Google использует специальный метод для генерации сниппетов в расширенных результатах поиска (Sitelinks). Сниппет для главной страницы часто основан на запросе пользователя, но сниппеты для внутренних ссылок (sub-documents) генерируются на основе «репрезентативных ключевых слов» (например, Title) самой внутренней страницы, а не исходного навигационного запроса. Это позволяет сделать описание Sitelinks более точным и релевантным теме целевой страницы.
Автор: Виктор Репин
Google патентует систему для оценки и отображения «Рейтинга Легитимности» источников контента, включая сайты в органической выдаче и рекламодателей. Этот рейтинг основан на объективных данных: как долго источник взаимодействует с Google (история) и насколько активно пользователи с ним взаимодействуют (объем транзакций, клики). Цель — предоставить пользователям надежную информацию для оценки качества и надежности источника.
Google использует механизм для обработки поисковых запросов, представленных в виде изображений или нарисованных эскизов. Система сравнивает визуальный ввод с эталонными изображениями. Затем она определяет ключевые слова, связанные с наиболее похожим эталоном (используя метаданные, анкорный текст, окружающий текст и историю кликов), и выполняет стандартный текстовый поиск по этим ключевым словам.
Google использует систему для анализа составных запросов пользователя (например, «Какая погода в Лондоне и который час в Нью-Йорке?»). Система генерирует варианты разделения запроса на подзапросы и оценивает их качество. Если разделение признано более эффективным, чем обработка исходного запроса целиком, система выполняет каждый подзапрос отдельно и предоставляет пользователю несколько ответов одновременно.
Google анализирует тип запроса и поведение пользователей, чтобы определить, когда показывать социальные аннотации (лайки, рекомендации) в выдаче. Система рассчитывает «Степень Сфокусированности Запроса» на основе анализа распределения кликов. Для узких, сфокусированных запросов Google активнее показывает социальные сигналы, снижая требования к их качеству. Для широких или навигационных запросов аннотации скрываются или требуют очень высокого качества, чтобы избежать зашумления SERP.
Google использует систему для корректировки ранжирования изображений непосредственно в момент запроса (онлайн). Для популярных запросов система заранее обучает индивидуальные модели релевантности на основе исторических данных о кликах. При получении нового запроса система активирует наиболее подходящую модель и использует визуальные характеристики (цвет, текстура) для переоценки и переранжирования результатов, обеспечивая точное соответствие визуального контента интенту пользователя.
Google использует систему для интерпретации серийных запросов, особенно в голосовом поиске. Если новый запрос является уточнением предыдущего (например, [погода завтра], затем [а во вторник]), система генерирует варианты, комбинируя старый и новый интенты. Затем она ранжирует эти варианты на основе популярности и семантической логики, чтобы выполнить наиболее вероятный итоговый запрос пользователя ([погода во вторник]).
Google использует архитектуру для интеграции множества стратегий пересмотра запросов (расширение, сужение, синтаксис, сессии). Система оценивает качество предложений с помощью предиктивной модели машинного обучения, обученной на поведении пользователей (длительных кликах), чтобы выбрать и предложить наиболее перспективные и разнообразные варианты.
Google анализирует историю поиска и поведение пользователя (длительность сессий, клики, уточнения запроса), чтобы автоматически выявить неудовлетворенные информационные потребности и долгосрочные интересы. Система периодически перезапускает эти запросы и уведомляет пользователя о появлении новых высококачественных результатов, которые он ранее не видел.
Google отслеживает, на каких результатах поиска пользователь задерживает внимание (не скроллит и не кликает), и вычисляет метрику Dwell Score. Если пользователь долго изучает сниппет, система может динамически заменить этот результат блоком связанных запросов и ссылок. Кроме того, Dwell Score используется как сигнал для адаптации следующих страниц выдачи (динамическая пагинация), повышая ранжирование контента, похожего на тот, который заинтересовал пользователя.
Google использует механизм для понимания контекста сессии, анализируя последовательные запросы (например, Q1: [рестораны в Москве], затем Q2: [итальянские]). Система автоматически объединяет их в уточненный запрос (Q3: [итальянские рестораны в Москве]), основываясь на исторических данных о том, как пользователи обычно уточняют запросы. Это позволяет системе лучше понимать намерение пользователя в диалоговом режиме.
Google использует механизм для улучшения ранжирования запросов, по которым недостаточно данных о поведении пользователей (например, кликов). Система находит исторические запросы, семантически похожие на исходный, и «заимствует» их поведенческие данные. Степень сходства рассчитывается с учетом важности терминов, синонимов и порядка слов. Эти заимствованные данные используются для корректировки рейтинга документов по исходному запросу.
Анализ патента, лежащего в основе программы Google Authorship. Описываются методы верификации авторства путем создания цикла ссылок между статьей и профилем автора (используя атрибуты, такие как rel=»author» и rel=»contributor-to») или путем подтверждения идентификаторов, таких как email-адрес автора на домене публикации.
Google использует систему для поддержания внутренней согласованности своего репозитория фактов (Knowledge Graph). Система выполняет две ключевые задачи: во-первых, она фильтрует и удаляет факты, соответствующие нежелательным критериям, что может привести к появлению «пустых» сущностей. Во-вторых, она находит и удаляет любые ссылки, ведущие на эти «пустые» сущности, обеспечивая целостность связей в графе знаний.
Google использует систему для ответа на фактические запросы путем извлечения данных из структурированного контента (таблиц и списков) на высокоранжирующихся страницах. Система сопоставляет термины запроса с атрибутами структуры (строками/столбцами), используя как заранее созданные шаблоны, так и прямое сопоставление. Извлеченные факты отображаются в виде отдельного блока ответа (Featured Snippet) над стандартными результатами поиска.
Google использует модель оценки для различения именованных сущностей с одинаковыми названиями (например, «Ягуар» как животное или автомобиль). Система анализирует контекст запроса и сравнивает его со статьями о сущностях в базе знаний (например, Wikipedia). Модель учитывает текстовую релевантность, тематические категории, а также метрики авторитетности (ссылки, популярность, репутация) этих статей для выбора наиболее вероятного значения имени.
Патент Google, описывающий механизм для облегчения разговорного поиска, в первую очередь на носимых устройствах. Система анализирует исходный запрос и определяет связанные темы (ключевые слова), основываясь на популярных поисковых запросах и семантических связях. Эти ключевые слова отображаются пользователю и одновременно активируются как голосовые команды для быстрого выполнения следующего связанного поиска.
Фундаментальный патент Google, описывающий переход от индексирования слов к индексированию концепций (фраз). Система определяет «хорошие фразы» на основе частотности и их способности прогнозировать появление других фраз (Information Gain). Документы индексируются не только по содержащимся в них фразам, но и по наличию связанных фраз, что позволяет системе определять основные и второстепенные темы документа, а также контекстуально оценивать анкорный текст ссылок.
Патент описывает инфраструктуру Google для распределенного вычисления кратчайших путей в веб-графе (триллионы связей). Система определяет расстояние от миллиардов веб-страниц до заранее выбранного набора авторитетных сайтов («Seeds»). Эти вычисления обеспечивают масштабируемый расчет метрик авторитетности для ранжирования страниц.
Google определяет текущий интерес пользователя (контекст) на основе его действий в рамках сессии (клики, посещенные сайты). Затем система использует специализированные кликовые модели, основанные на поведении прошлых пользователей с таким же контекстом, чтобы переранжировать результаты для следующих запросов пользователя, делая выдачу более релевантной его текущим задачам.