Google использует механизм для очистки системы автозаполнения (Autocomplete). Система выявляет популярные подсказки, которые развлекают или интересуют пользователей, но не соответствуют их изначальному намерению. Путем экспериментов с временным скрытием этих подсказок Google проверяет, ищут ли пользователи эту информацию самостоятельно. Если нет, подсказка классифицируется как отвлекающая и понижается.

Описание

Какую проблему решает

Патент решает проблему "захвата намерения" системой автозаполнения (Autocomplete). Иногда система предлагает популярные запросы, которые являются «забавными развлечениями» (amusing diversions) или «юмористическими/развлекательными» (humorous or entertaining), но не соответствуют тому, что пользователь изначально собирался искать (original search intent). Пользователи могут кликнуть на такую подсказку из любопытства, уходя от своей первоначальной цели. Изобретение направлено на выявление и понижение таких отвлекающих подсказок.

Что запатентовано

Запатентована система для автоматической идентификации и понижения (demotion) подсказок (query completions), изменяющих намерение пользователя. Ядром системы является Completion Holdback Engine, который использует статистический анализ поведения пользователей для различения подлинного намерения и случайного отвлечения. Это достигается путем проведения контролируемых экспериментов (Holdback Experiments), в ходе которых система временно скрывает подозрительную подсказку и анализирует изменение частоты запросов.

Как это работает

Механизм работает в несколько этапов:

  • Идентификация кандидатов: Система вычисляет Completion Origination Score. Если запрос почти всегда выбирается из списка предложений и редко вводится вручную, он становится кандидатом на проверку.
  • Тестирование (Holdback Experiment): Система временно перестает показывать подсказку-кандидата определенному проценту пользователей.
  • Анализ воздействия: Система измеряет, насколько упала частота отправки этого запроса (frequency of submission) во время теста.
  • Классификация: Если частота значительно снизилась (пользователи перестали это искать, когда им это не предложили), подсказка классифицируется как Search Intent Changing (изменяющая намерение).
  • Понижение: Popularity Score такой подсказки снижается в базе данных автозаполнения, делая ее появление менее вероятным.

Актуальность для SEO

Высокая. Качество и релевантность подсказок Autocomplete остаются критически важными для пользовательского опыта Google. Борьба с манипуляциями, вводящими в заблуждение или отвлекающими подсказками (особенно в контексте репутации, новостей и чувствительных тем) является постоянной задачей. Описанный статистический метод (A/B тестирование влияния подсказок) является надежным и фундаментальным подходом к контролю качества систем рекомендаций.

Важность для SEO

Влияние на SEO от умеренного до высокого (6.5/10). Этот патент не описывает ранжирование веб-страниц, но он критически важен для понимания того, как Google формирует поисковый спрос через Autocomplete. Он напрямую влияет на то, как пользователи формулируют запросы. Для специалистов по управлению репутацией (ORM) этот патент объясняет механизм, с помощью которого Google может удалять спорные, юмористические или негативные ассоциации, связанные с брендами, если они не отражают подлинного намерения большинства пользователей.

Детальный разбор

Термины и определения

Completion Database (База данных дополнений)
Хранилище потенциальных подсказок (Query Completions) и связанных с ними метаданных, таких как Popularity Score.
Completion Engine (Движок автозаполнения)
Система, которая в реальном времени получает частичный запрос пользователя и выбирает наиболее подходящие подсказки из Completion Database.
Completion Holdback Engine (Движок контроля удержания дополнений)
Компонент, отвечающий за проведение экспериментов по идентификации и понижению подсказок, изменяющих намерение пользователя.
Completion Origination Score (Оценка происхождения дополнения)
Ключевая метрика для идентификации кандидатов. Рассчитывается как соотношение между частотой отправки запроса, когда он был предложен как подсказка, и общей частотой отправки этого запроса. Высокий балл означает, что запрос редко вводится вручную.
Holdback Experiment / Withholding (Эксперимент с удержанием / Тест скрытием)
Метод тестирования, при котором конкретная подсказка временно отключается (удерживается) для части пользователей, чтобы измерить эффект от ее отсутствия.
Log Files (Лог-файлы)
Анонимизированные записи поисковых сессий, включающие информацию о том, был ли запрос введен вручную или выбран из списка подсказок.
Partial Query (Частичный запрос)
Запрос, вводимый пользователем до момента его завершения (например, текст в строке поиска до нажатия Enter).
Popularity Score (Оценка популярности)
Метрика, присваиваемая подсказке, основанная на частоте ее использования в прошлом. Используется Completion Engine для ранжирования подсказок.
Search Intent Changing (Изменяющий поисковое намерение)
Классификация, присваиваемая подсказке, если она уводит пользователей от их первоначальной цели поиска.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает полный цикл обработки и классификации подсказки.

  1. Расчет метрики: Вычисление Completion Origination Score для подсказки, основываясь на том, как часто она выбирается из предложенных вариантов по сравнению с общей частотой ее отправки.
  2. Идентификация кандидата: Определение подсказки как потенциально изменяющей намерение на основе Completion Origination Score.
  3. Тестирование (Holdback): В ответ на идентификацию кандидата проводится тест влияния удержания (withholding) этой подсказки на частоту ее отправки. Тест включает предотвращение показа этой подсказки в ответ на соответствующие частичные запросы для некоторых пользователей.
  4. Классификация: Классификация подсказки как Search Intent Changing на основе снижения частоты отправки запроса во время теста (сравнивая частоту во время теста с частотой вне тестового периода).
  5. Понижение: В случае классификации как Search Intent Changing, система понижает (demoting) Popularity Score этой подсказки в базе данных.

Claim 5 (Зависимый от 1): Детализирует метод классификации, добавляя статистическую строгость.

Классификация подсказки как Search Intent Changing включает:

  1. Оценку доверительного интервала (confidence interval) на основе снижения частоты отправки запроса во время теста.
  2. Определение того, что доверительный интервал удовлетворяет пороговому значению (т.е. снижение статистически значимо).
  3. Классификацию подсказки как изменяющей намерение в ответ на это определение.

Где и как применяется

Изобретение применяется исключительно в рамках системы автозаполнения (Autocomplete/Google Suggest).

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Система анализирует, как пользователи формулируют запросы и взаимодействуют с подсказками.

  1. Офлайн-анализ и Тестирование: Completion Holdback Engine периодически анализирует логи (Log Files), рассчитывает Completion Origination Scores и проводит эксперименты (Holdback Experiments). Это фоновый процесс поддержания качества.
  2. Обновление данных: По результатам тестов Completion Holdback Engine обновляет Popularity Scores в Completion Database.
  3. Применение в реальном времени: Completion Engine использует обновленные Popularity Scores для выбора и ранжирования подсказок, показываемых пользователю при вводе частичного запроса.

Входные данные:

  • Log Files: Данные о прошлых поисковых сессиях, включая информацию о том, был ли запрос введен вручную или выбран из списка подсказок.
  • Completion Database: Текущий набор подсказок и их Popularity Scores.
  • Идентификаторы пользователей (например, Cookies) для разделения на тестовые группы.

Выходные данные:

  • Скорректированные (пониженные) Popularity Scores для подсказок, классифицированных как Search Intent Changing.

На что влияет

  • Специфические запросы: Наибольшее влияние оказывается на запросы, связанные с вирусным контентом, мемами, юмором или развлечениями, которые часто выбираются из любопытства. Патент приводит пример «how to become a vampire».
  • Длинные запросы (Long-tail): Механизм спроектирован так, чтобы отличать отвлекающие запросы от длинных, но полезных запросов (например, «driving directions from san francisco to san jose»), которые пользователи также предпочитают выбирать из списка для удобства.
  • Брендовые и навигационные запросы: Может влиять на подсказки, связанные с брендами или именами людей, если эти подсказки ведут к спорному или отвлекающему контенту (важно для ORM).

Когда применяется

  • Условия работы алгоритма: Алгоритм анализа и тестирования работает периодически (офлайн) для поддержания качества базы данных подсказок.
  • Триггеры активации: Триггером для проверки конкретной подсказки является высокий Completion Origination Score, указывающий на то, что подавляющее большинство отправок этого запроса происходит через выбор подсказки, а не ручной ввод. Патент предлагает пороговые значения, например, 0.80 или 0.85.

Пошаговый алгоритм

Процесс поддержания качества базы данных Autocomplete:

  1. Сбор данных и поддержание базы: Система ведет базу данных подсказок (Completion Database) и логи поисковых сессий (Log Files). Для каждой подсказки рассчитывается базовая оценка популярности (Popularity Score).
  2. Расчет происхождения дополнений: Для подсказок в базе вычисляется Completion Origination Score. Это соотношение (Ratio) = (Количество отправок через подсказку) / (Общее количество отправок).
  3. Идентификация кандидатов: Выбираются подсказки, чей Completion Origination Score превышает заданный порог (например, > 0.85). Они помечаются как потенциально изменяющие намерение.
  4. Инициация эксперимента (Holdback Test): Для выбранного кандидата запускается тест. Система предотвращает показ этой подсказки для определенного процента пользователей (например, 10% пользователей, определяемых через хеширование cookie и запроса).
  5. Сбор данных теста: Во время теста система отслеживает частоту отправки (frequency of submission) соответствующего запроса пользователями, которым подсказка была скрыта.
  6. Анализ и Классификация: Система анализирует снижение частоты отправки запроса во время теста.
    1. Рассчитывается степень снижения частоты.
    2. Оценивается статистическая значимость (confidence interval).
    3. Если снижение значительное и доверительный интервал удовлетворяет порогу, подсказка классифицируется как Search Intent Changing.
    4. Если снижение незначительное (пользователи продолжают вводить запрос вручную), подсказка классифицируется как не изменяющая намерение.
  7. Применение результатов (Demotion): Если подсказка классифицирована как Search Intent Changing, ее Popularity Score в Completion Database понижается. Степень понижения может зависеть от степени снижения частоты во время теста.

Какие данные и как использует

Данные на входе

Патент сосредоточен исключительно на анализе поведения пользователей при взаимодействии с системой автозаполнения.

  • Поведенческие факторы (Behavioral Factors): Это основные данные, используемые системой. Анализируются анонимные логи поисковых сессий (Log Files). Критически важным является наличие в логах информации о способе отправки запроса:
    • Запрос отправлен путем выбора предложенной подсказки (Selected Completion).
    • Запрос введен пользователем полностью вручную без выбора подсказки (Manual Entry).
  • Пользовательские факторы: Идентификаторы (например, Cookies) используются для последовательного разделения пользователей на тестовые и контрольные группы во время Holdback Test.

Какие метрики используются и как они считаются

  • Popularity Score (Оценка популярности): Основана на общей частоте отправки запроса пользователями в прошлом.
  • Completion Origination Ratio (Коэффициент происхождения дополнения):

Выводы

  1. Приоритет подлинного намерения над популярностью: Google не полагается исключительно на популярность при формировании Autocomplete. Патент демонстрирует механизм, который активно понижает популярные подсказки, если они не соответствуют тому, что пользователи ищут самостоятельно.
  2. Completion Origination Score как индикатор отвлечения: Метрика, показывающая, как часто запрос вводится вручную по сравнению с выбором из подсказок, является ключевым сигналом для выявления отвлекающего контента. Если запрос существует почти исключительно за счет Autocomplete, он подозрителен.
  3. Статистическая валидация поведения: Google использует строгие методы (A/B тестирование, Holdback Experiments и доверительные интервалы) для оценки влияния подсказок. Решения о понижении принимаются на основе данных о том, перестают ли пользователи искать информацию, если им ее не предложить.
  4. Различие между удобством и отвлечением: Система способна различать длинные, но полезные запросы (которые пользователи готовы ввести вручную, если подсказки нет) и отвлекающие запросы (которые пользователи не будут вводить самостоятельно).
  5. Защита от манипуляций Autocomplete: Этот механизм служит защитой от попыток искусственно продвинуть определенные запросы в Autocomplete. Манипулятивные запросы будут иметь крайне высокий Completion Origination Score, что приведет к их проверке и последующему понижению.

Практика

Best practices (это мы делаем)

  • Фокус на подлинном и устойчивом интенте: Создавайте контент и развивайте бренд таким образом, чтобы он соответствовал реальным информационным потребностям пользователей. Подлинный интерес гарантирует, что пользователи будут искать вас, даже если Autocomplete временно не показывает подсказку.
  • Мониторинг Autocomplete для ORM: Регулярно отслеживайте подсказки, связанные с вашим брендом или ключевыми лицами. Понимание этого патента дает контекст, почему некоторые негативные или странные подсказки могут исчезать – вероятно, они были классифицированы как Search Intent Changing, так как не отражали реального интереса большинства пользователей.
  • Анализ семантического поля через Autocomplete: Используйте Autocomplete как источник данных о том, какие запросы Google считает релевантными и полезными. Подсказки, которые стабильно присутствуют в выдаче, с большой вероятностью прошли проверку на подлинность намерения.

Worst practices (это делать не надо)

  • Манипуляции с Autocomplete (Black Hat SEO): Попытки искусственно накрутить популярность запроса (например, с помощью ботов или заданий на буксах), чтобы он появился в Autocomplete. Этот патент напрямую направлен против таких тактик. Искусственно сгенерированные запросы будут иметь аномально высокий Completion Origination Score (близкий к 1.0), что быстро приведет к их идентификации, тестированию и удалению.
  • Ставка на вирусный, но нерелевантный трафик: Попытки связать свой бренд с краткосрочными трендами, мемами или сенсациями в надежде попасть в Autocomplete. Даже если это сработает, подсказка может быть понижена, как только система определит, что она отвлекает пользователей от их основного намерения.

Стратегическое значение

Патент подтверждает, что Google глубоко анализирует не только ЧТО ищут пользователи, но и КАК они это делают. Система различает активный поиск информации и пассивное потребление предложенного контента. Для SEO это означает, что стратегии должны быть основаны на аутентичном поведении пользователей и реальном спросе. Манипулирование интерфейсом поиска (в данном случае Autocomplete) не является устойчивой стратегией, так как существуют механизмы для обнаружения и нейтрализации неестественного поведения.

Практические примеры

Сценарий 1: Устранение отвлекающей или негативной ассоциации с брендом

  1. Ситуация: Пользователи вводят название компании "Galaxy". Популярной подсказкой становится "Galaxy exploding phones" из-за старого новостного инфоповода.
  2. Идентификация: Google анализирует логи и видит, что 95% запросов "Galaxy exploding phones" происходят через выбор подсказки, и только 5% вводятся вручную (Completion Origination Score = 0.95).
  3. Тестирование: Google запускает Holdback Experiment, скрывая эту подсказку для 10% пользователей.
  4. Результат: В тестовой группе частота запроса "Galaxy exploding phones" падает на 90%. Это указывает на то, что большинство пользователей не собирались это искать, а кликали из любопытства.
  5. Действие: Подсказка классифицируется как Search Intent Changing и ее Popularity Score значительно понижается. Она исчезает из топа предложений Autocomplete.

Сценарий 2: Валидация полезной длинной подсказки (Исключение)

  1. Ситуация: Пользователи вводят "как добраться". Популярная подсказка – "как добраться из аэропорта шереметьево в центр москвы".
  2. Идентификация: Completion Origination Score высок (0.85), так как пользователям удобнее кликнуть, чем вводить длинный запрос. Запускается тест.
  3. Тестирование: Подсказка скрывается для тестовой группы.
  4. Результат: Частота запроса падает незначительно (например, на 20%). Пользователи, которым действительно нужна эта информация, продолжают вводить запрос вручную.
  5. Действие: Подсказка классифицируется как НЕ изменяющая намерение. Ее Popularity Score остается высоким, так как она полезна.

Вопросы и ответы

Как Google понимает, ввел ли пользователь запрос вручную или выбрал подсказку?

Система логирования поисковых сессий (Log Files) записывает не только текст запроса, но и метаданные о взаимодействии пользователя с интерфейсом. Это позволяет точно определить источник происхождения запроса (ручной ввод или выбор из списка Autocomplete). Эта информация критически важна для расчета Completion Origination Score.

Что такое Completion Origination Score и почему он важен?

Это метрика, показывающая долю запросов, которые были отправлены путем выбора из подсказок, по отношению к общему числу таких запросов. Если показатель очень высок (например, 0.95), это означает, что 95% пользователей кликнули на подсказку и только 5% ввели запрос вручную. Это сигнализирует Google, что запрос может существовать только благодаря самой системе Autocomplete и не отражает подлинного намерения пользователей.

Может ли этот механизм использоваться для борьбы с негативными подсказками в рамках ORM?

Да. Если негативная подсказка (например, «Бренд Х мошенники») популярна, но используется в основном из любопытства, а не отражает реального намерения большинства пользователей, вводящих «Бренд Х», этот механизм может ее понизить. Если Holdback Experiment покажет, что без подсказки люди перестают искать негатив, она будет классифицирована как отвлекающая и удалена из топа предложений.

Почему Google просто не удаляет все подсказки с высоким Completion Origination Score?

Потому что высокий балл не всегда означает отвлечение. Он также может указывать на удобство. Длинные и сложные запросы (например, адреса, полные названия моделей) часто имеют высокий балл, так как пользователям проще кликнуть на них, чем вводить вручную. Именно поэтому Google проводит Holdback Experiment, чтобы проверить, будут ли пользователи вводить запрос самостоятельно, если подсказки нет.

Эффективны ли попытки манипулировать Autocomplete в свете этого патента?

Нет, они крайне неэффективны. Искусственная накрутка популярности запроса приведет к аномально высокому Completion Origination Score (близкому к 1.0), так как почти все отправки будут сгенерированы манипуляторами через выбор подсказки. Это немедленно пометит подсказку как подозрительную, запустит проверку, которая покажет отсутствие подлинного интереса, и приведет к ее понижению.

Как Google определяет, является ли снижение частоты запросов во время теста значительным?

Патент упоминает использование доверительных интервалов (confidence intervals). Это статистический метод, который позволяет определить, является ли наблюдаемое снижение реальным эффектом от скрытия подсказки или просто случайным колебанием данных. Для принятия решения о понижении снижение должно быть статистически значимым.

Влияет ли этот патент на ранжирование сайтов в поисковой выдаче?

Нет, напрямую не влияет. Патент описывает исключительно механизм работы системы Autocomplete и корректировку Popularity Scores в базе данных подсказок. Однако он влияет на SEO косвенно, формируя поток запросов, которые пользователи отправляют в поисковую систему.

Как часто проводятся эти Holdback Experiments?

Патент указывает, что Completion Holdback Engine работает периодически ("periodically", "from time-to-time" или "occasionally"). Это означает, что система постоянно сканирует базу данных на наличие новых кандидатов с высоким Completion Origination Score и запускает тесты для их валидации по мере необходимости.

Что подразумевается под «отвлекающей» подсказкой?

В патенте приводятся примеры информационных запросов, которые могут быть забавными (amusing diversions) или развлекательными (humorous or entertaining), но нерелевантными реальной информации, интересующей пользователя. Конкретный пример, упомянутый в описании, — "how to become a vampire".

Применяется ли этот механизм ко всем подсказкам?

Анализ применяется ко всем популярным подсказкам, но процедура тестирования (Holdback Experiment) запускается только для тех, которые превышают пороговое значение Completion Origination Score. Подсказки, которые часто вводятся вручную, не подвергаются таким тестам.

Похожие патенты

Как Google динамически понижает подсказки в Autocomplete, которые пользователь уже видел, но проигнорировал
Google использует механизм для улучшения релевантности поисковых подсказок (Autocomplete). Если пользователь видит подсказку, но продолжает вводить запрос, система считает, что эта подсказка не подходит. Патент описывает, как такие проигнорированные подсказки понижаются в последующих списках на основе времени просмотра (Exposure Time), освобождая место для новых, потенциально более релевантных вариантов.
  • US8972388B1
  • 2015-03-03

  • Поведенческие сигналы

Как Google фильтрует поисковые подсказки (Autocomplete) на основе оценок безопасности контента в результатах поиска
Google анализирует рейтинги безопасности (например, возрастные ограничения) контента в результатах поиска для популярных запросов. Если выдача по запросу содержит недостаточное количество "безопасного" контента (ниже установленного порога), этот запрос добавляется в список запрещенных и не показывается в качестве поисковой подсказки (Autocomplete) пользователям с включенными фильтрами безопасности.
  • US10169488B2
  • 2019-01-01

  • Безопасный поиск

  • SERP

Как Google переписывает частичные запросы для улучшения подсказок Autocomplete, если стандартных вариантов недостаточно
Патент описывает механизм работы Google Autocomplete для сложных или редких запросов. Если система не находит достаточно качественных или популярных подсказок для введенного текста, она переписывает частичный запрос. Это включает классификацию терминов на обязательные и опциональные, удаление менее важных слов или замену слов на синонимы. Это позволяет предложить пользователю релевантные и популярные полные запросы, даже если они не идеально соответствуют тому, что было введено изначально.
  • US9235654B1
  • 2016-01-12

  • Семантика и интент

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 консолидирует оценки популярности и фильтрует подсказки в Autocomplete для оптимизации выдачи
Google использует механизм консолидации оценок в Autocomplete: популярность длинных запросов суммируется с популярностью их коротких префиксов. Это позволяет точнее определить реальный спрос. Затем система фильтрует список, предпочитая более длинные и информативные подсказки коротким, если длинная подсказка составляет значительную часть популярности короткой, оптимизируя интерфейс пользователя.
  • US8713042B1
  • 2014-04-29

  • SERP

Популярные патенты

Как Google использует организационные структуры (папки, ярлыки) как ссылки для расчета PageRank и ранжирования документов
Google может анализировать, как документы организованы пользователями (например, в папках, через ярлыки или закладки), и использовать эти организационные структуры для расчета рейтинга документа. Документы, концептуально сгруппированные вместе, передают друг другу ранжирующий вес (аналогично PageRank), причем более тесные связи (например, в одной папке) передают больше веса, чем более слабые связи (например, в соседних папках).
  • US8090736B1
  • 2012-01-03

  • Ссылки

  • SERP

  • Структура сайта

Как Google использует внешние данные для оценки репутации сущностей и их взаимной привлекательности в вертикальном поиске
Google использует систему для улучшения вертикального поиска (например, вакансий, недвижимости) путем оценки взаимной привлекательности двух разных типов сущностей (например, соискателя и вакансии). Система агрегирует данные из внешних источников для выявления скрытых атрибутов и расчета «Репутационной значимости» каждой сущности. На основе этих данных определяется метрика «Двухстороннего соответствия», которая используется для ранжирования.
  • US10853432B2
  • 2020-12-01

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google создает мгновенные интерактивные результаты на SERP, предварительно загружая и персонализируя скрытый контент
Google использует механизм для создания интерактивных блоков ответов (Answer Boxes), таких как Погода или Панели Знаний. Система отправляет пользователю не только видимый результат, но и дополнительный скрытый контент («карточки»), выбранный на основе истории взаимодействий пользователя. При взаимодействии с блоком (свайп или клик) дополнительный контент отображается мгновенно, без отправки нового запроса на сервер.
  • US9274683B2
  • 2016-03-01

  • SERP

  • Персонализация

  • Поведенческие сигналы

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 близость цитирований (ссылок) для кластеризации результатов поиска
Google может группировать результаты поиска, анализируя, как документы ссылаются друг на друга. Система оценивает силу связи между документами, проверяя контекстуальную близость общих цитирований. Ссылки, расположенные в одном предложении (co-citation) или абзаце, имеют значительно больший вес, чем ссылки, просто присутствующие в документе. Это позволяет формировать точные тематические кластеры, отсеивая группы со слабыми связями.
  • US8612411B1
  • 2013-12-17

  • Ссылки

  • SERP

Как Google использует историю поиска и браузинга пользователя для персонализации и изменения результатов выдачи
Google записывает историю поиска и просмотров пользователя для последующей персонализации выдачи. Система может повышать в ранжировании ранее посещенные сайты, добавлять в текущую выдачу релевантные результаты из прошлых похожих запросов, а также понижать сайты, которые пользователь ранее видел, но проигнорировал. Патент также описывает создание "предпочитаемых локаций" на основе частоты посещений и времени пребывания на сайте.
  • US9256685B2
  • 2016-02-09

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google вычисляет оценку качества сайта на основе соотношения брендового интереса и общего поискового трафика
Google использует поведенческие данные для расчета оценки качества сайта (Site Quality Score). Метрика основана на соотношении количества уникальных запросов, направленных конкретно на сайт (брендовый/навигационный интерес), к общему количеству уникальных запросов, которые привели пользователей на этот сайт. Высокий показатель этого соотношения свидетельствует о высоком качестве и авторитетности сайта.
  • US9031929B1
  • 2015-05-12

  • Поведенческие сигналы

  • EEAT и качество

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

  • Поведенческие сигналы

  • SERP

  • Семантика и интент

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

  • Персонализация

  • SERP

  • Ссылки

Как Google использует историю кликов пользователей для определения интента, связанного с физическим адресом, и таргетинга рекламы
Google анализирует, какие поисковые запросы исторически приводят к наибольшему количеству кликов по бизнесам, расположенным по определенному адресу. Когда пользователь ищет этот адрес (или смотрит его на карте), Google использует этот «Самый популярный поисковый термин» (Most-Popular Search Term), чтобы определить намерение пользователя и показать релевантную информацию и рекламу.
  • US20150261858A1
  • 2015-09-17

  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы