:
      • Мобильный сайт: Latency высокая (медленная загрузка), Reversion Rate высокий.
      • Приложение: Latency низкая (быстрое), Error Measure низкий (стабильное).
    3. Действие пользователя А (Приложение установлено): Google рассчитывает, что Presentation Mode Score приложения выше (учитывая скорость и Installation Status).
    4. Результат А: Google показывает результат с deep link, который открывает карточку товара прямо в приложении.
    5. Действие пользователя Б (Приложение НЕ установлено): Installation Status для приложения негативный. Google не может использовать этот режим эффективно.
    6. Результат Б: Google показывает ссылку на мобильный сайт.

    Сценарий 2: Влияние нестабильного обновления приложения

    1. Контекст: Новостной портал выпустил обновление приложения. Пользователи ищут актуальные новости.
    2. До обновления: Приложение было стабильным (Error Measure низкий). Google предпочитал показывать deep links.
    3. После обновления: В приложении появились сбои (Error Measure высокий).
    4. Действие Google: Система обнаруживает рост показателя ошибок и снижает Presentation Mode Score приложения. Оценка мобильного сайта становится выше.
    5. Результат: Google переключает результаты поиска с deep links приложения на ссылки мобильного сайта, чтобы обеспечить пользователям стабильный доступ к контенту.

    Вопросы и ответы

    Означает ли этот патент, что Google всегда предпочитает приложения веб-сайтам?

    Нет. Патент подчеркивает, что ни один режим представления не является заведомо лучшим. Выбор происходит индивидуально для каждого контента и контекста пользователя. Если мобильный сайт быстрее, стабильнее и удобнее, чем приложение, Google выберет мобильный сайт. Цель – предоставить пользователю наиболее качественный интерфейс из доступных.

    Как Google определяет, что веб-сайт и приложение содержат один и тот же контент?

    Патент упоминает несколько способов. Google может сравнивать URL веб-ресурсов и URI страниц приложений, искать совпадения (например, доменные имена). Также издатель может явно указать соответствие между веб-сайтом и приложением, что на практике реализуется через инструменты App Indexing (Firebase).

    Какие технические метрики наиболее важны для ранжирования режимов представления?

    Патент явно выделяет две ключевые метрики: Presentation mode latency (задержка или скорость отклика интерфейса) и Presentation mode error measure (показатель ошибок и стабильности работы). Для веб-сайтов это связано с показателями Core Web Vitals, а для приложений – с показателями стабильности (Crash Rate).

    Как Google измеряет скорость и стабильность нативных приложений?

    Патент предлагает использовать виртуальные машины для эмуляции работы приложения. Виртуальная машина может выполнять стандартные команды (запуск, выбор меню) и измерять скорость отклика (Latency) и фиксировать ошибки (Error Measure). Также Google может собирать эти данные через сервисы Google Play и Firebase от реальных пользователей.

    Что такое 'Reversion Rate' и как он влияет на SEO?

    Reversion Rate — это частота, с которой пользователи быстро возвращаются на страницу поиска после клика на результат (pogo-sticking). Высокий Reversion Rate сигнализирует о том, что данный режим представления не удовлетворил пользователя. Это снижает Presentation Mode Score и может привести к тому, что Google предпочтет другой формат показа контента.

    Если у меня нет приложения, как этот патент влияет на мой сайт?

    Если у вас нет приложения, Google будет сравнивать разные версии вашего сайта (если они существуют), например, десктопную и мобильную. Критически важно, чтобы версия, предназначенная для устройства пользователя (особенно мобильная), была максимально быстрой и стабильной, чтобы обеспечить высокий Presentation Mode Score.

    Как повлияет на выдачу ситуация, если пользователь не установил приложение?

    Это ключевой фактор, описанный в Claim 1 (Installation status). Если приложение не установлено, его Presentation Mode Score будет значительно снижен для данного пользователя, даже если глобальное качество приложения очень высокое. В этом случае Google выберет следующий лучший доступный режим, которым обычно является мобильный веб-сайт.

    Нужно ли мне внедрять App Indexing для использования преимуществ этого патента?

    Да, обязательно. Чтобы Google мог рассматривать ваше приложение как альтернативный режим представления и направлять туда трафик из поиска, он должен знать о контенте внутри приложения и уметь связывать его с веб-версией. Именно эту задачу решает App Indexing (Firebase).

    Учитывается ли разница между смартфонами и планшетами?

    Да. User Device Type является сигналом. Система может определить, что нативное приложение для планшета обеспечивает лучший опыт, чем мобильный сайт на планшете, даже если на смартфоне ситуация обратная. Оценка производится для конкретного типа устройства и его контекста.

    Как этот патент связан с Core Web Vitals (CWV)?

    CWV напрямую связаны с метриками, описанными в патенте, такими как Latency (скорость/отзывчивость) и стабильность для веб-режимов представления. Хорошие показатели CWV будут способствовать повышению Presentation Mode Score мобильной или десктопной версии сайта при сравнении с другими форматами (например, с медленным приложением).

    Похожие патенты

    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 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 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 рассчитывает и использует оценки Mobile-Friendliness для ранжирования результатов и маркировки сайтов
    Google рассчитывает Mobile-Friendliness Score, рендеря страницы как мобильное устройство и оценивая такие сигналы, как размер кликабельных элементов, читаемость текста, настройки области просмотра (viewport) и скорость загрузки. Эта оценка используется для повышения позиций удобных для мобильных страниц в мобильном поиске и для добавления метки «Mobile-Friendly» в поисковой выдаче.
    • US20160314215A1
    • 2016-10-27

    • Техническое SEO

    • Индексация

    Как Google помогает пользователям найти правильную языковую версию страницы, исправляя ошибки маршрутизации
    Система определяет языковые предпочтения пользователя и сравнивает их с языком посещаемой веб-страницы. Если страница отображается не на предпочтительном языке из-за ошибки маршрутизации (например, из-за геолокации), и существует альтернативная версия на нужном языке, система предлагает пользователю перейти на нее или автоматически перенаправляет его.
    • US9251223B2
    • 2016-02-02

    • Мультиязычность

    • Персонализация

    • Индексация

    Популярные патенты

    Как Google использует контекст пользователя для генерации неявных поисковых запросов и проактивного показа результатов
    Система Google отслеживает контекст пользователя в реальном времени (набираемый текст, открытые документы, письма). На основе этого контекста автоматически генерируются множественные неявные запросы. Система объединяет результаты из разных источников (локальных и глобальных) и проактивно показывает их пользователю, используя поведенческие данные (клики) для улучшения релевантности.
    • US7664734B2
    • 2010-02-16

    • Поведенческие сигналы

    • Персонализация

    • Семантика и интент

    Как Google в Autocomplete динамически выбирает между показом общих категорий и конкретных подсказок в зависимости от «завершенности запроса»
    Google анализирует «меру завершенности запроса» (Measure of Query Completeness) по мере ввода текста пользователем. Если намерение неясно и существует много вариантов продолжения (низкая завершенность, высокая энтропия), система предлагает общие категории (например, «Регионы», «Бизнесы»). Если намерение становится ясным (высокая завершенность, низкая энтропия), система переключается на конкретные подсказки или сущности.
    • US9275147B2
    • 2016-03-01

    • Семантика и интент

    • Поведенческие сигналы

    • Персонализация

    Как Google запоминает вопросы без авторитетного ответа и автономно сообщает его позже через Ассистента
    Патент Google описывает механизм для обработки запросов, на которые в момент поиска нет качественного или авторитетного ответа. Система запоминает информационную потребность и продолжает мониторинг. Когда появляется информация, удовлетворяющая критериям качества (например, в Knowledge Graph), Google автономно доставляет ответ пользователю, часто встраивая его в следующий диалог с Google Assistant, даже если этот диалог не связан с исходным вопросом.
    • US11238116B2
    • 2022-02-01

    • Knowledge Graph

    • Семантика и интент

    • EEAT и качество

    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 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 переносит вес поведенческих сигналов (кликов) между связанными запросами для улучшения ранжирования
    Google улучшает ранжирование по редким или новым запросам, для которых недостаточно собственных данных, используя поведенческие сигналы (Clickthrough Data) из связанных запросов. Если пользователи часто вводят запросы последовательно, система идентифицирует связь и переносит данные о кликах с одного запроса на другой, позволяя документам с высоким engagement ранжироваться выше по всему кластеру.
    • US7505964B2
    • 2009-03-17

    • Поведенческие сигналы

    • SERP

    Как Google использует машинное обучение и поведение пользователей для понимания скрытого намерения в коммерческих запросах
    Google использует систему машинного обучения для анализа того, какие товары пользователи выбирают после ввода широких или неоднозначных запросов. Изучая скрытые атрибуты (метаданные) этих выбранных товаров, система определяет «скрытое намерение» запроса. Это позволяет автоматически переписывать будущие неоднозначные запросы в структурированный формат, ориентированный на атрибуты товара, а не только на ключевые слова.
    • US20180113919A1
    • 2018-04-26

    • Семантика и интент

    • SERP

    • Поведенческие сигналы

    Как Google персонализирует поиск, повышая в выдаче объекты, которые пользователь ранее явно отметил как интересные
    Google использует механизм персонализации поисковой выдачи. Если пользователь явно отметил определенный объект (например, место, компанию, веб-страницу) как интересующий его, этот объект получит значительное повышение в ранжировании при последующих релевантных запросах этого пользователя. Уровень повышения зависит от степени интереса, указанной пользователем.
    • US20150242512A1
    • 2015-08-27

    • Персонализация

    • Поведенческие сигналы

    • SERP

    Как Google использует всплески поискового интереса и анализ новостей для обновления Графа Знаний в реальном времени
    Google отслеживает аномальный рост запросов о сущностях (людях, компаниях) как индикатор реального события. Система анализирует свежие документы, опубликованные в этот период, извлекая факты в формате Субъект-Глагол-Объект (SVO). Эти факты используются для оперативного обновления Графа Знаний или добавления блока «Недавно» в поисковую выдачу.
    • US9235653B2
    • 2016-01-12

    • Knowledge Graph

    • Свежесть контента

    • Семантика и интент

    Как Google использует офлайн-сигналы и авторитетность сущностей для ранжирования контента
    Google использует реальные, офлайн-сигналы авторитетности для ранжирования документов, у которых отсутствует естественная ссылочная структура (например, оцифрованные книги). Система оценивает коммерческий успех документа (данные о продажах, списки бестселлеров), репутацию связанных сущностей (автора и издателя) и может переносить ссылочный авторитет с официальных сайтов этих сущностей на сам документ для улучшения его позиций в поиске.
    • US8799107B1
    • 2014-08-05

    • EEAT и качество

    • SERP

    • Поведенческие сигналы