Google использует систему для выявления спама в локальной выдаче (например, на Картах). Система анализирует, насколько часто определенные термины появляются в обновлениях бизнес-листингов (Flux) и какова их потенциальная коммерческая ценность (Monetary Value). Если высокодоходные термины часто изменяются или добавляются, система помечает эти термины и использующие их листинги как потенциальный спам и понижает их в ранжировании.

Описание

Какую проблему решает

Патент решает проблему спама и манипуляций в результатах локального поиска (например, Google Maps/Google Business Profile). Он направлен против нелегитимных листингов (spam listings) — например, с фальшивыми адресами или использующих обманные тактики. Ключевая уязвимость, которую устраняет патент — это поведение спамеров, которые часто вносят изменения в свои листинги (в названия, категории) методом проб и ошибок, чтобы повысить свое ранжирование по коммерчески выгодным запросам.

Что запатентовано

Запатентована система для оценки вероятности того, что локальный бизнес-листинг является спамом. Эта оценка (Spam Likelihood Value) базируется на двух ключевых компонентах: (1) Frequency Value (или Flux) — частота, с которой определенный термин появляется в обновлениях множества листингов за период времени; и (2) Monetary Value — оценка потенциальной денежной выгоды, которую может получить владелец листинга при высоком ранжировании по этому термину. Комбинация этих факторов позволяет выявить термины, подверженные спаму (Spam-prone Terms), и понизить листинги, которые их используют.

Как это работает

Система работает в несколько этапов:

  • Анализ обновлений (Flux): Система отслеживает все изменения, вносимые пользователями в листинги (особенно в поля Title и Categories). Она вычисляет Frequency Value — насколько часто конкретные термины добавляются или изменяются за определенный период (например, за неделю).
  • Оценка коммерческой ценности: Система определяет Monetary Value для терминов, основываясь на данных о стоимости клика (CPC), анализе цен на сайтах или экспертных оценках ниш, подверженных мошенничеству.
  • Идентификация Spam-Prone Terms: Термины с высокой Monetary Value И высокой частотой изменений (Flux) помечаются как подверженные спаму.
  • Оценка листинга: Для каждого листинга рассчитывается Spam Likelihood Value на основе того, сколько Spam-prone Terms он содержит.
  • Применение в ранжировании: При обработке локального поискового запроса система использует Spam Likelihood Value листинга для корректировки его позиции, понижая потенциальный спам или исключая его из выдачи.

Актуальность для SEO

Высокая. Борьба со спамом в Google Maps и Локальном поиске остается одной из самых острых проблем. Описанный механизм, сочетающий поведенческий анализ (частота изменений) с экономической оценкой ниши (Monetary Value), является эффективным методом противодействия манипуляциям с Google Business Profiles, особенно в высококонкурентных и подверженных мошенничеству нишах (например, услуги на дому).

Важность для SEO

Патент имеет критическое значение для Локального SEO (Local SEO) и управления Google Business Profiles (GBP). Он показывает, что Google активно отслеживает не только содержание листинга, но и поведение владельца. Частые, необоснованные изменения в ключевых полях (название, категории) — так называемый "Churn" — могут привести к классификации листинга как спама и его значительному понижению в локальной выдаче.

Детальный разбор

Термины и определения

Listing (Листинг)
Запись в базе данных, описывающая бизнес и связанная с географическим местоположением (например, Google Business Profile). Содержит поля, такие как Название (Title), Категории (Categories), Адрес.
Spam Listing (Спам-листинг)
Нелегитимный листинг. Примеры: листинг с фальшивым адресом; бизнес, неспособный предоставить заявленные услуги; бизнес, использующий мошеннические тактики.
Updates to Listings / Update Log (Журнал обновлений листингов)
Лог изменений, внесенных владельцами в свои листинги (изменение названия, добавление категорий и т.д.), включая временные метки.
Frequency Value / Flux (Значение частоты / Флюкс)
Метрика, показывающая, как часто определенный термин появляется в обновлениях листингов за заданный период времени. Высокий флюкс указывает на активные изменения.
Monetary Value (Денежная ценность)
Оценка ожидаемого денежного дохода, который владелец листинга может получить, если листинг высоко ранжируется благодаря наличию определенного термина. Может основываться на CPC, стоимости услуг и т.д.
Spam Likelihood Value / Spam Value (Значение вероятности спама)
Метрика, рассчитываемая как для термина, так и для листинга. Для термина: основана на Frequency Value и Monetary Value. Для листинга: основана на Spam Values терминов, содержащихся в нем.
Spam-prone Term (Термин, подверженный спаму)
Термин, чей Spam Likelihood Value превышает определенный порог (высокая частота изменений и высокая денежная стоимость).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения легитимности листинга и его использования в поиске.

  1. Вычисление Frequency Value (Flux) для термина на основе частоты его появления в обновлениях набора бизнес-листингов.
  2. Определение Monetary Value термина (ожидаемый денежный доход от высокого ранжирования по этому термину).
  3. Вычисление Spam Value для термина на основе его Frequency Value и Monetary Value. Это определяет вероятность использования термина в спаме.
  4. Вычисление Spam Value для каждого листинга на основе Spam Values терминов, которые он содержит. Это определяет вероятность того, что листинг является спамом.
  5. В ответ на поисковый запрос пользователя предоставляются результаты, где присутствие или позиция листинга зависит от его Spam Value.

Claims 3, 4, 5 (Зависимые): Детализируют расчет Frequency Value. Он может рассчитываться как общее количество раз, когда термин появляется в обновлениях (Claim 3), фокусироваться на количестве добавлений термина (Claim 4), или учитывать количество появлений термина в любом листинге, который был обновлен, даже если сам термин не менялся (Claim 5).

Claims 6, 7 (Зависимые): Уточняют влияние полей листинга. Frequency Value зависит от того, в каком поле находится термин (Title или Category) (Claim 6). При этом присутствие термина в Title влияет на Frequency Value сильнее, чем присутствие в Category (Claim 7).

Claims 8, 9, 10 (Зависимые): Детализируют расчет Monetary Value. Он может определяться путем анализа цен на веб-сайтах (Claim 8), быть пропорциональным общей популярности термина (Claim 9), или основываться на данных о терминах, ранее использованных в спам-листингах (Claim 10).

Claim 11 (Зависимый): Описывает механизм идентификации спамеров ("вина по ассоциации"). Если определен Spam Value для первого листинга, система идентифицирует пользователя, который его отправил, находит другие листинги этого пользователя, и позиция этих других листингов в поиске также будет зависеть от Spam Value первого листинга.

Где и как применяется

Изобретение применяется исключительно в системах Локального Поиска (Local Search) и Карт (Maps), где обрабатываются бизнес-листинги (Google Business Profiles).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основная часть вычислений в офлайн или пакетном режиме:

  1. Система обрабатывает входящие обновления и ведет Update Log.
  2. В фоновом режиме рассчитывается Monetary Value для терминов (используя внешние данные).
  3. Периодически (например, ежедневно) рассчитывается Frequency Value (Flux) для терминов на основе лога обновлений за предыдущий период (например, неделю).
  4. Рассчитывается Spam Likelihood Value для терминов и листингов. Эти данные сохраняются в индексе как признаки листинга.

RANKING – Ранжирование / RERANKING – Переранжирование
Во время обработки локального поискового запроса система использует предварительно рассчитанный Spam Likelihood Value листинга как фактор ранжирования. Если значение высокое, листинг может быть понижен в выдаче (демотирован) или полностью исключен.

Входные данные:

  • База данных листингов (Listings Database).
  • Журнал обновлений листингов (Update Log).
  • Данные для расчета Monetary Value (CPC, цены на сайтах, экспертные оценки).
  • Поисковый запрос пользователя с указанием локации.

Выходные данные:

  • Метрика Spam Likelihood Value, привязанная к терминам и листингам.
  • Отранжированный список локальных результатов поиска, скорректированный с учетом этих метрик.

На что влияет

  • Конкретные типы контента: Влияет исключительно на локальные бизнес-листинги (Google Business Profiles). Не влияет на стандартное веб-ранжирование.
  • Конкретные ниши или тематики: Наибольшее влияние оказывается на ниши с высокой Monetary Value и подверженные мошенничеству или спаму. Патент прямо упоминает услуги на дому (Service Area Businesses - SABs): такси, отели, продавцы гаражных ворот, эвакуаторы, сантехники, слесари (locksmiths).
  • Поля листинга: Особенно сильно влияет на поля Title (Название) и Categories (Категории), так как изменения в них имеют больший вес при расчете спам-метрик.

Когда применяется

  • Триггеры активации (для термина): Когда комбинация Frequency Value (Flux) и Monetary Value термина превышает установленный порог, термин помечается как spam-prone.
  • Триггеры активации (для листинга): Когда общее количество или суммарный вес spam-prone terms в листинге превышает порог, листинг помечается как потенциальный спам.
  • Временные рамки: Расчет Flux происходит периодически и охватывает определенное временное окно (например, последние 7 дней). Это означает, что всплеск спам-активности будет обнаружен с некоторой задержкой, но будет влиять на ранжирование в течение времени, пока Flux остается высоким.

Пошаговый алгоритм

Процесс А: Расчет метрик (Фоновый режим / Индексирование)

  1. Определение Monetary Value: Для набора терминов рассчитывается их коммерческая ценность (используя CPC, анализ цен, экспертные данные о мошенничестве в нише).
  2. Сбор данных об обновлениях: Система непрерывно логирует все изменения, вносимые пользователями в листинги (ID листинга, поле, изменение, дата/время).
  3. Расчет Frequency Value (Flux): Периодически система анализирует лог обновлений за определенный период (например, последнюю неделю). Для каждого термина подсчитывается частота его появления в обновлениях.

    Нюанс: Учитывается тип изменения и поле (изменение в Title весит больше, чем в Category).

  4. Расчет Spam Likelihood Value (Term): Для каждого термина вычисляется вероятность спама как функция от Monetary Value и Frequency Value (например, путем их перемножения).
  5. Идентификация Spam-Prone Terms: Термины, чья вероятность спама превышает порог, помечаются как spam-prone.
  6. Расчет Spam Likelihood Value (Listing): Система итерирует по всем листингам. Для каждого листинга суммируются Spam Likelihood Values содержащихся в нем терминов (особенно spam-prone).
  7. Сохранение метрик: Полученные значения сохраняются в индексе вместе с листингом.

Процесс Б: Ранжирование (В реальном времени)

  1. Получение запроса: Пользователь вводит локальный запрос (например, "Слесарь рядом").
  2. Отбор кандидатов: Система находит релевантные листинги в указанной локации.
  3. Ранжирование и корректировка: При расчете финального рейтинга учитывается Spam Likelihood Value листинга. Если он высок, рейтинг листинга понижается (демотируется) пропорционально уровню угрозы, или листинг исключается.
  4. Выдача результатов: Пользователю предоставляется скорректированный список результатов.

Какие данные и как использует

Данные на входе

  • Структурные факторы (Локальные листинги): Данные из полей Google Business Profiles: Title (Название), Categories (Категории), Address (Адрес).
  • Временные факторы: Дата и время внесения изменений в листинги. Используется для анализа активности за определенный период (например, 7 дней).
  • Поведенческие факторы (Владельцы листингов): Частота и характер изменений, вносимых пользователем (User ID). Система отслеживает поведение владельцев листингов.
  • Внешние экономические данные: Информация, используемая для расчета Monetary Value: стоимость клика в рекламе (CPC), цены на услуги, собранные с веб-сайтов, экспертные данные об уровне мошенничества в различных нишах.

Какие метрики используются и как они считаются

  • Frequency Value (Flux): Рассчитывается путем подсчета количества появлений термина в логе обновлений за период времени. Может использовать весовые коэффициенты:

Выводы

  1. Анализ поведения для обнаружения спама: Ключевым элементом является отслеживание поведения пользователя, а не только статического содержания листинга. Частота изменений (Frequency Value/Flux) является прямым сигналом попыток манипуляции ранжированием (trial and error).
  2. Экономический фактор (Monetary Value) критичен: Google учитывает коммерческую ценность ключевых слов. Манипуляции в нишах, где услуги стоят дорого или высок риск мошенничества (например, сантехники, слесари), отслеживаются более агрессивно. Комбинация высокого Flux и высокого Monetary Value является сильным индикатором спама.
  3. Взвешивание по полям (Title важнее Categories): Изменения в Названии (Title) считаются более подозрительными и имеют больший вес, чем изменения в Категориях (Claim 7). Это направлено против тактики Keyword Stuffing в названии бизнеса.
  4. Идентификация спамеров (Contagion/Guilt by Association): Если один листинг пользователя помечен как спам, это влияет на все остальные листинги этого пользователя (Claim 11). Система борется не только с отдельными листингами, но и с аккаунтами спамеров.
  5. Стабильность как сигнал качества: Легитимные бизнесы, как правило, имеют стабильную информацию. Частые изменения ключевых данных (Churn) повышают Spam Likelihood Value.

Практика

Best practices (это мы делаем)

Эти рекомендации касаются управления Google Business Profiles (GBP).

  • Стабильность ключевой информации: Поддерживайте точную и стабильную информацию о бизнесе. Вносите изменения в Название и Основную Категорию только тогда, когда это действительно необходимо (например, при ребрендинге или смене основной деятельности), а не для SEO-экспериментов.
  • Естественное название бизнеса: Используйте официальное название бизнеса в поле Title. Избегайте добавления в него ключевых слов или локаций, если они не являются частью официального названия.
  • Точный выбор категорий: Выбирайте категории, которые максимально точно описывают ваш бизнес при создании листинга. Добавляйте новые категории только в случае реального расширения спектра услуг.
  • Разделение аккаунтов для разных бизнесов (Агентствам): Учитывая механизм пессимизации на уровне пользователя (Claim 11), управляйте листингами разных клиентов с отдельных, не связанных между собой аккаунтов, чтобы избежать переноса пессимизации в случае проблем с одним из них.
  • Осторожность в "дорогих" нишах: В нишах с высокой Monetary Value (услуги на дому, экстренные службы) следует ожидать более агрессивной работы антиспам-систем и соблюдать правила Google с максимальной строгостью.

Worst practices (это делать не надо)

  • Частая смена Названия и Категорий (Churn): Практика постоянного изменения ключевых полей для тестирования влияния на ранжирование напрямую отслеживается этим алгоритмом как попытка манипуляции (высокий Flux).
  • Keyword Stuffing в Названии: Добавление множества ключевых слов в название, особенно если эти слова имеют высокую Monetary Value (например, "Слесарь Сантехник Электрик Круглосуточно Дешево"). Это значительно увеличивает Spam Likelihood Value, так как поле Title имеет повышенный вес.
  • Создание множества фальшивых листингов (Spam Networks): Управление сетью спам-листингов с одного аккаунта гарантирует, что при обнаружении одного листинга будут пессимизированы все остальные (Claim 11).

Стратегическое значение

Патент подчеркивает сложность алгоритмов Google в Локальном Поиске и их способность выявлять манипулятивные тактики путем анализа поведения пользователей и экономической целесообразности. Для Local SEO это означает, что долгосрочная стратегия должна базироваться на легитимности, точности данных и репутации бизнеса, а не на попытках "обмануть" алгоритм. Стабильность и достоверность GBP являются ключевыми факторами доверия.

Практические примеры

Сценарий: Обнаружение всплеска спама в нише ремонта гаражных ворот

  1. Исходная ситуация: Ниша ремонта гаражных ворот имеет высокую Monetary Value (дорогостоящая услуга, высокий риск мошенничества).
  2. Действия спамеров: Группа спамеров начинает массово создавать фальшивые листинги и изменять существующие, добавляя термин "Ремонт гаражных ворот" в Название (Title) и Категории.
  3. Реакция системы (Flux): Система обнаруживает резкий рост Frequency Value для термина "Ремонт гаражных ворот" в логе обновлений за последнюю неделю.
  4. Анализ: Система комбинирует высокий Flux с высокой Monetary Value. Термин "Ремонт гаражных ворот" помечается как Spam-Prone.
  5. Применение к листингам: Листинги, которые недавно добавили этот термин или активно его используют (особенно в Title), получают высокий Spam Likelihood Value.
  6. Результат в ранжировании: Эти подозрительные листинги понижаются в локальной выдаче, уступая место легитимным бизнесам со стабильной историей. Спамеры, которые часто меняли названия, теряют позиции.

Вопросы и ответы

Применим ли этот патент к обычному органическому поиску (Web Search)?

Нет. Патент сфокусирован исключительно на "Listings", которые описываются как записи о бизнесе с географической привязкой, названием, категориями и адресом. Это соответствует Google Business Profiles (GBP) и результатам Локального Поиска (Local Search) и Карт (Maps). Механизмы борьбы со спамом в веб-поиске отличаются.

Что такое "Flux" (Frequency Value) и почему он важен?

Flux — это метрика скорости и частоты изменений. Она показывает, насколько часто определенный термин добавляется или изменяется во всех листингах за период времени. Google использует это как индикатор манипуляций: спамеры часто меняют свои листинги методом проб и ошибок, чтобы найти оптимальный вариант для ранжирования. Всплеск Flux для термина сигнализирует о возможной спам-атаке или манипулятивном тренде.

Как Google определяет коммерческую ценность (Monetary Value) ключевого слова?

Патент описывает несколько методов: использование данных о стоимости клика в рекламе (CPC), автоматический анализ цен на услуги на веб-сайтах, а также экспертные оценки ниш, подверженных мошенничеству. Например, услуги экстренного вызова (сантехники, слесари) часто имеют высокую Monetary Value из-за высоких чеков и рисков обмана клиентов.

Означает ли это, что нельзя обновлять свой Google Business Profile?

Обновлять профиль можно и нужно. Проблема не в самом факте обновления, а в частых и необоснованных изменениях ключевых полей (Название и Категории) с целью манипуляции ранжированием (Churn). Обновление часов работы, добавление фотографий или публикация постов не являются рискованными действиями, в отличие от еженедельной смены основной категории или названия бизнеса.

Какие поля GBP наиболее подвержены риску в контексте этого патента?

Наиболее рискованными являются поле Название (Title) и поле Категории (Categories). Патент явно указывает (Claim 7), что изменения в Title имеют больший вес при расчете спам-метрик, чем изменения в Categories. Манипуляции с этими полями (keyword stuffing, частая смена) с наибольшей вероятностью приведут к пессимизации.

Что такое "Вина по ассоциации" (Claim 11) и как это влияет на агентства?

Это механизм, согласно которому, если один листинг пользователя идентифицирован как спам, это может негативно повлиять на ранжирование всех остальных листингов этого же пользователя. Для агентств это создает риск: если один из управляемых листингов будет классифицирован как спам, это может повлиять на доверие ко всему аккаунту. Рекомендуется разделять аккаунты для управления разными клиентами.

Как быстро система реагирует на спам-активность?

Система не реагирует мгновенно. Она рассчитывает Flux периодически (например, раз в день), анализируя данные за определенный период (например, за неделю). Это означает, что всплеск спама будет обнаружен после накопления достаточного количества данных об обновлениях. После этого система пересчитает Spam Likelihood Values и начнет применять пессимизацию.

Если я уберу ключевые слова из названия GBP (Keyword Stuffing), улучшится ли мое ранжирование?

Если ваше название содержало ключевые слова, не являющиеся частью официального названия, его исправление на официальное снизит Spam Likelihood Value. Хотя это может временно снизить прямую текстовую релевантность, это улучшит общее качество и легитимность вашего листинга в глазах Google, что является более надежной долгосрочной стратегией и защитит от пессимизации этим алгоритмом.

В каких нишах этот алгоритм наиболее активен?

Алгоритм наиболее активен в нишах с высокой Monetary Value и высоким уровнем спама. В патенте приводятся примеры: слесари (locksmiths), сантехники, эвакуаторы, ремонт гаражных ворот, такси и отели. Это, как правило, бизнесы, предоставляющие услуги на дому (SABs) или связанные с экстренными ситуациями.

Как система отличает легитимный ребрендинг от попытки спама?

Патент не описывает конкретных механизмов для этого. Однако, исходя из логики работы, однократное изменение названия при ребрендинге вряд ли приведет к высокому Spam Likelihood Value, если только новое название не состоит целиком из spam-prone terms. Риск возникает при частых, повторяющихся изменениях (trial and error), которые коррелируют с общими паттернами спам-активности в нише.

Похожие патенты

Как Google использует закон Ципфа для выявления спама и манипуляций с названиями в локальных листингах
Google анализирует все известные названия (Titles), связанные с локальным бизнесом. Система сравнивает распределение частотности слов в этих названиях с двумя моделями: равномерным распределением (характерно для легитимных данных из разных источников) и распределением по закону Ципфа (характерно для маркетинговых текстов и спама). Если распределение ближе к закону Ципфа, листинг помечается как потенциальный спам и понижается в локальной выдаче.
  • US9483566B2
  • 2016-11-01

  • Антиспам

  • Local SEO

Как Google использует отзывы пользователей для обнаружения спама и фейковых компаний в локальном поиске (Google Maps)
Google анализирует текст отзывов о компаниях для выявления спама в бизнес-листингах. Система ищет стоп-слова (например, "фейк", "не существует"), выявляет нерелевантные термины для категории бизнеса и сравнивает отзывы с базой известного спама. При превышении порога подозрительных сигналов листинг помечается как спам.
  • US8621623B1
  • 2013-12-31

  • Антиспам

  • Local SEO

  • EEAT и качество

Как Google использует «Оценку Неожиданности» (Surprisingness Value) для выявления и фильтрации переспама в названиях компаний в локальном поиске
Google использует статистический анализ для борьбы со спамом в названиях компаний (например, в Google Maps). Система анализирует корпус легитимных названий, чтобы понять естественные комбинации слов. Затем для проверяемого названия вычисляется «Оценка Неожиданности» (Surprisingness Value). Если сочетание слов слишком маловероятно (например, «Ресторан Слесарь»), листинг помечается как спам и исключается из выдачи.
  • US8473491B1
  • 2013-06-25

  • Антиспам

  • Local SEO

Как Google борется со спамом в бизнес-профилях (Local SEO), используя контекстуальный анализ и калибровку оценок спама
Google использует систему для обнаружения спамных бизнес-листингов (Local SEO), сравнивая данные из доверенных и ненадежных источников в рамках конкретных бизнес-контекстов (например, «сантехники» против «юристов»). Система выявляет характеристики, статистически связанные со спамом в данной нише, генерирует оценку спама и калибрует её в вероятность с помощью логистической регрессии для точной фильтрации.
  • US8738557B1
  • 2014-05-27

  • Антиспам

  • Local SEO

  • EEAT и качество

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

Популярные патенты

Как Google использует модель D-Q-D и поведение пользователей для предложения разнообразных запросов, связанных с конкретными результатами поиска
Google использует модель "Документ-Запрос-Документ" (D-Q-D), построенную на основе данных о поведении пользователей (клики, время просмотра), для генерации связанных поисковых подсказок. Система предлагает альтернативные запросы, привязанные к конкретному результату, только если эти запросы ведут к новому, разнообразному набору документов, облегчая исследование смежных тем.
  • US8583675B1
  • 2013-11-12

  • Поведенческие сигналы

  • SERP

  • Семантика и интент

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 обрабатывает клики по ссылкам на мобильные приложения (App Deep Links) в результатах поиска
Google использует механизм клиентской обработки результатов поиска, ведущих в нативные приложения. Если у пользователя не установлено нужное приложение, система на устройстве автоматически подменяет ссылку приложения (App Deep Link) на эквивалентный веб-URL. Это гарантирует доступ к контенту через браузер и обеспечивает бесшовный пользовательский опыт.
  • US10210263B1
  • 2019-02-19

  • Ссылки

  • SERP

Как Google извлекает готовые ответы из авторитетных источников для формирования Featured Snippets
Google использует систему для предоставления прямых ответов на естественном языке (в виде абзацев или списков) на запросы с четким намерением. Система заранее анализирует авторитетные источники, извлекает пары «заголовок-текст», соответствующие популярным шаблонам вопросов, и сохраняет их в специальной базе данных. При получении соответствующего запроса система извлекает готовый ответ из этой базы и отображает его в выдаче.
  • US9448992B2
  • 2016-09-20

  • Семантика и интент

  • EEAT и качество

  • Индексация

Как Google предсказывает намерения пользователя и выполняет поиск до ввода запроса (Predictive Search)
Google использует механизм для прогнозирования тем, интересующих пользователя в конкретный момент времени, основываясь на его истории и контексте. При обнаружении сигнала о намерении начать поиск (например, открытие страницы поиска), система проактивно выполняет запрос по предсказанной теме и мгновенно показывает результаты или перенаправляет пользователя на релевантный ресурс.
  • US8510285B1
  • 2013-08-13

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

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

  • Ссылки

  • SERP

Как Google использует 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 использует географическое положение и историю поведения пользователей для разрешения неоднозначных запросов
Google применяет механизм для интерпретации неоднозначных поисковых запросов, которые имеют несколько географических или категориальных значений. Система определяет доминирующий интент, анализируя, как пользователи в том же регионе ранее уточняли похожие запросы и насколько они были удовлетворены результатами. На основе этих локализованных данных (гистограмм и метрик неудовлетворенности) выбирается наиболее вероятная интерпретация, и выдача фильтруется соответственно.
  • US8478773B1
  • 2013-07-02

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google снижает ценность кликов по результатам, полученным из слишком общих запросов
Google использует механизм для корректировки показателей популярности (например, кликов) документа. Если документ получил клик в ответ на очень общий (широкий) запрос, ценность этого клика снижается. Это предотвращает искусственное завышение популярности документов, которые часто показываются по высокочастотным общим запросам, и повышает значимость кликов, полученных по более специфическим запросам.
  • US7925657B1
  • 2011-04-12

  • Поведенческие сигналы