SEO HARDCORE
  • Разборы патентов
    • Патенты Google
  • Скоро SEO инструменты
  • Скоро SEO аналитика
  • seohardcore
SEO HARDCORE
назад

Как Google автоматически конвертирует текстовые объявления в графические, используя изображения с целевых страниц

DISPLAYING GRAPHICAL CONTENT ITEMS BASED ON TEXTUAL CONTENT ITEMS (Отображение графических элементов контента на основе текстовых элементов контента)
  • US9779065B1
  • Google LLC
  • 2013-08-29
  • 2017-10-03
  • Мультимедиа
  • Описание
  • Разбор
  • Выводы
  • Практика
  • FAQ
  • Похожие

Google использует систему для автоматического преобразования текстовых рекламных объявлений в визуально привлекательные графические блоки. Система анализирует целевую страницу (landing page) текстового объявления, извлекает или генерирует из нее изображение и объединяет его с текстом объявления. Эти новые графические блоки затем отображаются в виде матрицы (сетки) на сайтах паблишеров.

Описание

Какую проблему решает

Патент решает проблему низкой визуальной привлекательности и информативности стандартных текстовых рекламных объявлений (Textual Content Items). Текстовые объявления не предоставляют пользователю предварительного просмотра целевой страницы (Landing Page), что может снижать вероятность клика (CTR). Изобретение направлено на повышение вовлеченности пользователей за счет автоматической визуализации рекламы.

Что запатентовано

Запатентована система и метод автоматической генерации графических элементов контента (Graphical Content Items) на основе существующих текстовых элементов. Суть изобретения заключается в извлечении или генерации изображения с целевой страницы, на которую ведет текстовое объявление, и объединении этого изображения с текстом объявления. Результат отображается в виде структурированной сетки (Matrix).

Как это работает

Система работает в рамках системы управления контентом (CMS), которая в патенте описывается как система управления рекламой (advertising management system):

  • Отбор контента: Система отбирает набор текстовых объявлений для показа (например, на основе ключевых слов или интересов).
  • Анализ целевой страницы: Для каждого объявления определяется его Landing Page.
  • Генерация изображения: Система получает изображение, ассоциированное с целевой страницей. Если изображения нет, система может загрузить и отрендерить страницу «на лету», чтобы сгенерировать его (например, скриншот части страницы).
  • Формирование матрицы: Система генерирует Matrix (сетку), состоящую из ячеек (Portions). В каждую ячейку помещается текст объявления (заголовок и описание), сгенерированное изображение и ссылка.
  • Форматирование: Ссылка может быть наложена поверх изображения для экономии места и визуального акцента.

Актуальность для SEO

Высокая. Автоматизация создания рекламных креативов является ключевым направлением в современных рекламных системах (например, адаптивные медийные объявления в Google Ads). Механизмы, позволяющие конвертировать базовые текстовые данные в более богатые графические форматы с использованием ресурсов целевой страницы, активно применяются и развиваются.

Важность для SEO

Влияние на органическое SEO низкое. Патент напрямую описывает процессы в рамках рекламной системы (advertising management system) и не касается алгоритмов ранжирования органических результатов. Однако он имеет стратегическое значение для понимания того, как Google технически способен анализировать, рендерить и визуально интерпретировать целевые страницы. Это подчеркивает важность визуального дизайна и качества рендеринга лендингов.

Детальный разбор

Термины и определения

CMS (Content Management System)
Система управления контентом. В контексте патента функционирует как advertising management system (система управления рекламой).
Graphical Content Item (Графический элемент контента)
Элемент контента (например, объявление), который включает как минимум одно изображение. В данном патенте это результат конвертации текстового элемента.
Image associated with the landing page (Изображение, ассоциированное с целевой страницей)
Изображение, сгенерированное путем рендеринга всей целевой страницы или ее части, либо извлеченное из нее.
Landing Page (Целевая страница)
Веб-страница, на которую попадает пользователь после клика по элементу контента.
Link (URL)
Ссылка (адрес) целевой страницы.
Matrix (Матрица)
Структура данных и формат отображения, представляющий собой сетку (например, 2x4) графических элементов контента. Описан как формат «быстрого набора» (speed dial).
Portion (Ячейка/Часть)
Отдельная ячейка внутри матрицы, содержащая один графический элемент контента.
Textual Content Item (Текстовый элемент контента)
Элемент контента, который содержит текст (заголовок, описание, ссылку), но не содержит изображений, аудио или видео. Исходный материал для генерации графического элемента.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации матрицы графических элементов.

  1. Система получает сигнал о том, что на клиентском устройстве было выбрано ключевое слово (триггер).
  2. На основе этого ключевого слова система извлекает из базы данных несколько текстовых элементов контента и их ссылки на целевые страницы.
  3. Система проверяет отсутствие изображения, ассоциированного с целевой страницей.
  4. При отсутствии изображения система индексирует (обрабатывает/рендерит) целевую страницу для генерации этого изображения.
  5. Система генерирует матрицу (сетку) во время индексации целевой страницы. Матрица состоит из нескольких ячеек (Portions).
  6. Для заполнения ячеек (например, первой и второй):
    • Выбирается текстовый элемент.
    • В ячейку включается текст из элемента, сгенерированное изображение целевой страницы (имеющее площадь) и ссылка на целевую страницу (также имеющая площадь).
  7. Ключевой шаг форматирования: Для каждой ячейки ссылка накладывается поверх изображения, причем вся площадь ссылки находится в пределах площади изображения.
  8. Данные для отображения матрицы передаются на клиентское устройство.

Claim 4 (Зависимый): Уточняет расположение элементов внутри ячейки.

Генерация матрицы включает позиционирование заголовка (Title) выбранного текстового элемента над изображением и описания (Description) под изображением.

Claim 6 (Зависимый): Уточняет форматирование текста относительно изображения.

Размер шрифта текста форматируется так, чтобы он был меньше размера ассоциированного изображения.

Claim 7 (Зависимый): Уточняет форматирование наложенной ссылки.

Ссылка форматируется с полупрозрачным серым фоном (для улучшения читаемости поверх изображения).

Claim 9 (Зависимый): Описывает процесс генерации изображения (если он выполняется отдельно).

  1. Система получает доступ к целевой странице.
  2. Генерирует изображение, создавая изображение по крайней мере части этой страницы.
  3. Сохраняет это изображение в базе данных.

Где и как применяется

Изобретение применяется в системе управления рекламой (advertising management system) для динамического формирования рекламных блоков на сайтах паблишеров.

CRAWLING и INDEXING – Сканирование, Индексирование и извлечение признаков
Система должна иметь возможность получить доступ, загрузить и отрендерить (WRS) целевые страницы, связанные с текстовыми объявлениями. Это необходимо для генерации Image associated with the landing page. Патент указывает, что это может происходить заранее (Claim 9) или динамически во время генерации матрицы, если изображение отсутствует (Claim 1).

RANKING – Ранжирование (Рекламное)
На этом этапе система отбирает релевантные Textual Content Items (текстовые объявления). Отбор может основываться на контенте страницы паблишера, выбранных ключевых словах (Claim 1) или информации об интересах пользователя (Interests information).

METASEARCH / RERANKING – (Презентация Рекламы)
Это основной этап применения патента. Вместо того чтобы просто отобразить отобранные текстовые объявления, система активирует процесс конвертации:

  1. Конвертация: Текстовые элементы преобразуются в Graphical Content Items с использованием изображений лендингов.
  2. Форматирование: Элементы компонуются в формат Matrix (например, 2x4) с определенным стилем (заголовок сверху, описание снизу, ссылка поверх изображения).
  3. Отображение: Готовая матрица встраивается в веб-страницу.

Входные данные:

  • Набор Textual Content Items (Заголовок, Описание, URL).
  • Триггер (например, выбранное ключевое слово).
  • Доступ к целевым страницам (для рендеринга) или к базе данных предсгенерированных изображений.

Выходные данные:

  • Matrix графических элементов, готовая к отображению (например, в виде HTML/JavaScript кода).

На что влияет

  • Типы контента и форматы: Влияет исключительно на отображение рекламных блоков. Конвертирует текстовую рекламу в графическую (Display Ads).
  • Конкретные ниши: Применимо ко всем нишам, где используется контекстная реклама. Особенно эффективно для тематик, где визуальное представление продукта или услуги имеет значение (e-commerce, недвижимость, авто).

Когда применяется

  • Условия работы: Применяется, когда рекламная система решает отобразить рекламу в формате Matrix на сайте паблишера.
  • Триггеры активации: Загрузка страницы паблишера с соответствующим рекламным слотом. Также патент описывает сценарий, когда пользователь выбирает ключевое слово на странице паблишера (Claim 1), что инициирует генерацию матрицы на основе этого слова.

Пошаговый алгоритм

Процесс генерации матрицы рекламных блоков

  1. Инициализация: Система получает запрос на генерацию рекламного блока (например, после выбора ключевого слова пользователем на странице паблишера).
  2. Отбор текстового контента: Система извлекает из базы данных набор релевантных Textual Content Items на основе запроса/ключевого слова.
  3. Подготовка ресурсов (Изображения): Для каждого отобранного текстового элемента система определяет его Landing Page.
    • Система проверяет наличие готового изображения для этой страницы в базе данных.
    • Если изображение отсутствует, система инициирует процесс его генерации: загружает, рендерит целевую страницу и создает изображение (например, скриншот) ее части.
  4. Генерация Матрицы (Итеративный процесс): Система создает структуру Matrix (например, 2 строки, 4 колонки).
  5. Заполнение Ячейки (Portion): Для каждой ячейки матрицы:
    • Выбирается один текстовый элемент.
    • В ячейку добавляется Заголовок (позиционируется над изображением).
    • В ячейку добавляется Изображение целевой страницы.
    • В ячейку добавляется Описание (позиционируется под изображением).
    • В ячейку добавляется Ссылка (URL). Ссылка форматируется для наложения поверх изображения, возможно с полупрозрачным фоном.
  6. Финализация и Отправка: После заполнения всех ячеек готовая матрица (в виде кода для отображения) передается на клиентское устройство.

Какие данные и как использует

Данные на входе

Патент фокусируется на данных, необходимых для генерации креативов и форматирования отображения.

  • Контентные факторы: Текст из Textual Content Item (Заголовок, Описание). Контент целевой страницы (HTML, CSS, изображения, текст), необходимый для ее рендеринга и генерации превью.
  • Технические факторы: URL (Link) целевой страницы.
  • Пользовательские факторы: Упоминается Interests information (информация об интересах), которая может использоваться для отбора релевантных текстовых элементов.

Какие метрики используются и как они считаются

Патент не описывает метрики ранжирования, качества контента или сайтов. Он сосредоточен исключительно на механизме генерации и форматирования отображения. Используются параметры форматирования:

  • Структура матрицы: Количество строк и колонок (например, 2x4).
  • Размеры элементов: Указано, что размер шрифта текста должен быть меньше размера изображения.
  • Параметры наложения: Ссылка должна полностью находиться в пределах границ изображения.
  • Стилизация: Использование полупрозрачного серого фона для наложенной ссылки.

Выводы

  1. Автоматизация создания креативов: Патент описывает конкретный механизм автоматического преобразования текстовой рекламы в графическую без участия рекламодателя. Это позволяет Google масштабировать визуально привлекательные форматы.
  2. Визуализация целевой страницы: Ключевым элементом является использование изображения самой целевой страницы (или ее части) в качестве рекламного креатива. Это означает, что визуальный дизайн лендинга напрямую влияет на вид рекламы.
  3. Критичность Рендеринга (WRS): Для работы механизма система должна быть способна корректно и быстро загрузить и отрендерить целевую страницу. Проблемы с рендерингом могут привести к отсутствию изображения или его низкому качеству.
  4. Специфичность для Рекламных Систем: Описанные процессы происходят внутри advertising management system и не влияют на органический поиск напрямую.
  5. Улучшение пользовательского опыта (UX) рекламы: Переход от текста к графике с превью лендинга направлен на повышение информативности объявления и, как следствие, CTR и качества трафика.

Практика

Best practices (это мы делаем)

Хотя патент ориентирован на рекламу, он дает важные инсайты по оптимизации целевых страниц, которые могут быть использованы Google для визуализации.

  • Оптимизация первого экрана (Above the Fold): Поскольку система генерирует изображение части целевой страницы, критически важно, чтобы первый экран был визуально привлекательным, чистым и информативным. Размещайте логотип, качественные изображения продукта и УТП на видном месте.
  • Обеспечение корректного рендеринга: Убедитесь, что Googlebot (и сервисы рендеринга Google Ads) могут корректно загружать все ресурсы страницы (CSS, JS, изображения). Используйте инструменты проверки (например, Mobile-Friendly Test, инструменты Google Ads), чтобы увидеть, как Google рендерит страницу.
  • Оптимизация скорости загрузки: Патент предполагает возможность генерации изображения «на лету». Быстрая загрузка и рендеринг страницы критичны для своевременного создания креатива.
  • Адаптивный дизайн: Целевая страница должна корректно отображаться на разных разрешениях, так как изображение может генерироваться для разных форматов устройств.

Worst practices (это делать не надо)

  • Блокировка ресурсов: Блокировка CSS, JavaScript или изображений в robots.txt (или другими методами) может помешать системе корректно отрендерить страницу и сгенерировать качественное изображение.
  • Навязчивые Pop-up и Interstitials: Элементы, перекрывающие основной контент при загрузке, могут попасть на сгенерированное изображение, ухудшив вид рекламного блока.
  • Визуальный шум на первом экране: Перегруженный дизайн, отсутствие четких визуальных акцентов или использование низкокачественной графики на лендинге приведет к генерации непривлекательной рекламы.
  • Использование «слепых» лендингов: Лендинги без четкой визуальной идентификации бренда, продукта или услуги будут плохо конвертироваться в графический формат.

Стратегическое значение

Патент подтверждает стратегию Google по максимальной визуализации контента, включая рекламные блоки. Система стремится сделать рекламу более нативной и информативной, автоматически адаптируя ее формат. Для владельцев сайтов это сигнал о том, что дизайн и UX целевой страницы становятся не только факторами конверсии, но и ресурсом для автоматической генерации рекламных креативов.

Практические примеры

Сценарий: Автоматическая генерация графического объявления для интернет-магазина

  1. Исходные данные: Рекламодатель создал текстовое объявление: Заголовок: "Купить Кроссовки Nike Air", Описание: "Скидки до 50% на новую коллекцию", URL: example.com/nike-air.
  2. Анализ лендинга: Система Google Ads загружает example.com/nike-air. Страница содержит логотип, качественное фото кроссовок и кнопку "Купить".
  3. Генерация изображения: Система рендерит страницу и генерирует изображение (скриншот) верхней части страницы, включающее фото кроссовок и логотип.
  4. Формирование Матрицы: Google готовит блок для показа на сайте паблишера в формате 2x4.
  5. Заполнение ячейки: В одну из ячеек помещается:
    • Сверху: "Купить Кроссовки Nike Air".
    • В центре: Сгенерированное изображение (фото кроссовок и логотип).
    • Поверх изображения (наложено): "example.com" (с полупрозрачным фоном).
    • Снизу: "Скидки до 50% на новую коллекцию".
  6. Результат: Вместо стандартного текстового блока пользователь видит визуально богатое объявление с превью товара.

Вопросы и ответы

Влияет ли этот патент на ранжирование в органическом поиске?

Нет, прямого влияния на органическое ранжирование нет. Патент описывает процессы, происходящие в системе управления рекламой (advertising management system). Он касается того, как отображаются рекламные объявления, а не того, как ранжируются результаты поиска.

Означает ли это, что Google делает скриншоты всех целевых страниц?

Да, это подразумевает, что система способна загружать, рендерить и генерировать изображения (включая скриншоты) целевых страниц. Патент указывает, что это может происходить как заранее и сохраняться в базе данных, так и динамически «на лету», если изображение отсутствует на момент генерации рекламного блока.

Как оптимизировать целевую страницу под этот формат генерации?

Ключевым является оптимизация первого экрана (Above the Fold). Убедитесь, что он визуально привлекателен, чист и содержит важные элементы: логотип, УТП и качественные изображения продукта. Также критически важна скорость загрузки и корректность рендеринга страницы системами Google.

Что произойдет, если моя целевая страница медленно загружается или не рендерится?

Если система не сможет быстро загрузить и отрендерить страницу, она может не сгенерировать изображение или сгенерировать его некорректно (например, пустой экран или частично загруженные элементы). Это может привести к тому, что ваше объявление не будет показано в этом выгодном графическом формате или будет выглядеть непривлекательно.

Где применяется этот механизм: в Поиске Google или на сайтах партнеров (GDN)?

Патент описывает генерацию матрицы для отображения на веб-странице, что характерно для сайтов паблишеров в Контекстно-медийной сети (Google Display Network, GDN) или AdSense. Формат Matrix (сетка объявлений) не типичен для стандартной поисковой выдачи Google SERP.

Что такое «Matrix» в контексте патента?

Matrix — это формат отображения рекламного блока в виде сетки (например, 2 строки и 4 колонки), где каждая ячейка содержит отдельное графическое объявление. Патент сравнивает этот формат с функцией «быстрого набора» (speed dial), предлагая пользователю визуально богатый выбор.

Почему ссылка накладывается поверх изображения?

Это прием форматирования, описанный в Claim 1. Наложение ссылки (URL) поверх изображения позволяет более компактно разместить информацию в ячейке и сделать акцент на визуальной составляющей. Для читаемости может использоваться полупрозрачный фон под текстом ссылки (Claim 7).

Могу ли я контролировать, какое изображение будет использовано с моей целевой страницы?

Патент не описывает интерфейс для ручного выбора изображения рекламодателем в этом процессе. Система автоматически генерирует изображение путем рендеринга части страницы. Единственный способ контроля — это оптимизация дизайна самой целевой страницы.

Что такое триггер активации по ключевому слову (Claim 1)?

Патент описывает сценарий, когда генерация матрицы инициируется после того, как пользователь выбрал (кликнул) определенное ключевое слово на странице паблишера. Система получает сигнал об этом выборе и генерирует матрицу объявлений, релевантных этому конкретному ключевому слову.

Какое значение этот патент имеет для SEO-специалиста, если он про рекламу?

Для SEO-специалиста этот патент важен как подтверждение того, что Google активно использует и развивает технологии рендеринга (WRS). Он показывает, что визуальное восприятие страницы роботом имеет практическое применение (в данном случае, для генерации креативов). Это усиливает важность технического SEO, направленного на скорость загрузки и корректность отображения контента.

Похожие патенты

Как Google автоматически превращает текст на странице в ссылки на результаты поиска для монетизации контента
Патент Google описывает технологию автоматического анализа контента веб-страницы для выявления ключевых тем и терминов. Система генерирует релевантные поисковые запросы и динамически встраивает гиперссылки в текст страницы. При клике пользователь перенаправляется на страницу результатов поиска (SERP). Ключевая особенность: система приоритизирует термины с высоким потенциалом дохода от рекламы.
  • US7788245B1
  • 2010-08-31
  • Ссылки

  • SERP

  • Семантика и интент

Как Google конвертирует визуальные характеристики изображений в текстовые ключевые слова для визуального поиска
Google использует механизм для понимания содержания изображений путем анализа их визуальных характеристик (цвет, текстура, края). Система сопоставляет эти характеристики с текстовыми терминами, используя модели машинного обучения, обученные на истории поиска картинок. Это позволяет Google генерировать релевантные текстовые запросы для любого изображения, что является основой работы визуального поиска (например, Google Lens).
  • US8935246B2
  • 2015-01-13
  • Семантика и интент

  • Мультимедиа

  • Индексация

Как Google автоматически добавляет текст существующих объявлений к сайтлинкам (Sitelinks) для повышения CTR
Google использует систему для автоматического улучшения сайтлинков в рекламных объявлениях. Система анализирует существующие текстовые объявления (креативы) рекламодателя и определяет их конечные целевые страницы, игнорируя параметры отслеживания. Затем она сопоставляет их с URL сайтлинков и добавляет наиболее релевантный и эффективный текст креатива к сайтлинку для повышения кликабельности (CTR).
  • US10650066B2
  • 2020-05-12
  • Ссылки

  • SERP

Как Google переводит изображения в текстовые запросы, валидируя метки через веб-поиск
Google использует эту систему для определения наилучшего текстового описания (метки) для изображения. Система тестирует различные варианты меток, используя их как поисковые запросы, и проверяет, сколько результатов поиска указывают на веб-страницы, содержащие исходное изображение. Это гарантирует, что выбранная метка точно отражает то, как изображение используется и понимается в интернете.
  • US9218546B2
  • 2015-12-22
  • Мультимедиа

  • Семантика и интент

  • Индексация

Как Google генерирует визуальные превью страниц в выдаче, используя "разрывы страницы" и масштабирование релевантного контента
Google использует систему для создания визуальных превью страниц (Page Previews) в результатах поиска. Система оценивает релевантность контента, учитывая близость ключевых слов и тип контента (например, пессимизируя сноски). Для показа наиболее важных, но разрозненных участков используются "разрывы страницы" (Page Tears). Ключевой контент также может отображаться в увеличенном масштабе для читаемости, помогая пользователю оценить формат страницы до клика.
  • US8954427B2
  • 2015-02-10
  • SERP

  • Семантика и интент

Популярные патенты

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 использует крупномасштабное машинное обучение и данные о поведении пользователей для предсказания кликов и ранжирования результатов
Google использует систему машинного обучения для создания модели ранжирования, которая предсказывает вероятность клика пользователя по документу. Модель обучается на огромных массивах данных о прошлых поисках (запросы, документы, клики). Система учитывает базовую вероятность клика (Prior Probability), основанную на позиции и предыдущей оценке документа, а затем корректирует её с помощью правил, выявляющих, какие признаки (Features) документа и запроса влияют на выбор пользователя.
  • US7231399B1
  • 2007-06-12
  • Поведенческие сигналы

Как Google позволяет вебмастерам управлять весом и интерпретацией исходящих ссылок через атрибуты тега (Основа nofollow)
Google запатентовал механизм, позволяющий вебмастерам добавлять в теги ссылок () специальные пары "параметр=значение" (например, rel=nofollow или linkweight=0.5). Эта информация используется краулером и поисковой системой для изменения способа обработки ссылки, например, для корректировки передаваемого веса (PageRank) или блокировки ее учета.
  • US7979417B1
  • 2011-07-12
  • Ссылки

  • Краулинг

  • Техническое SEO

Как Google анализирует текст вокруг ссылки (Rare Words) для борьбы со спамом и определения шаблонных ссылок
Google использует механизм для оценки качества ссылок, выходящий за рамки анкорного текста. Система анализирует редкие слова (rare words) в тексте, непосредственно окружающем ссылку, чтобы определить её уникальный контекст. Ранжирование улучшается при наличии разнообразия этих контекстов. Ссылки с повторяющимся контекстом (спам, Google-бомбинг или шаблонные/сквозные ссылки) идентифицируются и дисконтируются.
  • US8577893B1
  • 2013-11-05
  • Антиспам

  • Ссылки

  • Семантика и интент

Как Google использует анализ аномалий в показах и кликах для выявления фейковых локальных бизнес-листингов (Map Spam)
Google анализирует статистику взаимодействий (кликов) для групп связанных бизнес-листингов (Common Business). Система вычисляет статистически нормальный уровень активности и устанавливает порог (Anomaly Detection Threshold). Резкий всплеск активности выше этого порога (например, на два стандартных отклонения) сигнализирует о наличии фейковых или спамных листингов, созданных для манипуляции локальной выдачей.
  • US20150154610A1
  • 2015-06-04
  • Local SEO

  • Антиспам

  • Поведенческие сигналы

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

  • Индексация

  • Краулинг

Как Google использует 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

Как Google использует паттерны просмотра пользователей (Co-Visitation) и временную близость для определения тематики нетекстового контента (изображений и видео)
Google использует механизм для понимания контента без текста (изображения, видео), анализируя, какие другие (текстовые) страницы пользователи посещают в рамках той же сессии. Ключевые слова с этих текстовых страниц заимствуются и присваиваются нетекстовому ресурсу. Критически важным фактором является время перехода: чем быстрее пользователь перешел между ресурсами, тем больший вес получают ключевые слова.
  • US8572096B1
  • 2013-10-29
  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google рассчитывает тематическую репутацию для выявления и наделения полномочиями экспертов-кураторов
Google описывает систему для тематических сообществ, где пользователи зарабатывают репутацию (Topical Reputation Score) на основе качества контента, которым они делятся в рамках конкретных тем. Достигнув порогового значения, пользователь «разблокирует» тему, получая права куратора и возможность управлять контентом других. Система использует механизм «Impact Scores» для оценки влияния действий кураторов на репутацию участников.
  • US9436709B1
  • 2016-09-06
  • EEAT и качество

  • Поведенческие сигналы

Как Google в Автоподсказках (Suggest) предлагает искать запрос в разных вертикалях поиска (Картинки, Новости, Карты)
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.
  • US9317605B1
  • 2016-04-19
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

seohardcore