Патент Google, описывающий концепцию "Agent Rank". Система предлагает авторам (агентам) использовать цифровые подписи для подтверждения авторства контента. Это позволяет рассчитывать репутационный рейтинг агента, используя алгоритмы, подобные PageRank, на основе того, кто ссылается на их подписанный контент. Этот рейтинг затем используется для влияния на ранжирование, независимо от того, где контент опубликован.

Описание

Какую проблему решает

Патент решает проблему надежной оценки авторитетности отдельных создателей контента (agents), когда традиционные методы (например, PageRank) фокусируются на авторитетности источника (сайта или страницы). Сложность заключается в том, что авторы могут публиковаться на разных сайтах (синдикация), а одна страница может содержать контент от множества агентов (например, статья, комментарии и реклама). Патент предлагает способ отделить репутацию автора от репутации платформы публикации и от контента, за который автор не несет ответственности.

Что запатентовано

Запатентована система расчета репутационной оценки (Agent Rank) для агентов (авторов, редакторов, рецензентов). Ядром изобретения является использование цифровых подписей (digital signatures) для надежной и проверяемой ассоциации агента с конкретными фрагментами контента (content items) по всему интернету. Репутация агента рассчитывается итеративно на основе того, как другие агенты ссылаются на подписанный им контент, адаптируя алгоритмы анализа ссылок (типа PageRank) к графу авторов.

Как это работает

Система работает следующим образом:

  • Подпись контента: Агенты используют свои приватные ключи для цифровой подписи созданного или одобренного ими контента. Подпись может применяться ко всей странице или только её части (например, исключая рекламу).
  • Верификация и Ассоциация: Поисковая система проверяет подписи и устанавливает надежную связь между контентом и агентом.
  • Построение Графа Агентов: Система строит направленный граф, где узлы — это агенты. Ссылки между подписанными фрагментами контента интерпретируются как связи (передача авторитета) между соответствующими агентами.
  • Расчет Agent Rank: Применяется итеративный алгоритм (аналогичный PageRank) к графу агентов. Ранг агента повышается, если на его подписанный контент ссылаются другие агенты, особенно те, у кого уже высокий Agent Rank.
  • Влияние на Поиск: Рассчитанный Agent Rank используется как сигнал для повышения рейтинга контента, подписанного авторитетными агентами.

Актуальность для SEO

Высокая концептуальная актуальность, Низкая практическая актуальность (в том виде, как запатентовано). Концепция авторитетности автора (ключевая часть E-E-A-T) критически важна в 2025 году. Однако конкретный механизм, описанный в патенте — широкое использование криптографических цифровых подписей авторами — не был реализован на практике из-за сложности внедрения. Google использует альтернативные методы (структурированные данные Author Schema, распознавание сущностей, Knowledge Graph) для достижения аналогичных целей идентификации и оценки авторов.

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (8.5/10). Он демонстрирует давнее намерение Google идентифицировать и вознаграждать экспертов независимо от того, где они публикуются. Хотя технология цифровых подписей не прижилась, базовый принцип лежит в основе современных стратегий E-E-A-T: необходимость демонстрировать реальный опыт и получать подтверждения (ссылки, цитаты) от других признанных экспертов в своей области.

Детальный разбор

Термины и определения

Agent (Агент)
Любое физическое лицо или организация, которая предоставляет контент, редактирует его или рецензирует. Включает роли: автор, редактор, издатель, рецензент.
Agent Rank (Рейтинг Агента) / Reputational score (Репутационная оценка)
Числовое значение, указывающее на авторитетность агента. Рассчитывается на основе анализа ссылок на подписанный им контент.
Assertion (Утверждение)
Заявление, сделанное агентом в цифровой подписи относительно контента. Обычно указывает на роль агента (например, "автор") или содержит метаданные (например, оценку рецензента).
Content Item / Content Piece (Фрагмент контента)
Единица цифрового контента (текст, изображение, видео), которая может быть подписана агентом. Это может быть вся веб-страница или её подмножество (subset).
Digital Signature (Цифровая подпись)
Криптографический механизм, использующий приватный ключ агента для надежной связи контента с агентом и проверки целостности контента.
Linked Database (Связанная база данных)
Корпус документов с взаимными цитатами. В патенте представлен как направленный граф, где узлы соответствуют агентам и их контенту.
Portable Signature (Переносимая подпись)
Цифровая подпись, которая следует за контентом независимо от URL публикации (например, синдицированный контент). Позволяет репутации агента быть переносимой между сайтами.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения репутационной оценки агента.

  1. Система получает множество цифровых фрагментов контента.
  2. Каждый фрагмент ассоциирован с цифровой подписью, которая уникально связывает его с агентом И утверждением (assertion) агента относительно этого контента (например, роль).
  3. Система валидирует подписи и идентифицирует ответственных агентов.
  4. Определяется репутационная оценка (Agent Rank) для первого агента. Эта оценка является функцией от:
    1. Репутационных оценок других агентов, чей контент ссылается (references) на контент первого агента.
    2. Репутационной оценки второго агента, ссылающегося на контент первого агента, причем оценка второго агента основана на его заявленной роли (assertion/role).
  5. Критически важное уточнение: По крайней мере один фрагмент контента, подписанный первым агентом, является подмножеством (subset) веб-страницы. Страница включает другое подмножество, не связанное с первым агентом (например, реклама), и репутационная оценка НЕ является функцией от этого второго подмножества.

Ядро изобретения — это расчет репутации автора (а не страницы) на основе ссылок от других авторов (а не сайтов), по модели PageRank, при условии, что авторство подтверждено цифровой подписью. Критически важна возможность исключить из расчета нерелевантные части страницы.

Claim 2 и 3 (Зависимые): Уточняют, что ссылка является гиперссылкой (link) и может содержать утверждение (assertion) ссылающегося агента о контенте, на который он ссылается (например, рецензия или оценка). Это утверждение влияет на расчет репутации.

Claim 9 (Зависимый от 1): Уточняет, что метаданные в цифровой подписи могут указывать, является ли репутация агента переносимой (portable) между различными сайтами.

Claim 10 (Зависимый от 1): Подтверждает, что репутационный балл используется для определения порядка (ordering) ресурсов в результатах поиска.

Где и как применяется

Изобретение затрагивает этапы индексирования и ранжирования, используя криптографические данные для построения нового типа графа авторитетности.

CRAWLING – Сканирование и Сбор данных
На этом этапе система должна обнаружить и загрузить контент, а также связанные с ним цифровые подписи (которые могут быть встроены в контент или храниться отдельно).

INDEXING – Индексирование и извлечение признаков
Основная работа по обработке происходит здесь:

  1. Валидация подписей: Проверка целостности контента и подлинности подписи с использованием публичных ключей агентов.
  2. Идентификация Агентов и Ролей: Ассоциация контента с конкретными агентами и анализ их утверждений (assertions).
  3. Построение Графа Агентов: Создание структуры данных, отображающей связи между агентами на основе ссылок между подписанными ими фрагментами контента.
  4. Расчет Agent Rank (Офлайн): Итеративное вычисление репутационных оценок для всех идентифицированных агентов. Это независимый от запроса расчет (query-independent ranking).

RANKING – Ранжирование
На этом этапе предварительно рассчитанные оценки Agent Rank используются как сигнал ранжирования. Контент, подписанный агентом с высоким рангом, получает повышение (boost) в выдаче. Agent Rank выступает как сигнал качества и авторитетности.

Входные данные:

  • Фрагменты контента (Content Items).
  • Цифровые подписи, связанные с контентом.
  • Публичные ключи агентов (для валидации).
  • Структура ссылок между фрагментами контента.

Выходные данные:

  • Репутационная оценка (Agent Rank) для каждого идентифицированного агента.

На что влияет

  • Конкретные типы контента: Наибольшее влияние оказывается на контент, где важна экспертиза автора — статьи, обзоры, научные публикации, новости.
  • Конкретные ниши или тематики: Критически важно для YMYL-тематик (медицина, финансы, право), где идентификация и репутация автора напрямую влияют на доверие к контенту. Патент также упоминает возможность расчета разных рангов для агента в зависимости от темы (topics).
  • Структура сайтов: Влияет на сайты с множеством авторов (форумы, блоги, новостные агрегаторы), позволяя оценить вклад каждого участника отдельно от репутации самой платформы.
  • Структура страницы: Позволяет отделить репутацию основного контента от сопутствующего (реклама, UGC), если автор подписал только свою часть.

Когда применяется

  • Условия работы алгоритма: Алгоритм применяется только к контенту, который был явно подписан агентом с помощью валидной цифровой подписи.
  • Обработка неподписанного контента: Патент упоминает, что если цифровая подпись отсутствует, контент может быть ассоциирован с владельцем (owner) местоположения (сайта), и оценка присваивается этому владельцу (концепция synthetic agency).
  • Частота применения: Расчет Agent Rank происходит периодически (офлайн), применение — при ранжировании (онлайн).

Пошаговый алгоритм

Процесс А: Подготовка данных и построение графа (Индексирование)

  1. Сбор контента и подписей: Система собирает фрагменты контента и связанные с ними цифровые подписи.
  2. Валидация и Идентификация: Проверяется валидность каждой подписи. Идентифицируется агент, подписавший контент, и его заявленная роль.
  3. Сегментация контента: Определяются границы подписанного контента (особенно если подписана только часть страницы).
  4. Построение Графа Агентов: Создается направленный граф (Linked Database).
    1. Каждый идентифицированный агент становится узлом графа.
    2. Если подписанный контент Агента X содержит ссылку на подписанный контент Агента Y, в графе создается направленная связь от X к Y.

Процесс Б: Расчет Agent Rank (Итеративный процесс)

  1. Инициализация: Всем агентам присваивается начальная оценка ранга. Альтернативно, может использоваться посевной набор доверенных агентов (seed group of trusted agents).
  2. Итеративный расчет: Ранг каждого агента обновляется на основе рангов агентов, которые на него ссылаются. Используется формула, аналогичная PageRank, приведенная в патенте:

Выводы

  1. Приоритет автора над платформой: Ключевой вывод — Google стремится оценивать репутацию создателей контента (Agents) независимо от репутации сайтов, на которых этот контент размещен. Это позволяет авторитетному контенту ранжироваться высоко, даже если он опубликован на новой или малоизвестной площадке.
  2. Адаптация PageRank к агентам ("PageRank для людей"): Механизм расчета Agent Rank является прямой адаптацией алгоритма PageRank. Ссылки между подписанными документами трактуются как передача авторитета между авторами (endorsement). Ссылки от высокоранговых агентов имеют больший вес.
  3. Цифровая подпись как механизм доверия: Патент предлагает использовать криптографию (Digital Signatures) как основу для надежной идентификации авторства.
  4. Селективная ответственность и Гранулярность: Агенты могут подписывать только часть страницы (subset of a web page), явно исключая контент, за который они не несут ответственности (например, рекламу). Это защищает репутацию автора от влияния стороннего контента на той же странице.
  5. Тематическая и контекстуальная репутация: Agent Rank может рассчитываться для конкретных тем и учитывать роль агента (автор vs редактор), признавая, что авторитет варьируется в зависимости от контекста.
  6. Разрыв между теорией и практикой: Хотя концепция Agent Rank (и E-E-A-T) критически важна, предложенная техническая реализация через массовое внедрение цифровых подписей не состоялась. SEO-специалистам следует фокусироваться на принципах патента, а не на его буквальной реализации.

Практика

Best practices (это мы делаем)

Поскольку технология цифровых подписей не получила распространения, как описано в патенте, SEO-практики должны фокусироваться на реализации принципов патента с использованием доступных технологий (структурированные данные, построение сущностей) для поддержки E-E-A-T.

  • Построение узнаваемых сущностей авторов: Создавайте сильные, взаимосвязанные профили для ключевых авторов/экспертов. Google должен четко понимать, кто автор и каков его опыт. Это имитирует цель идентификации Agent.
  • Четкая атрибуция контента (Schema): Всегда четко указывайте авторство контента. Используйте микроразметку Schema.org/Person и свойство author для статей (Article, BlogPosting). Это служит заменой цифровой подписи для ассоциации контента с автором.
  • Развитие экспертизы в нише (Topical Authority for Authors): Поощряйте авторов фокусироваться на конкретных темах. Поскольку патент упоминает тематические ранги, высокий Agent Rank (в современной интерпретации) достигается за счет создания большого корпуса качественного контента по теме.
  • Получение экспертных цитат и ссылок: Основа патента — передача авторитета между агентами через ссылки. Активно работайте над получением ссылок и цитирований ваших авторов от других признанных экспертов и авторитетных изданий в вашей нише.
  • Гостевой постинг и синдикация (Leveraging Portability): Публикуйте экспертный контент на авторитетных сторонних площадках. Патент подчеркивает переносимость репутации автора (Portable Signature). Убедитесь, что авторство четко указано и связано с основной сущностью автора.
  • Создание централизованных страниц авторов: Создайте детальные биографические страницы для каждого автора, перечисляя их публикации (на сайте и вне его), награды, социальные профили (используя sameAs в Schema).

Worst practices (это делать не надо)

  • Анонимный контент в YMYL-нишах: Публикация контента без четкого указания авторства или от имени вымышленных/неавторитетных авторов противоречит принципам Agent Rank и E-E-A-T.
  • Непоследовательная атрибуция: Использование разных имен или псевдонимов для одного и того же автора на разных платформах затрудняет консолидацию его репутации (Agent Rank).
  • Игнорирование ссылок на уровне автора: Фокусироваться только на получении ссылок на домен, игнорируя важность цитирования конкретных авторов экспертами.
  • Смешивание экспертного и низкокачественного контента под одним именем: Публикация низкокачественного или нерелевантного контента под именем эксперта может снизить его общую репутационную оценку. Патент отмечает, что репутацию легко понизить.

Стратегическое значение

Этот патент является одним из самых ранних и четких указаний на важность авторитетности автора в алгоритмах Google, задолго до введения термина E-E-A-T. Он подтверждает, что долгосрочная SEO-стратегия должна включать не только оптимизацию сайта, но и развитие и продвижение реальных экспертов. Несмотря на то, что техническая реализация изменилась (от цифровых подписей к распознаванию сущностей и Knowledge Graph), стратегическая цель осталась прежней: идентифицировать экспертов и повышать созданный ими контент.

Практические примеры

Сценарий: Повышение авторитетности медицинского автора (Реализация принципов Agent Rank без цифровых подписей)

  1. Задача: Продвинуть статьи нового медицинского сайта, написанные доктором Смитом, признанным экспертом.
  2. Действия (Имитация Идентификации Агента):
    1. Создается детальная страница автора для доктора Смита с его биографией, регалиями и ссылками на его профили в научных базах и медицинских ассоциациях.
    2. Внедряется разметка Schema.org/Person с использованием sameAs для связи этих профилей.
    3. Все статьи на сайте четко атрибутируются доктору Смиту через разметку author.
  3. Действия (Имитация Построения Графа Агентов):
    1. Доктор Смит публикует исследование, на которое ссылаются другие врачи в своих блогах и статьях в авторитетных журналах (например, JAMA).
    2. Сайт получает ссылки от новостных ресурсов, которые цитируют доктора Смита как эксперта.
  4. Ожидаемый результат (Расчет Agent Rank): Google распознает доктора Смита как сущность (Agent). Ссылки от других экспертов и авторитетных изданий повышают его репутационную оценку (современный аналог Agent Rank).
  5. Итог: Статьи на новом сайте ранжируются выше, чем контент конкурентов с анонимными авторами, благодаря высокому авторитету доктора Смита.

Вопросы и ответы

Был ли этот патент реализован Google так, как описано?

Нет. Ключевая технология патента — широкое использование криптографических цифровых подписей авторами для верификации контента — не получила распространения в интернете из-за сложности внедрения и управления ключами. Таким образом, буквальная реализация Agent Rank на основе цифровых подписей не состоялась.

Если технология не была реализована, почему этот патент важен для SEO сегодня?

Патент критически важен, так как он раскрывает фундаментальное намерение Google: оценивать авторитетность авторов независимо от платформ публикации. Хотя механизм реализации изменился, цель осталась прежней. Сегодня эта концепция лежит в основе E-E-A-T. Понимание принципов Agent Rank помогает строить эффективные стратегии продвижения экспертного контента.

Как Google идентифицирует авторов сегодня, если не использует цифровые подписи?

Google использует комбинацию методов для идентификации и оценки авторов. К ним относятся анализ структурированных данных (Schema.org/Person, свойство author), распознавание именованных сущностей (NER) в тексте, данные из Knowledge Graph, анализ профилей на авторитетных ресурсах и паттерны цитирования. Система пытается связать различные упоминания автора в единую сущность.

Чем Agent Rank отличается от PageRank?

PageRank рассчитывается для страниц или сайтов на основе ссылок между ними. Agent Rank использует ту же математическую модель, но применяет её к агентам (авторам). Авторитет передается через ссылки между контентом, который подписан разными агентами. Проще говоря, Agent Rank — это PageRank для людей.

Какова формула расчета Agent Rank, описанная в патенте?

В патенте приводится формула, которая является прямой адаптацией формулы PageRank:

Похожие патенты

Как Google определяет оригинальность контента для расчета Авторского Ранга (Author Rank) и влияния на ранжирование
Google использует систему для идентификации оригинального контента и повышения авторитета его создателей. Система разбивает документы на фрагменты (content pieces) и отслеживает их первое появление. Авторы (включая домены) ранжируются на основе количества созданного ими оригинального контента и частоты его копирования другими. Ранг автора затем используется для повышения в выдаче документов этого автора, особенно свежих публикаций.
  • US8983970B1
  • 2015-03-17

  • EEAT и качество

  • Свежесть контента

  • SERP

Как Google использует сеть доверия между экспертами для расчета Trust Rank и ранжирования контента
Google использует механизм для определения авторитетности контента путем анализа того, какие эксперты (сущности) доверяют друг другу и как они классифицируют (маркируют) контент в интернете. Система рассчитывает «Рейтинг Доверия» (Trust Rank) для каждой сущности и использует его для повышения в выдаче контента, отмеченного доверенными источниками, интегрируя сигналы репутации в алгоритм ранжирования.
  • US7603350B1
  • 2009-10-13

  • EEAT и качество

  • Knowledge Graph

  • SERP

Как Google может верифицировать авторство контента, перехватывая момент его публикации через браузер пользователя
Google описывает механизм для точной идентификации авторов контента. Система (например, плагин браузера) отслеживает отправку контента через веб-формы (CMS, комментарии), фиксирует личность пользователя и отправленный текст. Затем Google проверяет, появился ли этот текст по указанному адресу, и связывает контент с верифицированным автором.
  • US9521182B1
  • 2016-12-13

  • EEAT и качество

Как Google рассчитывает и показывает рейтинг легитимности сайтов и рекламодателей на основе их истории и активности
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.
  • US7657520B2
  • 2010-02-02

  • SERP

  • EEAT и качество

  • Поведенческие сигналы

Как Google использует контекст и анализ офлайн-поведения (Read Ranking) для соединения физических документов с цифровыми копиями
Система идентифицирует цифровой контент по сканированному фрагменту из физического мира, используя не только текст, но и обширный контекст (время, местоположение, историю пользователя). Патент также вводит концепцию «Read Ranking» — отслеживание популярности физических документов на основе того, что люди сканируют, как потенциальный сигнал ранжирования.
  • US20110295842A1
  • 2011-12-01

  • Поведенческие сигналы

  • Персонализация

  • Семантика и интент

Популярные патенты

Как Google использует данные веб-поиска и клики пользователей для классификации бизнесов и построения иерархии категорий
Google анализирует логи веб-поиска (введенные ключевые слова и последующие клики по результатам), чтобы понять, как пользователи интуитивно классифицируют бизнесы. Эти данные используются для автоматического построения динамической иерархической структуры категорий. Эта структура затем применяется для улучшения точности поиска, в частности, для оптимизации моделей распознавания речи в голосовых системах.
  • US7840407B2
  • 2010-11-23

  • Поведенческие сигналы

  • Семантика и интент

  • Структура сайта

Как Google использует контекст пользователя и интерактивное уточнение для обучения моделей поиска
Google может инициировать поиск пассивно, основываясь на контексте действий пользователя (например, чтении статьи или телефонном звонке). Система позволяет пользователю уточнить этот поиск, выбрав один из использованных критериев (например, тапнув на сущность в тексте), чтобы повысить его значимость. Реакция пользователя на уточненные результаты используется для машинного обучения и улучшения взвешивания критериев в будущих поисковых запросах.
  • US11568003B2
  • 2023-01-31

  • 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

Как Google использует историю поиска, поведение и многофакторные профили пользователей для персонализации поисковой выдачи
Google создает детальные профили пользователей на основе истории запросов, взаимодействия с результатами (клики, время просмотра) и анализа контента посещенных страниц. Эти профили (включающие интересы по терминам, категориям и ссылкам) используются для корректировки стандартных оценок ранжирования. Степень персонализации динамически регулируется уровнем уверенности системы в профиле (Confidence Score).
  • US9298777B2
  • 2016-03-29

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google динамически меняет формулы ранжирования, адаптируя веса факторов под контекст запроса и пользователя
Google не использует единую модель ранжирования. Система использует машинное обучение для создания множества специализированных моделей (Predicted Performance Functions), обученных на исторических данных о кликах для разных контекстов (Search Contexts). При получении запроса система определяет контекст (тип запроса, язык, локация пользователя) и применяет ту модель, которая лучше всего предсказывает CTR в этой ситуации, динамически изменяя значимость различных сигналов ранжирования.
  • US8645390B1
  • 2014-02-04

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google предсказывает, какие сайты будут интересны пользователю на основе его контекста (местоположение, время, интересы) без поискового запроса
Google использует агрегированные данные о поведении пользователей для прогнозирования контента. Система анализирует контекст пользователя (местоположение, время, интересы, историю) и определяет, какие сайты посещают похожие пользователи в аналогичном контексте значительно чаще, чем пользователи в целом. Этот механизм позволяет предлагать релевантный контент без явного запроса (например, в Google Discover).
  • US9195703B1
  • 2015-11-24

  • Персонализация

  • Поведенческие сигналы

  • Семантика и интент

Как Google проверяет работоспособность Deep Links и обратную совместимость перед индексированием контента мобильных приложений
Google использует автоматизированную систему верификации для индексирования контента мобильных приложений. Перед добавлением в индекс система эмулирует запуск приложения по Deep Link, проверяя корректность загрузки, отсутствие ошибок и соответствие контента связанной веб-странице. Также система тестирует обратную совместимость ссылок при обновлениях приложения, гарантируя, что в поиск попадают только функциональные результаты.
  • US9645980B1
  • 2017-05-09

  • Индексация

  • Ссылки

  • Техническое SEO

Как Google использует ссылки, которыми делятся в почте, блогах и мессенджерах, как сигнал для корректировки ранжирования
Google запатентовал механизм (User Distributed Search), который учитывает, как пользователи делятся ссылками в коммуникациях (почта, блоги, мессенджеры). Если автор включает ссылку в сообщение, это дает ей первоначальную модификацию в ранжировании. Если получатели переходят по этой ссылке, её Ranking Score увеличивается ещё больше. Оба сигнала используются для влияния на позиции документа в будущей выдаче.
  • US8862572B2
  • 2014-10-14

  • Поведенческие сигналы

  • Ссылки

Как Google использует обучение с подкреплением (Reinforcement Learning) для оптимизации ранжирования и переписывания запросов на основе успешности поисковых сессий
Google использует систему Reinforcement Learning для динамической адаптации поисковых процессов. Система анализирует поисковые сессии (последовательности запросов и кликов) и учится оптимизировать выдачу, чтобы пользователь быстрее находил нужный результат. Это достигается путем корректировки весов факторов ранжирования, переписывания запросов или даже обновления индекса на лету для конкретных ситуаций.
  • US11157488B2
  • 2021-10-26

  • Индексация

  • Поведенческие сигналы

  • Семантика и интент

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