Google использует систему для выбора и оценки Featured Snippets. Система анализирует топовые результаты поиска, чтобы предсказать, какие термины должны быть в ответе (Answer Terms). Затем она оценивает отрывки текста, учитывая совпадение с запросом, наличие предсказанных терминов ответа (консенсус топа), качество исходного сайта, форматирование и языковую модель контента.

Описание

Какую проблему решает

Патент решает задачу идентификации и оценки качества "длинных ответов" (long answers) или "отрывков с ответами" (answer passages), также известных как Featured Snippets. Цель — предоставить пользователю прямой ответ на вопрос, извлеченный из веб-ресурса, и отобразить его отдельно от стандартных результатов поиска (например, в answer box). Основная проблема заключается в том, как оценить, какой отрывок лучше всего отвечает на вопрос, учитывая, что пользователь не знает ответа и, следовательно, не использует термины ответа в своем запросе.

Что запатентовано

Запатентована система оценки отрывков-кандидатов в ответы (Candidate Answer Passages), извлеченных из топовых результатов поиска. Ключевым элементом является механизм оценки, сочетающий сигналы, зависящие от запроса (Query Dependent Score), и сигналы, не зависящие от запроса (Query Independent Score). Система вычисляет не только совпадение с терминами запроса (Query Term Match Score), но и совпадение с предсказанными терминами ответа (Answer Term Match Score), основанными на консенсусе топовых документов.

Как это работает

Система работает следующим образом:

  • Идентификация вопроса: Определяется, что запрос является вопросом (question query).
  • Генерация кандидатов: Из топовых ранжированных ресурсов (top-ranked subset) извлекаются отрывки-кандидаты (текст, списки, таблицы).
  • Предсказание терминов ответа (Консенсус): Система анализирует все топовые ресурсы и определяет термины, которые часто встречаются в них. Эти термины считаются вероятными терминами ответа (Answer Terms).
  • Оценка зависимости от запроса: Каждый кандидат оценивается по тому, насколько хорошо он соответствует терминам запроса И предсказанным терминам ответа.
  • Оценка независимости от запроса: Каждый кандидат оценивается по качеству исходного сайта, форматированию, грамматике (Language Model Score), позиции на странице и другим факторам.
  • Финальная оценка: Вычисляется итоговая оценка (Answer Score), на основе которой выбирается лучший отрывок для показа.

Актуальность для SEO

Критически высокая. Featured Snippets являются доминирующим элементом современной поисковой выдачи Google. Этот патент описывает фундаментальные механизмы, которые Google использует для их оценки и выбора. Понимание метрик Answer Term Match Score (консенсус топа) и Query Independent Score (качество и структура) является ключом к оптимизации под блоки с ответами.

Важность для SEO

Патент имеет критическое значение (95/100) для SEO. Он напрямую описывает факторы, влияющие на получение Featured Snippet. Патент объясняет, почему важно анализировать консенсус терминов в ТОПе выдачи (для попадания в Answer Terms), а также подтверждает важность качества сайта (E-E-A-T), структуры документа и качества языка для получения позиций в блоках с ответами.

Детальный разбор

Термины и определения

Answer Passage (Отрывок с ответом)
Текст или структурированные данные, извлеченные из ресурса и предоставляемые в ответ на вопрос пользователя, отдельно от стандартных результатов поиска. Синоним Featured Snippet.
Answer Score (Оценка ответа)
Итоговая оценка качества отрывка-кандидата, основанная на Query Dependent Score и Query Independent Score.
Answer Terms (Термины ответа)
Набор терминов, которые с высокой вероятностью должны содержаться в ответе. Определяются путем анализа терминов, присутствующих в top-ranked subset of resources.
Answer Term Match Score (Оценка совпадения с терминами ответа)
Метрика, измеряющая сходство отрывка-кандидата с предсказанными Answer Terms.
Candidate Answer Passage (Отрывок-кандидат в ответы)
Отрывок контента, сгенерированный из ресурса, который оценивается на предмет использования в качестве Answer Passage.
Discourse Boundary Term (Термин границы дискурса)
Слово, вводящее утверждение, противоречащее или модифицирующее предыдущее (например, "однако", "напротив"). Используется при расчете Query Independent Score.
Passage Unit (Единица отрывка)
Минимальный блок контента, из которого состоит отрывок (например, предложение, заголовок, элемент списка, ячейка таблицы).
Query Dependent Score (Оценка, зависящая от запроса)
Часть общей оценки, основанная на Query Term Match Score и Answer Term Match Score.
Query Independent Score (Оценка, не зависящая от запроса)
Часть общей оценки, основанная на факторах, не связанных с терминами запроса (например, качество сайта, форматирование, языковая модель).
Structured Content (Структурированный контент)
Контент, организованный для выделения отношений между атрибутами данных (например, списки, таблицы).
Unstructured Content (Неструктурированный контент)
Контент в форме текстовых отрывков (проза), не организованный в виде таблиц или списков.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс оценки отрывков-кандидатов.

  1. Система получает запрос, идентифицированный как вопрос (question query), и набор ранжированных ресурсов.
  2. Для подмножества топовых ресурсов (top-ranked subset) получаются Candidate Answer Passages.
  3. Для каждого кандидата определяется Query Term Match Score (сходство с терминами запроса).
  4. Для каждого кандидата определяется Answer Term Match Score (сходство с терминами ответа).
  5. Определяется Query Dependent Score на основе двух предыдущих оценок.
  6. Генерируется итоговая Answer Score на основе Query Dependent Score.

Claims 3, 4, 5 (Зависимые): Детализируют расчет Answer Term Match Score и веса терминов. Это ядро механизма консенсуса.

Система генерирует список Answer Terms из контента top-ranked subset. Вес термина (term weight) рассчитывается путем умножения количества топовых ресурсов, в которых встречается этот термин, на значение обратной частоты документа (Inverse Document Frequency - IDF) этого термина. Answer Term Match Score рассчитывается путем суммирования произведений веса термина на частоту его вхождения в отрывок.

Claim 6 (Зависимый от 1): Описывает корректировку Answer Term Match Score на основе типов сущностей.

Система определяет ожидаемый тип сущности для ответа. Если в отрывке-кандидате не найдено сущностей этого типа, Answer Term Match Score понижается.

Claim 7 (Зависимый от 1): Вводит использование Query Independent Score.

Система также определяет Query Independent Score. Итоговый Answer Score генерируется на основе как Query Dependent Score, так и Query Independent Score.

Claims 8, 9, 10 (Зависимые от 7): Детализируют факторы источника для Query Independent Score.

Query Independent Score основывается на: оценке ранжирования исходного ресурса (ranking score); репутации исходного ресурса (reputation); и оценке качества сайта (site quality score).

Claims 11, 12 (Зависимые от 7): Детализируют факторы форматирования для Query Independent Score.

Query Independent Score понижается, если отрывок-кандидат включает единицы текста из двух разных разделов ресурса (пересекает границы разделов) (Claim 11), или если отрывок начинается с discourse boundary term (Claim 12).

Где и как применяется

Изобретение является ключевым компонентом системы генерации Featured Snippets и затрагивает несколько этапов поиска.

INDEXING – Индексирование и извлечение признаков
На этом этапе рассчитываются и сохраняются статические сигналы, используемые для оценки ответов: Site Quality Score, Reputation Score. Также происходит парсинг структуры документа (разделы, списки, таблицы).

QUNDERSTANDING – Понимание Запросов
На этом этапе определяется, является ли запрос Question Query. Это служит триггером для активации системы.

RANKING – Ранжирование
Система определяет top-ranked subset ресурсов, которые будут использоваться для генерации кандидатов и вычисления Answer Terms. Исходный Ranking Score ресурса используется как входной сигнал для Query Independent Score.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Основное применение патента. После стандартного ранжирования система активирует Answer Passage Generator и Answer Passage Scorer:

  1. Генерация кандидатов: Извлекаются Candidate Answer Passages из топовых результатов.
  2. Вычисление Answer Terms: Анализируются топовые результаты для определения консенсусных терминов ответа.
  3. Оценка: Вычисляются Query Dependent и Query Independent Scores.
  4. Выбор и Смешивание: Выбирается кандидат с наивысшим Answer Score, и он встраивается в выдачу как отдельный блок (Featured Snippet).

Входные данные:

  • Question Query.
  • Top-ranked subset ресурсов и их Ranking Scores.
  • Контент топовых ресурсов.
  • Статические сигналы качества (Site Quality, Reputation).
  • Данные IDF и языковые модели.

Выходные данные:

  • Выбранный Answer Passage (Featured Snippet) для отображения в SERP.

На что влияет

  • Специфические запросы: В первую очередь влияет на информационные запросы, сформулированные как вопросы (Явные: "Как сделать X?"; Неявные: "Расстояние до луны").
  • Типы контента: Влияет на статьи, гайды, FAQ. Патент явно указывает на обработку как Unstructured Content (параграфы), так и Structured Content (списки, таблицы).
  • Конкретные ниши: Сильное влияние во всех нишах, где пользователи ищут объяснения, инструкции или факты, включая YMYL, где важны сигналы репутации и качества источника.

Когда применяется

  • Триггер активации: Когда система определяет, что запрос является question query, и стремится предоставить прямой ответ.
  • Условия применения: Применяется только к контенту из top-ranked subset ресурсов (например, Топ-10). Если в топе нет подходящих кандидатов с высоким Answer Score, блок с ответом может не отображаться.

Пошаговый алгоритм

Этап А: Генерация Кандидатов (На основе описания патента)

  1. Получение данных: Система получает вопрос и топовые ранжированные ресурсы.
  2. Идентификация единиц: Для каждого ресурса контент разбивается на Passage Units (предложения, заголовки, элементы списков, ячейки таблиц).
  3. Применение критериев отбора: К каждой единице применяются критерии.
    • Для неструктурированного контента: Проверка на полные предложения, видимость, отсутствие boilerplate, подчиненность заголовку.
    • Для структурированного контента: Инкрементальная генерация списков (incremental list generation), включение всех шагов в инструкциях, обработка запросов на суперлативы (например, топ-3).
  4. Формирование кандидатов: Из единиц, прошедших критерии, формируются Candidate Answer Passages.

Этап Б: Оценка Кандидатов (На основе Claims и описания)

  1. Получение кандидатов: Answer Passage Scorer получает сгенерированные кандидаты.
  2. Вычисление Query Term Match Score: Оценивается сходство терминов запроса с текстом кандидата.
  3. Вычисление Answer Term Match Score (Механизм Консенсуса):
    1. Генерация Answer Terms: Составляется список терминов из top-ranked subset ресурсов.
    2. Взвешивание терминов: Для каждого термина рассчитывается вес по формуле: (Кол-во топовых ресурсов с термином) * IDF.
    3. Оценка кандидата: Для каждого термина в кандидате его вес умножается на частоту его встречаемости в этом кандидате. Результаты суммируются.
    4. Корректировка по типу сущности: Проверяется, содержит ли кандидат ожидаемый тип сущности для ответа. Если нет, оценка понижается (Claim 6).
  4. Вычисление Query Dependent Score: Комбинирование Query Term Match Score и Answer Term Match Score.
  5. Вычисление Query Independent Score: Оценка на основе:
    1. Сигналы источника: Ranking Score, Reputation Score, Site Quality Score ресурса (Claims 8, 9, 10).
    2. Сигналы форматирования: Позиция на странице (Passage unit position score), пересечение границ разделов (Section boundary score, Claim 11), наличие вопросов (Interrogative score), начало с термина границы дискурса (Discourse boundary term position score, Claim 12).
    3. Языковая модель (Language model score): Оценка грамматики и схожести с историческими ответами (например, с использованием триграммной модели).
  6. Вычисление Answer Score: Комбинирование Query Dependent Score и Query Independent Score (Claim 7).
  7. Выбор ответа: Выбирается кандидат с максимальным Answer Score.

Какие данные и как использует

Данные на входе

  • Контентные факторы: Текст параграфов, заголовки, элементы списков, содержимое таблиц. Используются для генерации кандидатов и расчета всех оценок совпадения.
  • Структурные факторы: HTML-структура документа (теги параграфов, разделов, списков, таблиц). Используются для определения границ разделов и применения критериев генерации для Structured и Unstructured Content.
  • Технические факторы: Упоминается проверка видимости контента и обнаружение шаблонного текста (boilerplate detection) на этапе генерации кандидатов.
  • Факторы качества сайта: Предварительно рассчитанные Site Quality Score и Reputation Score. Используются в Query Independent Score.
  • Системные данные: Ranking Score ресурса (результат работы основного алгоритма ранжирования). Используется в Query Independent Score. Значения IDF для терминов.
  • Лингвистические данные: Языковые модели и данные исторических ответов (Historical Answer Passages) для оценки стиля и грамматики. Списки discourse boundary terms.

Какие метрики используются и как они считаются

  • Query Term Match Score: Пропорциональна количеству совпадений терминов запроса в отрывке.
  • Answer Term Weight: Вес для определения важности термина в контексте ответа. Формула расчета (Claim 4):

Выводы

  1. Featured Snippets — это отдельная система оценки: Выбор Featured Snippet — это не просто извлечение текста из результата №1, а сложный процесс переоценки (Answer Score) множества кандидатов из разных источников в ТОПе (top-ranked subset).
  2. Ключевая инновация — "Answer Term Match Score" (Консенсус Топа): Поскольку в запросе нет терминов ответа, Google предсказывает их, анализируя консенсус среди топовых результатов. Чтобы получить Featured Snippet, контент должен содержать эти предсказанные Answer Terms. Это фундаментальный принцип для оптимизации.
  3. Важность специфичной терминологии (IDF): Использование в формуле веса термина IDF подчеркивает важность точной, нишевой терминологии. Термины, которые часто встречаются в топе И при этом являются относительно редкими (высокий IDF), получают наибольший вес.
  4. Двойная оценка (Query Dependent и Independent): Успешный кандидат должен быть релевантен как запросу, так и предсказанному ответу (Dependent), а также соответствовать требованиям к качеству источника, форматированию и языку (Independent).
  5. Качество и авторитетность источника критичны: Site Quality Score, Reputation Score и исходный Ranking Score ресурса напрямую влияют на Query Independent Score. Авторитетные сайты имеют преимущество.
  6. Форматирование и структура имеют значение: Система явно оценивает структуру документа. Штрафы за пересечение границ разделов, начало абзаца с вводных слов (discourse boundary terms) и использование вопросов в ответе подчеркивают важность четкой и декларативной структуры контента.
  7. Обработка структурированных данных: Система активно ищет ответы в списках и таблицах и имеет специальные правила для их извлечения (например, incremental list generation).

Практика

Best practices (это мы делаем)

  • Анализ и использование "Answer Terms" (Консенсус ТОПа): При оптимизации под Featured Snippet необходимо анализировать Топ-10 результатов по запросу, чтобы выявить консенсусные термины, которые Google, вероятно, идентифицирует как Answer Terms. Убедитесь, что ваш контент содержит эти термины в явном виде в предполагаемом отрывке ответа.
  • Использование точной терминологии (High IDF): Включайте в ответы специфическую лексику ниши. Термины с высоким IDF получают больший вес в Answer Term Match Score.
  • Четкая структура документа и декларативный язык: Используйте ясные заголовки и убедитесь, что текст ответа находится в одном логическом блоке. Избегайте начала ключевых абзацев с терминов границы дискурса ("Однако", "С другой стороны"). Пишите полными, грамматически правильными предложениями.
  • Использование структурированного контента: Для инструкций используйте нумерованные списки (<ol>). Для перечислений используйте маркированные списки (<ul>). Для сравнения данных используйте таблицы (<table>). Система имеет специальные правила для корректного извлечения таких данных.
  • Оптимизация под типы сущностей: Определите, какой тип сущности ожидается в ответе (например, человек, место, число). Убедитесь, что этот тип сущности явно присутствует в вашем отрывке, чтобы избежать понижения Answer Term Match Score (Claim 6).
  • Повышение качества и репутации сайта: Работайте над улучшением E-E-A-T, так как Site Quality Score и Reputation Score являются прямыми факторами в Query Independent Score.

Worst practices (это делать не надо)

  • Игнорирование консенсуса ТОПа: Создание контента, который использует совершенно другую терминологию, чем другие топовые результаты. Это приведет к низкому Answer Term Match Score.
  • Сложная структура и "вода": Размещение ответа в середине длинного абзаца, который пересекает несколько тем или содержит много вводных конструкций. Это нарушает требования к Section Boundary Score.
  • Ответ вопросом на вопрос: Включение вопросительных предложений в отрывок, предназначенный для ответа. Это приведет к штрафу по Interrogative Score.
  • Некорректное форматирование списков и таблиц: Использование текста вместо HTML-списков для инструкций или перечислений. Это затрудняет для Answer Passage Generator корректное извлечение структурированного контента.
  • Игнорирование традиционного ранжирования: Фокусироваться только на сниппете, забывая о необходимости попасть в Топ-10. Если сайт не в top-ranked subset, он не будет обработан этой системой.

Стратегическое значение

Этот патент описывает алгоритмическую основу для Featured Snippets. Он подтверждает, что Google стремится стать "движком ответов" и предоставляет конкретные механизмы для этого. Стратегически, это подчеркивает необходимость перехода от простого предоставления информации к предоставлению прямых, структурированных и терминологически выверенных ответов. Оптимизация контента требует глубокого понимания не только интента пользователя, но и того, как конкуренты в ТОПе отвечают на этот интент (консенсус терминов).

Практические примеры

Сценарий 1: Оптимизация параграфа под "Answer Terms"

  • Запрос: "почему небо голубое"
  • Анализ ТОПа (Answer Terms): Анализ показывает, что термины "Рэлеевское рассеяние" (Rayleigh scattering), "длины волн" (wavelengths), "синий свет" (blue light), "атмосфера" (atmosphere) часто встречаются в топовых результатах.
  • Действие: Переписать ключевой абзац так, чтобы он явно включал эти термины.
  • Плохой пример (Низкий Answer Term Score): "Небо выглядит голубым из-за того, как свет от солнца взаимодействует с воздухом. Свет рассеивается, и наши глаза видят голубой цвет чаще других."
  • Хороший пример (Высокий Answer Term Score): "Небо голубое из-за явления, называемого Рэлеевское рассеяние. Солнечный свет состоит из разных длин волн. Когда свет проходит через атмосферу, молекулы газа рассеивают более короткие волны (синий свет) сильнее, чем длинные (красный свет)."

Сценарий 2: Структурирование списка для инструкций

  • Запрос: "как завязать галстук"
  • Действие: Использовать нумерованный список (<ol>), следуя принципам, которые облегчают incremental list generation (основная инструкция в первом предложении каждого пункта).
  • Плохой пример (Сложно извлечь): "Сначала накиньте галстук. Затем перекрестите концы. После этого проденьте широкий конец в петлю, это важный шаг. Наконец, затяните узел."
  • Хороший пример (Легко извлечь):
    1. Накиньте галстук на шею.
    2. Перекрестите широкий конец над узким.
    3. Проденьте широкий конец в шейную петлю снизу вверх.
    4. Протяните широкий конец через узел спереди.
    5. Затяните узел и поправьте галстук.

Вопросы и ответы

Что такое "Answer Term Match Score" и почему это важно для SEO?

Это метрика, которая измеряет, насколько хорошо отрывок текста содержит термины, которые Google ожидает увидеть в ответе. Google предсказывает эти термины (Answer Terms), анализируя, какие слова чаще всего встречаются в топовых результатах по данному запросу (локальный консенсус). Для SEO это критически важно, так как ваш контент должен соответствовать этому консенсусу терминов, чтобы иметь высокий шанс попасть в Featured Snippet.

Как мне определить "Answer Terms" для моего запроса?

Необходимо проанализировать Топ-10 результатов по целевому запросу. Выявите термины, фразы и сущности, которые повторяются в большинстве релевантных документов, особенно в контексте прямого ответа на вопрос. Инструменты семантического анализа или TF-IDF анализа, примененные к контенту ТОПа, могут помочь выявить эти ключевые термины.

Влияет ли позиция моего сайта в основном ранжировании на получение Featured Snippet?

Да, напрямую. Во-первых, кандидаты генерируются только из top-ranked subset ресурсов (обычно Топ-10). Во-вторых, патент указывает (Claim 8), что исходный Ranking Score ресурса используется как часть Query Independent Score при оценке кандидата. Чем выше ваша позиция, тем выше базовый балл для Featured Snippet.

Влияет ли авторитетность (E-E-A-T) сайта на Featured Snippets согласно этому патенту?

Да, очень сильно. Патент явно упоминает использование Reputation Score (Claim 9) и Site Quality Score (Claim 10) как компонентов Query Independent Score. Это означает, что сайты с высоким уровнем экспертизы, авторитетности и надежности имеют значительное преимущество при выборе ответа.

Какие ошибки форматирования могут помешать получению Featured Snippet?

Патент описывает несколько штрафов: пересечение границ разделов или параграфов в одном отрывке (Section Boundary Score); начало отрывка с вводных слов типа "однако", "с другой стороны" (Discourse Boundary Term); включение вопросов в текст ответа (Interrogative Score). Контент должен быть четким, декларативным и структурно изолированным.

Как система обрабатывает списки и таблицы?

Система специально обрабатывает структурированный контент. Она использует правила, такие как incremental list generation (извлечение элементов списка по порядку) и может извлекать полные списки или части таблиц. Использование правильной HTML-разметки для списков (<ol>, <ul>) и таблиц (<table>) критично для корректного извлечения.

Что такое "Language Model Score" в контексте этого патента?

Это оценка того, насколько хорошо текст написан. Она включает проверку грамматики и полных предложений. Также она сравнивает текст кандидата с языковой моделью, построенной на исторических ответах (упоминается триграммная модель). Отрывки, написанные языком, похожим на другие качественные ответы, получают более высокий балл.

Что произойдет, если мой ответ не содержит нужный тип сущности?

Система пытается определить ожидаемый тип ответа (например, для запроса "кто самый быстрый человек" ожидается сущность типа "человек"). Если ваш отрывок не содержит сущность нужного типа, Answer Term Match Score будет понижен (Claim 6), что уменьшает шансы на получение Featured Snippet.

Как Google определяет вес термина для Answer Term Match Score?

Google использует формулу, похожую на TF-IDF, но локализованную для Топ-N результатов. Вес термина равен количеству топовых документов, содержащих этот термин, умноженному на его глобальный IDF. Это позволяет выделить термины, которые одновременно часто встречаются в контексте данного запроса (консенсус топа) и являются достаточно специфичными (высокий IDF).

Является ли Featured Snippet всегда текстом с сайта на позиции №1?

Нет. Хотя сайт на позиции №1 часто получает Featured Snippet из-за высокого Ranking Score, система оценивает кандидатов со всех сайтов в top-ranked subset. Если сайт на позиции №5 имеет отрывок с более высоким Answer Score (например, за счет лучшего форматирования и лучшего совпадения с Answer Terms), он может "украсть" Featured Snippet.

Похожие патенты

Как Google извлекает и ранжирует прямые ответы (Featured Snippets) из веб-страниц
Google использует систему для ответов на вопросы пользователей путем извлечения конкретных предложений из результатов поиска. Система оценивает предложения-кандидаты по трем критериям: насколько часто похожие фразы встречаются в других результатах (консенсус), насколько предложение соответствует запросу (релевантность) и насколько авторитетен источник (ранг документа). Лучшие ответы отображаются над стандартными результатами поиска.
  • US8682647B1
  • 2014-03-25

  • SERP

  • Семантика и интент

Как Google извлекает, формирует и оценивает контент для Featured Snippets из структурированных и неструктурированных данных
Google использует систему для генерации Featured Snippets (ответных пассажей) в ответ на запросы-вопросы. Система анализирует топовые результаты, разделяя контент на структурированный (таблицы, списки) и неструктурированный (текст). Применяя разные наборы правил для каждого типа контента, система извлекает блоки текста (Passage Units) и формирует из них кандидатов для показа в блоке ответов, после чего оценивает их с помощью комплексного скоринга.
  • US10180964B1
  • 2019-01-15

  • SERP

  • Семантика и интент

Как Google использует консенсус между топовыми результатами для валидации и выбора Featured Snippets (Short Answers)
Google использует систему оценки точности коротких ответов (Featured Snippets). Система сравнивает потенциальный ответ из топового результата с контентом других высокоранжированных страниц (контекстными пассажами). Если ответ подтверждается консенсусом между источниками, он получает высокий балл точности и отображается в выдаче. Это снижает вероятность показа неверной или спорной информации в блоках с ответами.
  • US12248529B2
  • 2025-03-11

  • SERP

  • EEAT и качество

Как Google создает модель "идеального ответа" (Answer Term Vector) для оценки и выбора Featured Snippets
Google анализирует тысячи существующих пар Вопрос-Ответ в интернете, чтобы понять, какие термины чаще всего используются при ответе на конкретный вопрос. На основе этого анализа создается "Вектор Терминов Ответа" (Answer Term Vector) — эталонная модель ожидаемых слов и их важности. Затем кандидаты в Featured Snippet оцениваются по тому, насколько хорошо их текст совпадает с этим вектором.
  • US10019513B1
  • 2018-07-10

  • SERP

  • Семантика и интент

Как Google извлекает факты напрямую из веб-страниц для формирования прямых ответов (Featured Snippets / Answer Boxes)
Google использует систему для динамического извлечения фактов из веб-индекса. Когда поступает фактический запрос, система определяет ожидаемый тип ответа (например, дата, число, имя), анализирует топовые результаты поиска и извлекает соответствующие фразы. Эти фразы нормализуются, оцениваются по частоте, контексту и авторитетности источника, и лучший вариант показывается в виде прямого ответа.
  • US8655866B1
  • 2014-02-18

  • Индексация

  • Семантика и интент

  • SERP

Популярные патенты

Как Google ранжирует сущности (например, фильмы или книги), используя популярность связанных веб-страниц и поисковых запросов в качестве прокси-сигнала
Google использует механизм для определения популярности контентных сущностей (таких как фильмы, телешоу, книги), когда прямые данные о потреблении недоступны. Система идентифицирует авторитетные «эталонные веб-страницы» (например, страницы Википедии) и связанные поисковые запросы. Затем она измеряет популярность сущности, анализируя объем трафика на эти эталонные страницы и частоту связанных запросов в поиске, используя эти данные как прокси-сигнал для ранжирования сущности.
  • US9098551B1
  • 2015-08-04

  • EEAT и качество

  • Поведенческие сигналы

  • SERP

Как Google персонализирует поисковые подсказки (Autocomplete) на основе недавно просмотренного медиаконтента
Google использует информацию о недавно потребленном пользователем медиаконтенте (видео, аудио, книги, игры) для персонализации поисковых подсказок. Система извлекает атрибуты (аспекты) из этого контента, такие как названия, имена актеров или артистов, и повышает в ранжировании те подсказки, которые соответствуют этим атрибутам. Влияние потребления медиа на подсказки зависит от времени, прошедшего с момента просмотра, типа контента и того, делился ли им пользователь.
  • US9268880B2
  • 2016-02-23

  • Персонализация

  • Семантика и интент

  • Мультимедиа

Как Google рассчитывает «VisualRank» для изображений и медиафайлов, используя виртуальные ссылки на основе схожести и поведения пользователей
Google использует алгоритм (концептуально называемый VisualRank) для ранжирования изображений и других медиафайлов путем создания «виртуальных ссылок» между ними. Эти ссылки основаны на визуальной схожести контента, данных о кликах пользователей и контексте размещения (URL analysis). Это позволяет оценить качество и авторитетность медиафайлов даже без явных гиперссылок, при этом система активно избегает показа слишком похожих (дублирующихся) результатов.
  • US8732187B1
  • 2014-05-20

  • Ссылки

  • Мультимедиа

  • Поведенческие сигналы

Как Google определяет ключевую тематику зданий и адресов, используя клики пользователей для показа релевантной рекламы
Google использует этот механизм для понимания основного назначения физического местоположения (адреса или здания). Система анализирует все бизнесы в этой локации и определяет, какие поисковые запросы чаще всего приводят к кликам по их листингам. Самый популярный запрос используется как доминирующее ключевое слово для выбора релевантной рекламы, когда пользователи ищут этот адрес или взаимодействуют с ним на Картах или в Street View.
  • US20120278171A1
  • 2012-11-01

  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы

Как Google выявляет ссылочный спам (Link Farms и Web Rings), анализируя чувствительность PageRank к изменениям в структуре ссылок
Google использует математический метод для обнаружения искусственного завышения PageRank. Система анализирует, насколько резко меняется ранг страницы при изменении «коэффициента связи» (coupling factor/damping factor). Если ранг страницы слишком чувствителен к этим изменениям (имеет высокую производную), это сигнализирует о наличии манипулятивных структур, таких как ссылочные фермы или веб-кольца.
  • US7509344B1
  • 2009-03-24

  • Антиспам

  • Ссылки

  • Техническое SEO

Как Google автоматически дополняет запросы пользователя терминами из его недавней истории поиска для уточнения интента
Google использует механизм для улучшения релевантности результатов путем анализа недавней истории поиска пользователя. Если текущий запрос похож на предыдущие, система определяет ключевые контекстные термины, которые часто повторялись в истории (устойчивый интент), но отсутствуют в текущем запросе. Эти термины автоматически добавляются к запросу, чтобы предоставить более точные и персонализированные результаты.
  • US9449095B1
  • 2016-09-20

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google улучшает результаты поиска, подбирая похожие "идеальные" запросы из логов и структурированных данных
Google идентифицирует запросы, которые стабильно показывают высокое вовлечение пользователей (CTR, долгие клики), и генерирует синтетические запросы из структурированных данных (например, частотного анкорного текста). Когда пользователь вводит похожий, но потенциально плохо сформулированный запрос, Google использует эти "аугментирующие запросы" для предоставления более качественных и релевантных результатов.
  • US9128945B1
  • 2015-09-08

  • SERP

  • Поведенческие сигналы

  • EEAT и качество

Как Google анализирует сессии пользователей и кластеризует концепции для генерации блока "Связанные запросы" (Related Searches)
Google анализирует последовательности запросов пользователей в рамках одной сессии для выявления шаблонов уточнений. Система кластеризует эти уточнения по смыслу, анализируя контент ранжирующихся по ним документов или другие запросы, ведущие на эти документы. Это позволяет предлагать пользователям концептуально различные варианты для сужения или изменения темы поиска.
  • US8065316B1
  • 2011-11-22

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google нормализует поведенческие сигналы (Dwell Time), калибруя показатели «короткого» и «длинного» клика для разных категорий сайтов
Google использует механизм для устранения предвзятости в поведенческих сигналах, таких как продолжительность клика (Dwell Time). Поскольку пользователи взаимодействуют с разными типами контента по-разному, система определяет, что считать «коротким кликом» и «длинным кликом» отдельно для каждой категории (например, Новости, Недвижимость, Словари). Это позволяет более точно оценивать качество ресурса, сравнивая его показатели с нормами его конкретной ниши.
  • US8868565B1
  • 2014-10-21

  • Поведенческие сигналы

  • SERP

Как Google решает, показывать ли прямой ответ, анализируя частоту использования естественного языка в исторических запросах о факте
Google анализирует исторические данные о том, как пользователи ищут конкретный факт. Если они часто используют естественный язык (например, «какая высота у Эйфелевой башни»), система считает, что пользователи действительно ищут этот факт. На основе этого рассчитывается «Оценка поиска фактов» (Fact-Seeking Score). Эта оценка используется как сигнал ранжирования, чтобы решить, нужно ли показывать прямой ответ (Factual Answer) и насколько высоко его разместить в результатах поиска.
  • US9396235B1
  • 2016-07-19

  • Семантика и интент

  • SERP

  • Поведенческие сигналы