Патент описывает механизм "разветвления" (forking) автоподсказок Google Suggest. Система анализирует введенные символы и определяет, в каких вертикалях поиска (Корпусах) — таких как Картинки, Новости или Карты — пользователи чаще всего ищут предложенный запрос. Если корреляция с конкретной вертикалью высока (на основе Corpus Score), система предлагает пользователю искать сразу в ней, наряду со стандартным универсальным поиском.

Описание

Какую проблему решает

Патент решает задачу помощи пользователю в уточнении поискового намерения на самом раннем этапе — при вводе запроса. Он устраняет необходимость сначала выполнять общий поиск, а затем вручную переключаться на нужную вертикаль (например, Картинки, Новости, Карты). Система стремится предугадать не только что ищет пользователь (запрос), но и где он хочет это найти (в каком корпусе), улучшая эффективность и скорость поиска.

Что запатентовано

Запатентована система для динамического "разветвления" (forking) автодополнений (Google Suggest). Система определяет, насколько сильно предложенный вариант запроса коррелирует с различными поисковыми вертикалями (Corpora), такими как Новости, Картинки, Карты (Places), Шоппинг и т.д. Если корреляция (Corpus Score) высока для конкретной вертикали, система отображает этот вариант запроса несколько раз: один раз для поиска в этой конкретной вертикали и один раз для поиска в универсальном корпусе (Universal Search Corpus).

Как это работает

Система работает следующим образом:

  • Ввод символов: Пользователь вводит символы (например, "cof").
  • Получение автодополнения: Autocompletion Engine предлагает варианты (например, "coffee").
  • Анализ корпусов: Corpus Engine определяет связанные корпуса и их оценки (Corpus Scores) для этого варианта. Оценка основана на вероятности того, что пользователь выберет этот корпус (например, на основе исторических CTR).
  • Выбор корпусов (Forking): Forking Engine выбирает корпуса, чьи оценки превышают порог. Также выбирается Universal Search Corpus.
  • Отображение: Пользователю показываются разветвленные варианты. Например: "coffee [иконка Карт] near me" и "coffee [иконка Поиска] general topic".
  • Выполнение поиска: При выборе варианта поиск выполняется в соответствующем корпусе.

Актуальность для SEO

Высокая. Механизмы автодополнения и уточнения интента постоянно развиваются. Описанный в патенте интерфейс и логика (предложение поиска в Картах, по теме, в Новостях и т.д. прямо в подсказках) активно используются Google на десктопных и мобильных устройствах в 2025 году. Это фундаментальный механизм управления поисковым поведением.

Важность для SEO

Влияние на SEO значительно (7/10). Патент не описывает алгоритмы ранжирования внутри корпусов, но он критически важен для понимания того, как Google направляет трафик. Он показывает механизм, который может увести пользователя из универсального веб-поиска в специализированную вертикаль еще до того, как он увидит стандартную SERP. Это подчеркивает необходимость сильного присутствия и оптимизации не только в веб-индексе, но и в релевантных вертикалях (Images, News, Local, Video).

Детальный разбор

Термины и определения

Auto-completion (Автодополнение)
Предлагаемый поисковый запрос, основанный на символах, введенных пользователем. Например, "coffee" для ввода "cof".
Corpus / Corpora (Корпус / Корпуса)
Категоризация или набор ресурсов, объединенных по теме или формату. Представляет собой поисковую вертикаль. Примеры, упомянутые в патенте: "News" (Новости), "Images" (Картинки), "Places" (Места/Карты), "Shopping" (Покупки), "Videos" (Видео), "Blogs" (Блоги), "Patents" (Патенты), "Literature" (Литература).
Corpus Score (Оценка корпуса)
Метрика, представляющая меру уверенности (measure of confidence) в том, что пользователь выберет данный корпус при показе данного автодополнения. Может рассчитываться на основе исторических данных о поведении пользователей.
Forked Auto-completion (Разветвленное автодополнение)
Отображение одного и того же автодополнения несколько раз, но с привязкой к разным корпусам.
Forking Engine (Механизм разветвления)
Компонент системы, который получает символы, координирует получение автодополнений и оценок корпусов, выбирает корпуса на основе порогов и формирует финальный список подсказок.
Universal Search Corpus (Универсальный поисковый корпус)
Корпус по умолчанию. В контексте патента (Claim 1) он определяется как включающий два или более корпусов и исключающий первый выбранный корпус (тот, который превысил порог).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы на стороне сервера.

  1. Система получает символы от пользователя.
  2. Получает автодополнение, соответствующее символам.
  3. Получает данные о нескольких корпусах и их Corpus Score для этого автодополнения.
  4. Выбирает первый корпус, чей Corpus Score удовлетворяет порогу (threshold).
  5. Выбирает Universal Search Corpus, который включает два или более корпусов и исключает первый выбранный корпус.
  6. Предоставляет для отображения в выпадающем меню (drop-down menu):
    • Первую запись: первый экземпляр автодополнения + иконка, представляющая первый корпус, рядом с ним.
    • Вторую запись: второй экземпляр автодополнения, соответствующий Universal Search Corpus, без иконки первого корпуса.

Ядро изобретения — это процесс идентификации высокорелевантного специализированного корпуса и его явное представление в UI (с иконкой) наряду с универсальным поиском (без иконки) для уточнения интента пользователя.

Claim 6 (Независимый пункт): Описывает процесс на стороне клиентского устройства.

  1. Устройство получает символы от пользователя.
  2. Отправляет их в Forking Engine.
  3. Получает от Forking Engine автодополнение и данные о первом корпусе (выбранном по порогу) и Universal Search Corpus (исключающем первый корпус).
  4. Отображает в выпадающем меню первую запись (автодополнение + иконка первого корпуса) и вторую запись (автодополнение для универсального корпуса без иконки первого корпуса).

Claim 5 и 14 (Зависимые): Уточняют результат взаимодействия.

Выбор пользователем одной из записей в выпадающем меню вызывает представление ресурсов, соответствующих автодополнению и корпусу, к которому относится выбранная запись (т.е. запускает поиск в выбранной вертикали).

Где и как применяется

Изобретение применяется на стыке взаимодействия пользователя с поисковой строкой и этапа понимания запроса.

QUNDERSTANDING – Понимание Запросов
Это основная фаза применения патента. Система работает в реальном времени по мере ввода запроса пользователем (partial query term). Цель — интерпретировать не только текст, но и намерение пользователя относительно типа контента (вертикали), который он ищет. Это механизм уточнения запроса (Query Refinement) и триггеринга вертикалей.

  • Взаимодействие компонентов: Forking Engine получает ввод от пользователя, запрашивает данные у Autocompletion Engine (использует Autocompletion Index) и у Corpus Engine (использует Corpus Index).
  • Входные данные: Символы, введенные пользователем. Исторические данные о популярности запросов. Исторические данные о поведении пользователей по отношению к корпусам (для расчета Corpus Scores).
  • Выходные данные: Список разветвленных автодополнений с указанием связанных корпусов (например, в виде иконок или текста), предоставляемый пользовательскому устройству.

RANKING / METASEARCH
Патент напрямую не участвует в этих фазах, но он определяет, какая фаза RANKING будет запущена. Выбор пользователя определяет, будет ли запущен поиск в универсальном индексе или в специализированном индексе вертикали (Images, News и т.д.).

На что влияет

  • Специфические запросы: Наибольшее влияние на запросы с неоднозначным интентом или запросы, где пользователи часто ищут специфический тип контента. Например, по запросу "Apple" пользователи могут искать новости, товары или изображения.
  • Конкретные типы контента и ниши: Сильно влияет на ниши, где вертикальный поиск доминирует: E-commerce (Shopping corpus), Локальный бизнес (Places corpus), Мультимедиа (Images/Video corpus), Актуальные события (News corpus).
  • Языковые и географические ограничения: В патенте не указаны, но реализация зависит от доступности специализированных корпусов и наличия достаточных данных для расчета Corpus Scores в конкретном регионе/языке.

Когда применяется

  • Условия работы: Алгоритм работает каждый раз, когда пользователь вводит символы в поисковую строку и активируется функция автодополнения.
  • Триггеры активации разветвления: Разветвление (Forking) происходит только тогда, когда Corpus Score для автодополнения в определенной вертикали удовлетворяет заданному порогу (threshold). Если ни одна вертикаль не достигает порога, будет показано только стандартное автодополнение для Universal Search Corpus.

Пошаговый алгоритм

Процесс обработки ввода пользователя

  1. Получение ввода: Forking Engine получает один или несколько символов от пользовательского устройства (например, "bas").
  2. Получение автодополнений: Forking Engine передает символы в Autocompletion Engine, который извлекает из индекса наиболее релевантные или популярные варианты автодополнения (например, "baseball").
  3. Получение данных о корпусах: Для полученного автодополнения ("baseball") система запрашивает у Corpus Engine связанные корпуса и их оценки (Corpus Scores). Пример из патента: {News: 91, Shopping: 44, Images: 39, Universal: 29}.
  4. Выбор корпусов (Применение порогов): Forking Engine выбирает корпуса на основе оценок.
    • Вариант А (Claim 1): Выбирается корпус, превысивший порог (например, порог 80; выбирается "News"), и Universal Search Corpus.
    • Вариант Б (Описание патента): Выбираются Топ-N корпусов с наивысшими оценками (например, N=3; выбираются "News", "Shopping", "Images").
  5. Формирование списка подсказок: Forking Engine формирует список разветвленных автодополнений. Например: "baseball [News icon]", "baseball [Universal icon]".
  6. Предоставление данных: Список отправляется на устройство пользователя для отображения в выпадающем меню.
  7. Обработка выбора пользователя: Пользователь выбирает подсказку. Запрос (автодополнение + выбранный корпус) отправляется в Search Engine.
  8. Выполнение поиска: Search Engine выполняет поиск ресурсов в указанном корпусе, релевантных запросу.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании агрегированных данных о поведении пользователей для принятия решения о разветвлении.

  • Поведенческие факторы: Критически важны для расчета Corpus Score. Используются метрики, связанные с автодополнением и ресурсами, предоставленными в ответ на этот запрос в прошлом. Патент явно упоминает:
    • Click-Through Rate (CTR): Частота выбора ресурсов, принадлежащих к определенному корпусу, в ответ на запрос.
    • Click Length (Продолжительность клика): Может использоваться как метрика качества взаимодействия с корпусом.
    • General Traffic (Общий трафик): Объем трафика на ресурсы корпуса по данному запросу.
  • Пользовательские факторы (Персонализация): В патенте упоминается возможность использования пользовательских метрик (user-specific metrics) для расчета Corpus Scores. Например, если конкретный пользователь всегда ищет новости, "News" корпус может быть выбран для него всегда, независимо от общей оценки.
  • Технические факторы: Введенные пользователем символы (частичный запрос).

Какие метрики используются и как они считаются

  • Corpus Score (Оценка корпуса): Мера уверенности или вероятности выбора корпуса. Рассчитывается на основе поведенческих факторов (например, CTR).

    Пример расчета (указан в патенте): Если по запросу "coffee" ресурсы из корпуса "Places" выбираются в 75% случаев, из "Images" в 15%, из "News" в 5%, то Corpus Scores могут быть: {Places: 0.75, Images: 0.15, News: 0.05}.

  • Порог (Threshold): Минимальное значение Corpus Score, необходимое для выбора корпуса и активации разветвления.
  • Ранг автодополнения: Метрика популярности или релевантности самого автодополнения (например, частота выбора пользователями), используемая Autocompletion Engine для выбора вариантов запросов.

Выводы

  1. Сегментация интента на этапе ввода запроса: Google активно пытается определить не только тему запроса, но и тип желаемого контента (вертикаль) еще до выполнения поиска. Система использует автоподсказки как инструмент для направления пользователя в наиболее релевантный корпус.
  2. Corpus Score как ключевая метрика: Решение о том, какие вертикали предложить, основано на Corpus Score. Эта метрика рассчитывается на основе агрегированного поведения пользователей (например, исторических CTR по разным вертикалям для данного запроса).
  3. Приоритет специализированных вертикалей: Если система уверена (Score > Threshold), что запрос сильно связан с конкретной вертикалью (например, "coffee" и Карты/Places), она будет активно предлагать эту вертикаль наравне с универсальным поиском.
  4. Важность оптимизации под вертикали (Vertical SEO): Для SEO это означает, что видимость сайта зависит не только от ранжирования в универсальном поиске, но и от способности системы ассоциировать контент сайта с релевантными корпусами (Images, News, Local и т.д.) и от того, насколько высок Corpus Score этой вертикали для целевых запросов.
  5. Персонализация подсказок: Система может адаптировать Corpus Scores на основе индивидуальной истории пользователя (user-specific metrics), предпочитая вертикали, которые пользователь выбирает чаще.

Практика

Best practices (это мы делаем)

  • Оптимизация под релевантные вертикали (Corpora): Необходимо обеспечить максимальную видимость в тех вертикалях, которые важны для бизнеса. Если вы локальный бизнес, критична оптимизация под "Places" корпус (Google Maps/Local Pack). Если вы СМИ — под "News" корпус. Если E-commerce — под "Shopping" и "Images". Это увеличивает шансы получить трафик, когда система направляет пользователей в эти вертикали.
  • Усиление ассоциации контента с корпусом: Используйте соответствующие технические сигналы, чтобы помочь Google правильно классифицировать контент:
    • Images/Video: Оптимизация метаданных, alt-текстов, использование Sitemap для изображений/видео.
    • News: Соответствие требованиям Google News, использование разметки NewsArticle.
    • Places: Полнота и актуальность профиля Google Business Profile.
    • Shopping: Оптимизация продуктовых фидов и разметки Product.
  • Анализ автоподсказок для ключевых запросов: Регулярно проверяйте, какие корпуса Google предлагает в подсказках для ваших основных запросов. Это дает прямое понимание того, как Google интерпретирует интент пользователей (на основе Corpus Scores) и куда направляет трафик.
  • Повышение поведенческих факторов в вертикалях: Так как Corpus Score основан на CTR и других поведенческих метриках, необходимо работать над привлекательностью сниппетов в выдаче конкретных вертикалей. Например, создавать качественные и кликабельные изображения товаров, чтобы повысить CTR в Image Search.

Worst practices (это делать не надо)

  • Игнорирование вертикального поиска: Фокусироваться только на оптимизации для универсального веб-поиска (10 синих ссылок). Этот патент показывает, что значительная часть трафика может быть перенаправлена в специализированные корпуса еще до формирования SERP.
  • Некорректная разметка контента: Использование неподходящей микроразметки или ее отсутствие может привести к тому, что контент не будет ассоциирован с нужным корпусом и не сможет ранжироваться в соответствующей вертикали.

Стратегическое значение

Патент подтверждает стратегию Google на развитие Универсального Поиска и важность вертикалей. Для долгосрочной SEO-стратегии критически важно понимать, что Google рассматривает интернет как набор специализированных корпусов. Успешное продвижение требует глубокой интеграции в эти корпуса. Авторитетность сайта должна проявляться не только в веб-поиске, но и в способности генерировать высококачественный контент для релевантных вертикалей, который привлекает пользователей (высокий CTR), тем самым влияя на будущие Corpus Scores.

Практические примеры

Сценарий: Оптимизация для локальной кофейни

  1. Анализ: SEO-специалист проверяет ввод "coffee" в своем регионе. Он видит подсказки: "coffee [Places icon] near me" и "coffee [Web icon] general topic". Это означает, что Corpus Score для "Places" очень высок.
  2. Действие: Специалист фокусируется на максимальной оптимизации Google Business Profile (GBP): актуализирует часы работы, добавляет качественные фото, стимулирует отзывы, использует Posts в GBP. Цель — повысить локальное ранжирование и CTR в "Places" корпусе (Карты).
  3. Ожидаемый результат: Когда пользователи выбирают подсказку "coffee near me", кофейня имеет высокие шансы появиться в результатах поиска Карт, получая прямой трафик от пользователей с четким локальным интентом.

Сценарий: Оптимизация интернет-магазина кроссовок

  1. Анализ: При вводе названия популярной модели (например, "Nike Air Max") специалист видит подсказки с иконками "Shopping" и "Images".
  2. Действие: Специалист обеспечивает наличие качественных, уникальных изображений товара с оптимизированными alt-тегами и названиями файлов (для "Images" корпуса). Также настраивается продуктовый фид и используется разметка Product (для "Shopping" корпуса).
  3. Ожидаемый результат: Пользователи, ищущие визуальную информацию или намеревающиеся купить товар, направляются напрямую в соответствующие вертикали, где магазин хорошо представлен, что увеличивает вероятность конверсии.

Вопросы и ответы

Что такое "Корпус" (Corpus) в контексте этого патента?

Корпус — это специализированная поисковая вертикаль или набор ресурсов, объединенных по типу или теме. Примеры, приведенные в патенте, включают Новости (News), Картинки (Images), Места/Карты (Places), Покупки (Shopping), Видео (Videos) и другие. Это позволяет системе предлагать поиск не только по всему интернету, но и в рамках конкретной категории контента.

Как рассчитывается "Оценка корпуса" (Corpus Score)?

Corpus Score представляет собой меру уверенности в том, что пользователь ищет контент именно в этом корпусе. Патент указывает, что оценка может основываться на исторических поведенческих метриках, таких как Click-Through Rate (CTR) или длина клика (Click Length). Например, если 75% пользователей по запросу "coffee" переходят на ресурсы из корпуса Карт (Places), то Corpus Score для Places будет высоким (например, 0.75).

Всегда ли происходит разветвление (Forking) автоподсказок?

Нет. Разветвление происходит только в том случае, если Corpus Score для определенной вертикали превышает заданный порог (Threshold). Если система не уверена в том, какая вертикаль релевантна запросу (все оценки низкие), пользователю будет предложено стандартное автодополнение для поиска в универсальном корпусе (Universal Search Corpus).

Как этот патент влияет на локальное SEO?

Влияние очень велико. Локальные запросы часто имеют высокий Corpus Score для корпуса "Places" (Карты). Механизм разветвления активно предлагает пользователям искать "рядом со мной" (near me) прямо в подсказках. Это подчеркивает критическую важность оптимизации Google Business Profile для привлечения локального трафика.

Может ли система предложить несколько специализированных корпусов одновременно?

Да. Хотя Claim 1 описывает выбор одного корпуса, превысившего порог, и универсального корпуса, общее описание патента предполагает возможность выбора нескольких корпусов, если их оценки высоки (например, выбор Топ-N корпусов). По запросу "Jaguar" могут быть предложены корпуса "Images" и "Shopping", если оба имеют высокие Corpus Scores.

Как SEO-специалисту повлиять на Corpus Score?

Напрямую повлиять на Corpus Score сложно, так как это агрегированная метрика по всему интернету. Однако можно повлиять на нее косвенно, создавая качественный контент для нужной вертикали и оптимизируя его для достижения высокого CTR. Если ваш контент в вертикали (например, Картинки) будет привлекать больше кликов по целевому запросу, это может способствовать увеличению общего Corpus Score для этой вертикали.

Учитывает ли система персональную историю поиска при предложении корпусов?

Да, в патенте упоминается возможность использования пользовательских метрик (user-specific metrics). Если пользователь часто ищет в определенной вертикали (например, всегда выбирает Видео), система может адаптировать Corpus Scores для него и чаще предлагать эту вертикаль в подсказках, даже если общая оценка корпуса невысока.

Что такое "Универсальный поисковый корпус" (Universal Search Corpus)?

Это стандартный корпус (поиск по умолчанию), который включает в себя ресурсы из различных вертикалей. Интересно, что в Claim 1 патента он определяется как корпус, включающий два или более корпусов, но исключающий тот специализированный корпус, который был выбран для разветвления. Это гарантирует, что пользователю предлагаются разные варианты поиска.

Какое значение этот патент имеет для оптимизации изображений?

Он подчеркивает важность Image SEO. Если по запросу пользователи часто ищут картинки (высокий Corpus Score для Images), система предложит поиск по картинкам прямо в подсказках. Сайты с хорошо оптимизированными изображениями получат преимущество, так как пользователи будут направляться напрямую в эту вертикаль.

Стоит ли анализировать автоподсказки в рамках SEO-аудита?

Да, обязательно. Анализ того, какие корпуса Google предлагает в разветвленных подсказках для ваших ключевых запросов, дает ценную информацию о том, как система интерпретирует интент пользователей и какие типы контента она считает наиболее релевантными для этих запросов.

Похожие патенты

Как Google определяет и ранжирует вертикали поиска (Web, Images, News, Local) на основе интента запроса и профиля пользователя
Патент описывает фундаментальный механизм Универсального Поиска (Universal Search). Система генерирует результаты из разных индексов (Web, Картинки, Новости, Карты) и вычисляет «Оценку Вероятности» (Likelihood Value) для каждой категории. Эта оценка определяет, какая вертикаль наиболее релевантна интенту запроса. Для расчета используются как агрегированные данные о поведении всех пользователей по схожим запросам, так и индивидуальный профиль пользователя.
  • US7966309B2
  • 2011-06-21

  • Семантика и интент

  • Персонализация

  • SERP

Как Google формирует персонализированные поисковые подсказки (Autocomplete) на основе контента пользователя (например, в Gmail)
Google использует механизм для улучшения поисковых подсказок (Autocomplete) в таких сервисах, как Gmail. Система анализирует корпус документов пользователя, распознает сущности (например, email-адреса, имена) и предлагает их в качестве подсказок. Это помогает пользователю быстрее находить нужный контент, предлагая контекстуализированные подсказки (например, полный контакт) вместо отдельных слов.
  • US20140201229A1
  • 2014-07-17

  • Персонализация

  • Индексация

  • Семантика и интент

Как Google формирует универсальную выдачу (Universal Search), смешивая и ранжируя результаты из разных вертикалей поиска
Патент описывает фундаментальный механизм "Универсального Поиска". Google одновременно ищет информацию по запросу в разных категориях (Веб, Новости, Товары, Картинки). Система ранжирует не только документы, но и сами категории по релевантности запросу, определяя, какие результаты объединить в единую выдачу и насколько заметно (Prominence) они будут представлены.
  • US7447678B2
  • 2008-11-04

  • SERP

Как Google находит и предлагает более эффективные формулировки запросов через каноникализацию и оценку полезности
Google использует механизм для улучшения поисковых подсказок (Autocomplete). Система определяет запросы, которые имеют идентичную каноническую форму (тот же базовый интент после нормализации), но структурно отличаются от вводимого текста. Среди этих альтернатив выбираются те, которые исторически приводили к более высокой удовлетворенности пользователей (Query Utility Score), и предлагаются для повышения качества поиска.
  • US8868591B1
  • 2014-10-21

  • Семантика и интент

Как Google предлагает категории для уточнения запроса на основе анализа топа выдачи (особенно в локальном поиске)
Google анализирует категории (например, из бизнес-справочников), к которым принадлежат топовые результаты по запросу пользователя. Наиболее релевантные или часто встречающиеся категории предлагаются пользователю для уточнения или сужения поиска, что особенно актуально для локальных запросов и поиска организаций.
  • US7523099B1
  • 2009-04-21

  • Local SEO

  • Семантика и интент

  • SERP

Популярные патенты

Как Google автоматически выбирает категории и контент для страниц сущностей, комбинируя данные о поведении пользователей и Knowledge Graph
Google использует механизм для автоматического создания страниц о сущностях (например, о фильмах или персонажах). Система определяет, какие категории (свойства) сущности наиболее интересны пользователям, сравнивая данные из Knowledge Graph с данными о том, что пользователи ищут или смотрят вместе с этой сущностью. Затем она наполняет эти категории популярным контентом.
  • US11036743B2
  • 2021-06-15

  • Knowledge Graph

  • Семантика и интент

  • Поведенческие сигналы

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 консолидирует сигналы ранжирования между мобильными и десктопными версиями страниц, используя десктопный авторитет для мобильного поиска
Патент Google описывает механизм для решения проблемы недостатка сигналов ранжирования в мобильном вебе. Система идентифицирует корреляцию между мобильной страницей и её десктопным аналогом. Если мобильная версия недостаточно популярна сама по себе, она наследует сигналы ранжирования (например, обратные ссылки и PageRank) от авторитетной десктопной версии, улучшая её позиции в мобильном поиске.
  • US8996514B1
  • 2015-03-31

  • Техническое SEO

  • Ссылки

Как Google использует клики по изображениям для определения схожести запросов и картинок (Поведенческая схожесть)
Google анализирует поведение пользователей в поиске по картинкам, чтобы определить схожесть двух запросов (или двух изображений). Если пользователи часто кликают на одни и те же изображения в ответ на разные запросы, эти запросы считаются похожими. Этот механизм (Коллаборативная фильтрация) позволяет находить связи независимо от языка или типа запроса (текст/изображение) и используется для генерации рекомендаций.
  • US8280881B1
  • 2012-10-02

  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google использует историю уточнений запросов для выявления и повышения авторитетных сайтов по широким запросам
Google анализирует последовательности запросов пользователей, чтобы понять, как они уточняют свои поисковые намерения. Если пользователи часто переходят от широкого или неточного запроса к более конкретному, который ведет на авторитетный ресурс, Google связывает этот ресурс с исходным широким запросом. Это позволяет показывать авторитетный сайт выше в выдаче, даже если пользователь сформулировал запрос неточно.
  • US8326826B1
  • 2012-12-04

  • Семантика и интент

  • Поведенческие сигналы

  • EEAT и качество

Как Google определяет свежесть документа, анализируя возраст ссылающихся страниц и динамику появления ссылок (Link Velocity)
Google использует методы для оценки свежести документа, когда дата его обновления неизвестна или ненадежна. Система анализирует даты обновления страниц, которые ссылаются на документ, а также историю появления и удаления этих ссылок (Link Velocity). Если на документ ссылаются недавно обновленные страницы или количество ссылок растет, он считается свежим.
  • US7797316B2
  • 2010-09-14

  • Свежесть контента

  • Ссылки

  • Техническое SEO

Как Google использует свой индекс для автоматического обновления устаревших ссылок в закладках, истории поиска и на веб-страницах
Система Google поддерживает актуальность различных коллекций URL (закладки пользователей, история поиска, электронные письма), используя основной поисковый индекс как эталон канонических адресов. Если сохраненный URL устарел, система автоматически заменяет его на актуальную версию. Также описан механизм уведомления владельцев сайтов о неработающих исходящих ссылках.
  • US20130144836A1
  • 2013-06-06

  • Ссылки

  • Индексация

  • Техническое SEO

Как Google идентифицирует, связывает и индексирует концепции (фразы) для понимания тем документов
Фундаментальный патент Google, описывающий переход от индексирования слов к индексированию концепций (фраз). Система определяет «хорошие фразы» на основе частотности и их способности прогнозировать появление других фраз (Information Gain). Документы индексируются не только по содержащимся в них фразам, но и по наличию связанных фраз, что позволяет системе определять основные и второстепенные темы документа, а также контекстуально оценивать анкорный текст ссылок.
  • US7536408B2
  • 2009-05-19

  • Индексация

  • Семантика и интент

  • Ссылки

Как Google создает и наполняет Панели Знаний (Knowledge Panels), используя шаблоны сущностей и популярность фактов
Google использует систему для отображения Панелей Знаний (Knowledge Panels) рядом с результатами поиска. Когда запрос относится к конкретной сущности (человеку, месту, компании), система выбирает соответствующий шаблон и наполняет его контентом из разных источников. Выбор фактов для отображения основан на том, как часто пользователи искали эту информацию в прошлом.
  • US9268820B2
  • 2016-02-23

  • Knowledge Graph

  • SERP

  • Семантика и интент

Как Google использует данные из Local Search и Google Maps для распознавания географических названий в основном поиске
Google анализирует поведение пользователей в интерфейсах с отдельными полями ввода "Что?" и "Где?" (например, в Google Maps). На основе этой статистики система определяет, является ли термин однозначным названием местоположения ("Нью-Йорк") или нет ("Пицца"). Это позволяет поиску отличать локальные запросы от общих и формировать "черные списки" для терминов, которые похожи на города, но ими не являются (например, "Орландо Блум").
  • US8782030B1
  • 2014-07-15

  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы