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

Как Google запоминает вопросы без авторитетного ответа и автономно сообщает его позже через Ассистента

AUTONOMOUSLY PROVIDING SEARCH RESULTS POST-FACTO, INCLUDING IN ASSISTANT CONTEXT (Автономное предоставление результатов поиска постфактум, в том числе в контексте Ассистента)
  • US11238116B2
  • Google LLC
  • 2017-09-29
  • 2022-02-01
  • Knowledge Graph
  • Семантика и интент
  • EEAT и качество
  • Описание
  • Разбор
  • Выводы
  • Практика
  • FAQ
  • Похожие

Патент Google описывает механизм для обработки запросов, на которые в момент поиска нет качественного или авторитетного ответа. Система запоминает информационную потребность и продолжает мониторинг. Когда появляется информация, удовлетворяющая критериям качества (например, в Knowledge Graph), Google автономно доставляет ответ пользователю, часто встраивая его в следующий диалог с Google Assistant, даже если этот диалог не связан с исходным вопросом.

Описание

Какую проблему решает

Патент решает проблему информационных пробелов (information gaps) — ситуаций, когда пользователь задает конкретный вопрос, но поисковая система не может предоставить высококачественный ответ, так как информация еще не существует, не опубликована или не проиндексирована (например, запрос о дате будущего события). Цель — улучшить пользовательский опыт, избавив пользователя от необходимости повторно вводить тот же запрос в будущем, и снизить вычислительную нагрузку от повторяющихся поисков.

Что запатентовано

Запатентована система для автономной доставки результатов поиска постфактум (post-facto). Если в момент запроса (T1) система определяет, что ни один доступный ресурс не удовлетворяет заданным критериям качества (в частности, не является Authoritative Answer), она сохраняет интент пользователя и начинает мониторинг. Когда позже (T2) появляется ресурс (Given Resource), удовлетворяющий критериям, система автономно предоставляет этот контент пользователю.

Как это работает

Система работает следующим образом:

  • Оценка ответа: При получении запроса Resource Criteria Engine оценивает доступные ресурсы. Ключевой критерий – наличие Authoritative Answer.
  • Мониторинг: Если качественный ответ не найден, система сохраняет запрос и активирует Monitoring Engine для отслеживания появления новой информации (например, обновления в Knowledge Graph).
  • Обнаружение: Система обнаруживает новый или обновленный ресурс, который теперь удовлетворяет критериям.
  • Автономная доставка: Система доставляет ответ пользователю без повторного запроса. Основной способ доставки, описанный в Claims, – встраивание ответа в последующий, не связанный диалог с Automated Assistant, сразу после ответа на текущий вопрос пользователя.

Актуальность для SEO

Высокая. Патент напрямую связан с развитием Google Assistant, голосового поиска и стратегией Google по предоставлению прямых, авторитетных ответов. Механизм проактивной доставки информации вместо реактивного поиска является ключевым направлением развития поисковых технологий (Ambient Computing), особенно актуальным для обработки time-sensitive контента.

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (85/100). Он описывает механизм, который создает новый канал видимости контента вне традиционного SERP. Это критически подчеркивает важность быть первым авторитетным источником (Authoritative Answer) по новым и развивающимся темам. Для SEO-стратегий это означает усиление фокуса на оптимизации под Featured Snippets, интеграции с Knowledge Graph и обеспечении максимальной скорости публикации и индексации фактических данных.

Детальный разбор

Термины и определения

Automated Assistant (Автоматизированный Ассистент)
Программный агент (например, Google Assistant), который взаимодействует с пользователем посредством диалоговых сессий. Используется как основной канал доставки ответов постфактум.
Authoritative Answer (Авторитетный ответ)
Контент, который система идентифицирует как точный и надежный ответ на запрос. Часто предоставляется в виде готового ответа (one box, Featured Snippet) или озвучивается Ассистентом. В Claims патента это ключевой критерий качества.
Criteria / Quality Criteria (Критерии / Критерии качества)
Условия, которым должен удовлетворять ресурс. Примеры: наличие статуса Authoritative Answer, достижение порогового значения Ranking Score или наличие конкретного значения в поле базы данных (например, Knowledge Graph).
Dialog Session (Диалоговая сессия)
Логически завершенный обмен сообщениями между пользователем и Automated Assistant. Патент различает первую сессию (запрос) и вторую сессию (доставка ответа).
Given Resource (Данный ресурс)
Ресурс (новый или обновленная версия существующего), который обнаруживается системой в Time 2 и удовлетворяет Criteria, которым не удовлетворяли ресурсы в Time 1.
Interrogative Query (Вопросительный запрос)
Запрос, который ищет конкретный факт (например, Когда? Где? Кто?), в отличие от общих тематических запросов.
Monitoring Engine (Механизм мониторинга)
Компонент системы, который отслеживает появление ресурсов (Given Resource), удовлетворяющих Criteria для ранее неудовлетворенных запросов.
Resource Criteria Engine (Механизм критериев ресурсов)
Компонент, который определяет, удовлетворяют ли ресурсы, найденные по запросу, установленным Criteria.

Ключевые утверждения (Анализ Claims)

Основное изобретение (Claims 1, 4, 7) сосредоточено на реализации механизма в контексте Автоматического Ассистента и диалоговых сессий.

Claim 1 (Независимый пункт): Описывает метод доставки отложенного ответа через Ассистента во время несвязанного взаимодействия.

  1. Первая диалоговая сессия (T1): Система получает запрос от пользователя.
  2. Оценка качества: Определяется, что ни один ресурс не удовлетворяет критериям. Критерий явно указан: наличие индикации того, что ресурс является Authoritative Answer.
  3. Мониторинг: В ответ на это система начинает мониторинг появления Given Resource, удовлетворяющего критериям.
  4. Обнаружение и Генерация: Система обнаруживает такой ресурс и генерирует контент.
  5. Вторая диалоговая сессия (T2): Пользователь инициирует новый, отдельный сеанс и предоставляет ввод, не связанный с исходным запросом (unrelated user interface input).
  6. Механизм доставки: В рамках второго сеанса система предоставляет:
    1. Initial responsive output (ответ на текущий несвязанный ввод).
    2. Сразу после этого, без дополнительного ввода со стороны пользователя, система предоставляет контент на основе Given Resource (ответ на исходный запрос из T1).

Ядро изобретения: Если Ассистент не смог предоставить авторитетный ответ ранее, он ждет, пока сможет, а затем доставляет этот ответ в следующий раз, когда пользователь разговаривает с Ассистентом о чем-то другом, "присоединяя" его к текущему диалогу.

Claim 2 (Зависимый от 1): Детализирует взаимодействие с пользователем.

В первом сеансе система предоставляет пользователю подсказку (prompt) об отсутствии качественного ответа и получает ответ пользователя (согласие). Предоставление отложенного контента во втором сеансе зависит (contingent) от получения этого согласия.

Claim 3 (Зависимый от 1, также в Claim 6 и 9): Уточняет кросс-девайсность.

Исходный запрос может быть получен на одном устройстве, а доставка ответа может произойти на другом устройстве пользователя.

Где и как применяется

Изобретение затрагивает несколько этапов поиска и тесно интегрировано с интерфейсом пользователя (Ассистентом).

CRAWLING & INDEXING – Сканирование и Индексирование
Monitoring Engine полагается на эти процессы для обнаружения нового контента или обновлений существующих ресурсов (например, обновления полей в Knowledge Graph). Скорость индексации критична.

RANKING – Ранжирование
На этом этапе Resource Criteria Engine оценивает результаты поиска. Если ресурсы не удовлетворяют Quality Criteria (нет Authoritative Answer), активируется механизм постфактум доставки.

METASEARCH / RERANKING (Уровень Представления / Ассистент)
Основное применение патента. Когда ответ найден, Output Generation Engine отвечает за его доставку. Система вмешивается в стандартный поток ответов, смешивая ответ на текущий запрос с автономно предоставленным ответом на прошлый запрос, особенно в контексте Automated Assistant.

Входные данные:

  • Исходный запрос пользователя (T1).
  • Сигналы качества и авторитетности ресурсов (индикаторы Authoritative Answer).
  • (Опционально) Согласие пользователя на уведомление.
  • Несвязанный запрос пользователя (T2) в новой диалоговой сессии.

Выходные данные:

  • (T1) Уведомление об отсутствии качественного ответа и/или низкокачественные результаты.
  • (T2) Ответ на несвязанный запрос + Автономно доставленный ответ на исходный запрос.

На что влияет

  • Специфические запросы: Наибольшее влияние на Interrogative Queries – фактические вопросы, предполагающие конкретный ответ, который может отсутствовать в данный момент (даты релизов, время событий, результаты).
  • Конкретные ниши: Новости, спорт, развлечения (даты выхода фильмов/игр), E-commerce (запуски продуктов). Ниши с высокой динамикой обновления информации.
  • Типы контента: Фактические данные, которые могут быть интегрированы в Knowledge Graph или представлены в виде Authoritative Answer (Answer Box/Featured Snippet).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

  • Триггер активации: Когда система определяет, что ни один из найденных ресурсов по запросу не удовлетворяет заданным Criteria. В Claim 1 этот критерий конкретизирован как отсутствие Authoritative Answer.
  • Тип запроса (Опционально): Система может применять механизм выборочно, например, только для Interrogative Queries.
  • Согласие пользователя (Опционально): В некоторых реализациях (Claim 2) требуется явное согласие пользователя (ответ на prompt).
  • Условия доставки (T2): Доставка происходит, когда ответ найден И когда выполняются условия для его предоставления (providing criteria). Ключевое условие — начало новой диалоговой сессии пользователя с Ассистентом.

Пошаговый алгоритм

Этап 1: Обработка исходного запроса (T1)

  1. Получение запроса: Система получает запрос (например, через Ассистента).
  2. Поиск и оценка: Поиск релевантных ресурсов. Resource Criteria Engine оценивает их на соответствие критериям (наличие Authoritative Answer).
  3. Проверка критериев:
    • Если ДА: Предоставить стандартный ответ. Процесс завершен.
    • Если НЕТ: Перейти к Этапу 2.

Этап 2: Регистрация и мониторинг

  1. (Опционально) Взаимодействие с пользователем: Система предоставляет prompt, предлагая уведомить позже, и ожидает согласия пользователя (Claim 2).
  2. Сохранение данных: Система сохраняет данные о запросе в привязке к пользователю.
  3. Активация мониторинга: Monitoring Engine начинает отслеживать появление Given Resource. Это может включать отслеживание обновлений в Knowledge Graph.

Этап 3: Обнаружение ответа

  1. Идентификация ресурса: Monitoring Engine обнаруживает Given Resource, который теперь удовлетворяет критериям (например, стала известна дата релиза).
  2. Генерация контента: Система генерирует ответ на основе этого ресурса.

Этап 4: Доставка ответа (T2)

  1. Ожидание критериев доставки: Система ожидает начала новой диалоговой сессии с Ассистентом.
  2. Получение несвязанного запроса: Пользователь инициирует новую сессию и задает новый запрос (unrelated user interface input).
  3. Первоначальный ответ: Ассистент предоставляет ответ на новый запрос (initial responsive output).
  4. Доставка постфактум: Сразу после этого, без дополнительного ввода пользователя, Ассистент предоставляет ранее сгенерированный контент (ответ на запрос из Этапа 1).

Какие данные и как использует

Данные на входе

Патент фокусируется на механизме доставки, но подразумевает использование следующих данных:

  • Пользовательские факторы: Идентификатор пользователя (для привязки запроса и последующей кросс-девайс доставки), история запросов, данные о диалоговых сессиях.
  • Структурные факторы (Knowledge Graph): Система анализирует наличие или отсутствие конкретных полей и значений в базах данных. Обновление поля (например, с "Неизвестно" на конкретную дату) является триггером.
  • Сигналы качества (Не детализированы): Система использует сигналы для определения, является ли ресурс Authoritative Answer. Также упоминается использование Ranking Scores.

Какие метрики используются и как они считаются

Основной метрикой является бинарная оценка соответствия критериям (Criteria Satisfaction).

  • Наличие Authoritative Answer: Проверка наличия индикации в базе данных, что ресурс содержит авторитетный ответ (Ключевой критерий в Claim 1).
  • Заполненность полей в БД (Knowledge Graph Completeness): Проверка того, содержит ли запись в базе данных значение в нужном поле, которое указывает искомую информацию (например, поле "Дата релиза" содержит дату, а не "Неизвестно").
  • Пороги ранжирования: (Упомянуто в описании) Проверка того, превышает ли Ranking Score ресурса определенный порог.
  • Interrogative Query Classification: Определение, является ли запрос вопросительным (ищущим факт), что может быть условием для активации механизма.

Выводы

  1. Переход от реактивного поиска к проактивной доставке: Патент описывает механизм, позволяющий Google перейти от модели "запрос-ответ" к модели "запрос-мониторинг-доставка". Система берет на себя ответственность за поиск информации, которая еще не доступна.
  2. Критичность статуса «Authoritative Answer» и Knowledge Graph: Механизм активируется, если не найден Authoritative Answer. Это подтверждает стратегическую важность оптимизации контента под готовые ответы (Featured Snippets) и интеграции с Knowledge Graph, так как именно эти форматы используются для постфактум доставки.
  3. Скорость и первенство как факторы видимости (First-to-Publish): Система доставит тот контент, который первым удовлетворит критериям авторитетности. Для SEO это означает, что быть первым надежным источником информации по развивающейся теме критически важно для получения видимости через этот канал.
  4. Google Assistant как ключевой вектор доставки: Основные Claims фокусируются на доставке результатов через Automated Assistant путем встраивания ответа в последующий, несвязанный диалог. Это подчеркивает растущую интеграцию поиска и Ассистента в рамках концепции Ambient Computing.
  5. Новый канал видимости: Этот механизм создает новый способ получения трафика, который не зависит от традиционного ранжирования в SERP в момент поиска. Контент может быть показан спустя значительное время после запроса.

Практика

Best practices (это мы делаем)

  • Мониторинг трендов и опережающее создание контента: Отслеживайте развивающиеся темы и предстоящие события в вашей нише. Готовьте контент заранее и публикуйте/обновляйте его немедленно, как только появляется точная фактическая информация. Цель – стать первым Authoritative Answer.
  • Оптимизация под Knowledge Graph и Featured Snippets: Фокусируйтесь на предоставлении четких, фактических ответов на Interrogative Queries. Используйте структурированные данные (Schema.org) для событий, продуктов (даты выпуска), чтобы облегчить интеграцию в Knowledge Graph и захват Featured Snippets.
  • Приоритет скорости индексации (Technical SEO): Для время-чувствительной информации критически важно обеспечить максимально быструю индексацию. Используйте Indexing API, актуальные Sitemaps. Быть первым проиндексированным источником увеличивает шанс стать источником для постфактум доставки.
  • Оптимизация для Google Assistant: Убедитесь, что ключевая информация представлена в формате, удобном для голосового озвучивания Ассистентом (краткие, емкие ответы в начале контента).

Worst practices (это делать не надо)

  • Публикация слухов и неподтвержденной информации: Создание контента на основе домыслов не приведет к тому, что ресурс будет считаться Authoritative Answer. Такой контент не будет выбран для постфактум доставки и может навредить E-E-A-T.
  • Игнорирование свежести контента: Медленное обновление информации о событиях или продуктах приведет к тому, что конкуренты первыми предоставят Authoritative Answer и получат видимость через этот механизм.
  • Фокус только на традиционном SERP: Игнорирование оптимизации под Ассистента и готовые ответы означает упущенную возможность взаимодействия с пользователем через этот новый проактивный канал доставки.

Стратегическое значение

Патент подтверждает стратегию Google на превращение поисковой системы в проактивного помощника (Ambient Computing). Для SEO это означает, что стратегия должна включать не только оптимизацию под существующий спрос, но и прогнозирование будущего спроса и владение новыми темами. Владение авторитетной информацией становится активом, который Google может использовать в разных контекстах и в разное время. Стратегия "First-to-Publish" для авторитетной информации приобретает дополнительное преимущество.

Практические примеры

Сценарий: Запуск нового смартфона

  1. Анализ и подготовка: SEO-команда технологического блога знает о предстоящем анонсе смартфона "Galaxy S30". Они заранее готовят страницу "Дата выхода Galaxy S30".
  2. Момент запроса (T1): Пользователь спрашивает Google Assistant: "Когда выйдет Galaxy S30?". Google определяет, что Authoritative Answer отсутствует. Ассистент может спросить: "Дата не объявлена. Сообщить вам, когда она станет известна?" (Prompt). Пользователь соглашается.
  3. Мониторинг и обновление: Происходит презентация Samsung. SEO-команда мгновенно обновляет свою страницу, указывая точную дату (15 ноября), и отправляет на переиндексацию через API.
  4. Обнаружение: Google индексирует обновление и определяет страницу блога как Authoritative Answer (Given Resource).
  5. Доставка (T2): На следующий день пользователь спрашивает Ассистента: "Какая сегодня погода?". Ассистент отвечает: "Солнечно, +25. Кстати, Galaxy S30 выходит 15 ноября. Вот ссылка, чтобы узнать больше [ссылка на блог]". (Доставка постфактум в несвязанном диалоге).
  6. Результат: Блог получил видимость и переход пользователя, став первым авторитетным источником.

Вопросы и ответы

Что является основным критерием качества (Quality Criteria) в этом патенте?

В Claim 1 явно указан ключевой критерий: наличие индикации в базах данных о том, что ресурс является Authoritative Answer (авторитетным ответом). В описании патента также упоминаются альтернативы, такие как превышение порогового значения Ranking Score или наличие заполненного поля с искомой информацией в Knowledge Graph.

Как именно Google доставляет ответ постфактум?

Основной способ, защищенный патентом (Claims 1, 4, 7), – это доставка через Automated Assistant. Ответ встраивается в следующую диалоговую сессию, даже если она не связана с исходным вопросом, сразу после ответа на текущий запрос пользователя. Также упоминается возможность доставки через стандартные push-уведомления.

Должен ли пользователь давать согласие на получение таких уведомлений?

Патент рассматривает оба варианта. В некоторых реализациях (Claim 2) система сначала предоставляет prompt (например, "Ответ пока неизвестен. Сообщить вам, когда он появится?") и производит доставку только после согласия. В других реализациях доставка может происходить автоматически.

К каким типам запросов применяется этот механизм?

Он в первую очередь применяется к Interrogative Queries — запросам, ищущим конкретный факт (когда, где, сколько), информация по которым может отсутствовать в данный момент (даты будущих событий, релизы продуктов). Система может применять его выборочно.

Как этот патент влияет на стратегию работы со свежестью контента (QDF)?

Он значительно повышает важность скорости публикации и обновления информации. Поскольку система ищет первый ресурс, который удовлетворит критериям Authoritative Answer, быть первым надежным источником по новой теме или событию становится ключевым фактором для получения видимости через этот проактивный канал доставки.

Как оптимизировать контент, чтобы он был выбран для постфактум доставки?

Необходимо фокусироваться на том, чтобы ваш контент был распознан как Authoritative Answer. Это означает предоставление четких, точных, фактических данных, оптимизацию под Featured Snippets и использование структурированных данных (Schema.org) для облегчения попадания информации в Knowledge Graph.

Может ли этот механизм доставить ответ на другом устройстве?

Да. В патенте (например, Claim 3) явно указана кросс-девайс функциональность. Исходный запрос может быть сделан на одном устройстве, а доставка информации постфактум может произойти на другом устройстве пользователя (например, вопрос задан с телефона, а ответ получен через умную колонку).

Как система определяет, что информация появилась, если она не была доступна ранее?

Monitoring Engine отслеживает изменения в индексе и обновления в Knowledge Graph. Например, система может реагировать на появление нового ресурса, классифицированного как Authoritative Answer, или когда у сущности в Knowledge Graph заполняется поле, которое ранее было пустым или содержало значение "Неизвестно".

Что делать, если мой контент посвящен теме, информация по которой еще не доступна?

Создайте наиболее полную страницу по теме на основе доступной информации. Как только информация появляется, немедленно обновите страницу и обеспечьте ее быструю переиндексацию. Этот патент показывает, что Google ценит такие обновления и может вознаградить вас трафиком от пользователей, которые искали эту информацию до ее появления.

Является ли этот механизм частью Google Alerts?

Хотя функционально они похожи (мониторинг новой информации), описанный механизм отличается. Google Alerts настраивается пользователем вручную и обычно доставляется по email. Описанная система активируется автоматически на основе оценки качества выдачи поисковой системой и интегрирована напрямую в поиск и Google Assistant для автономной доставки ответов.

Похожие патенты

Как Google Assistant адаптирует выдачу на лету, позволяя пользователям навигировать по результатам и запоминать предпочтения по источникам и темам
Google использует механизм для диалоговых систем (например, Google Assistant), позволяющий пользователям взаимодействовать с поисковой выдачей через естественный язык. Система предоставляет результаты последовательно и адаптирует порядок выдачи в ответ на команды навигации (например, «Вернись к новости о Кафе»). Кроме того, система фиксирует отношение пользователя к атрибутам контента (например, «Не показывай новости из Источника 1») и использует эти данные для фильтрации или изменения ранжирования в текущих и будущих сессиях.
  • US10481861B2
  • 2019-11-19
  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

Как Google Assistant позволяет пользователям выбирать предпочтительные источники контента (и когда он может их игнорировать)
Патент описывает, как Google Assistant создает и использует "Правила параметров источника" (Source Parameter Rules), чтобы отдавать приоритет контенту из источников, указанных пользователем. Система проверяет качество и актуальность этих источников и может предложить альтернативы, если предпочтительный источник устарел или недоступен, уведомляя пользователя о соблюдении или нарушении его предпочтений.
  • US12347429B2
  • 2025-07-01
  • Персонализация

  • EEAT и качество

  • Свежесть контента

Как Google оценивает отсутствующие факты для Knowledge Graph и объясняет, на чем основана эта оценка
Google использует статистические модели для заполнения пробелов в Knowledge Graph, когда информация о сущности отсутствует. Система вычисляет недостающий факт (например, дату рождения), анализируя связанные данные (например, возраст супруга). Чтобы повысить доверие к этой оценке, Google показывает пользователю объяснение, основанное на наиболее влиятельных фактах, использованных при расчете.
  • US9659056B1
  • 2017-05-23
  • Knowledge Graph

  • EEAT и качество

  • Семантика и интент

Как Google использует Knowledge Graph для автодополнения фактов и проверки точности информации при создании контента
Система анализирует вводимый текст в редакторах (например, Google Docs или Gmail), распознает сущности и их атрибуты, автоматически запрашивает факты у поисковой системы (Knowledge Graph) и предлагает их для вставки. Также она способна проверять уже введенные факты на точность и предлагать исправления в реальном времени.
  • US20150324339A1
  • 2015-11-12
  • Knowledge Graph

  • Семантика и интент

  • EEAT и качество

Как Google предсказывает ваш следующий запрос на основе контента, который вы просматриваете, и истории поиска других пользователей
Google использует систему контекстной информации, которая анализирует контент на экране пользователя (например, статью или веб-страницу) и предсказывает, что пользователь захочет искать дальше. Система не просто ищет ключевые слова на странице, а использует исторические данные о последовательностях запросов (Query Logs). Она определяет, что другие пользователи искали после того, как вводили запросы, связанные с текущим контентом, и предлагает эти последующие запросы в качестве рекомендаций.
  • US20210232659A1
  • 2021-07-29
  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация

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 определяет синонимы и варианты слов, анализируя категории выбранных пользователями результатов
Google использует метод стемминга, основанный на поведении пользователей и категориях сущностей. Если пользователи ищут разные слова (например, «пицца» и «пиццерия») и выбирают результаты одной категории («ресторан»), система идентифицирует эти слова как варианты одной основы (Stem Variants). Это происходит, если слова похожи по написанию ИЛИ если объем кликов статистически значим.
  • US9104759B1
  • 2015-08-11
  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация

Как Google фильтрует поведенческие сигналы, используя совместимость языков и стран пользователей
Google уточняет ранжирование, анализируя, откуда (страна) и на каком языке (язык пользователя) поступали исторические клики по документу. Если эти характеристики считаются «несовместимыми» с текущим пользователем, поведенческие сигналы (клики) от этих групп могут быть исключены или понижены в весе. Это предотвращает искажение релевантности данными от кардинально отличающихся аудиторий.
  • US8498974B1
  • 2013-07-30
  • Поведенческие сигналы

  • Мультиязычность

  • Персонализация

Как Google классифицирует интент запросов (например, поиск порнографии), анализируя историю использования фильтров (SafeSearch)
Google использует данные о том, как часто пользователи включают или отключают фильтры контента (например, SafeSearch) при вводе конкретного запроса. Анализируя нормализованное соотношение фильтрованных и нефильтрованных поисковых операций, система классифицирует запрос как целенаправленно ищущий определенный тип контента (например, adult). Эта классификация затем используется для повышения или понижения релевантности соответствующего контента в выдаче.
  • US9152701B2
  • 2015-10-06
  • Семантика и интент

  • Безопасный поиск

  • Поведенческие сигналы

Как Google ранжирует контент на других языках, основываясь на поведении пользователей с одинаковыми языковыми настройками
Google использует статистику кликов (CTR), сегментированную по языковым предпочтениям пользователей, для корректировки ранжирования. Если пользователи, предпочитающие язык X, часто кликают на результат на языке Y, этот результат будет повышен в выдаче для других пользователей с предпочтением языка X. Это позволяет ранжировать контент, популярный у определенной языковой группы, независимо от языка самого контента.
  • US8375025B1
  • 2013-02-12
  • Мультиязычность

  • Поведенческие сигналы

  • Персонализация

Как Google использует внешние сигналы (соцсети, новости, блоги) для верификации реальной популярности контента и фильтрации накруток
Google верифицирует популярность контента (например, видео) проверяя, упоминается ли он на внешних источниках: блогах, новостных сайтах и в социальных сетях. Это позволяет формировать списки "популярного", отражающие подлинный широкий интерес, отфильтровывая контент с искусственно завышенными просмотрами или узконишевой популярностью. Система также учитывает географическую релевантность внешних упоминаний.
  • US9465871B1
  • 2016-10-11
  • Антиспам

  • SERP

  • Ссылки

Как Google рассчитывает репутационную значимость организаций и людей, используя данные из внешних источников для ранжирования
Google использует систему для оценки репутации и престижа сущностей (например, организаций или людей). Система не полагается только на предоставленные данные, а активно ищет «Дополнительные Аспекты» из внешних источников (например, профессиональные сети, СМИ). На основе этих данных рассчитываются две метрики: «Репутационная Значимость» (престиж относительно аналогов) и «Двустороннее Соответствие» (взаимная привлекательность), которые используются для ранжирования результатов поиска и рекомендаций.
  • US10878048B2
  • 2020-12-29
  • EEAT и качество

  • SERP

  • Knowledge Graph

Как Google использует социальные связи и анализ контекста рекомендаций (Endorsements) для персонализации поисковой выдачи
Google анализирует контент (например, посты в микроблогах и социальных сетях), созданный контактами пользователя. Система определяет, является ли ссылка в этом контенте "подтверждением" (Endorsement) на основе окружающих ключевых слов. Если да, то при поиске пользователя эти результаты могут быть аннотированы, указывая, кто из контактов и через какой сервис подтвердил результат, и потенциально повышены в ранжировании.
  • US9092529B1
  • 2015-07-28
  • Поведенческие сигналы

  • Персонализация

  • EEAT и качество

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 обучается на поведении пользователя для персонализации весов источников в поисковой выдаче
Google использует сигналы интереса пользователя (клики, время просмотра) для динамической корректировки весов различных источников данных (например, ключевых слов, тем, типов контента). Система определяет, какие источники наиболее полезны для конкретного пользователя, и повышает их значимость при ранжировании последующих результатов поиска, тем самым персонализируя выдачу.
  • US8631001B2
  • 2014-01-14
  • Персонализация

  • Поведенческие сигналы

  • SERP

seohardcore