Патент Google (применимый к YouTube) описывает систему коллективного ранжирования определенного набора контента (плейлиста). Пользователи ранжируют элементы относительно друг друга, перемещая их вверх или вниз. Система агрегирует эти голоса, используя взвешенный алгоритм (Взвешенный подсчет Борда), который учитывает предыдущий рейтинг и количество голосов за каждую позицию для определения нового коллективного порядка.

Описание

Какую проблему решает

Патент решает ограничения традиционных систем рейтинга (например, 1-5 звезд или лайки), которые позволяют оценивать элементы контента изолированно, но не позволяют пользователям ранжировать их относительно друг друга в определенном наборе. Изобретение предоставляет механизм для получения сравнительных суждений пользователей (например, «Видео А лучше Видео Б») и формирования точного коллективного рейтинга внутри плейлиста.

Что запатентовано

Запатентована система и метод для коллективного ранжирования (collaborative ranking) предопределенного набора цифрового контента на хостинговой платформе (например, YouTube). Система включает пользовательский интерфейс (UI), позволяющий пользователям изменять порядок элементов (перемещать вверх/вниз, перетаскивать). Scoring Module агрегирует эти голоса, используя специфический взвешенный алгоритм для определения итогового рейтинга.

Как это работает

Система работает следующим образом:

  • Создание набора: Формируется плейлист для ранжирования (поставщиком контента, пользователем или системой).
  • Голосование: Пользователи видят текущий рейтинг и отправляют свой предпочтительный порядок (Ranking Votes).
  • Валидация: Authentication Module проверяет пользователя и частоту голосования (Voting Period) для предотвращения накруток.
  • Подсчет: Подсчитывается, сколько раз каждый элемент был помещен на 1-е, 2-е, 3-е и т.д. места.
  • Расчет оценки: Вычисляется New Ranking Score по формуле, которая взвешивает предыдущую оценку (Previous Score) и новые голоса, придавая больший вес голосам за верхние позиции.
  • Обновление: Плейлист периодически переупорядочивается на основе новых оценок.

Актуальность для SEO

Низкая/Средняя. Патент подан в 2008 году. Хотя концепция коллективного ранжирования остается актуальной для конкурсов и чартов (например, YouTube AdBlitz, пример с Super Bowl в патенте), конкретный UI/UX может быть устаревшим. Современные рекомендательные системы в большей степени полагаются на неявные сигналы вовлеченности (время просмотра), чем на такое явное позиционное голосование.

Важность для SEO

Влияние на традиционное SEO (Google Search) минимально (2/10). Этот патент описывает внутренние механизмы Video Hosting Website (YouTube) для ранжирования в специализированных, закрытых плейлистах или конкурсах на основе прямого голосования. Он не описывает общие алгоритмы ранжирования для поиска Google или основного поиска YouTube.

Детальный разбор

Термины и определения

Authentication Module (Модуль аутентификации)
Компонент, проверяющий учетные данные пользователя и валидность голоса (например, соблюдение Voting Period).
Digital Content Item (Элемент цифрового контента)
Медиафайл (видео, аудио, изображение), подлежащий ранжированию.
Playlist (Плейлист)
Предопределенный набор Digital Content Items, предназначенный для коллективного ранжирования.
Ranking Vote (Ранжирующий голос)
Ввод пользователя, указывающий предпочтительную позицию элемента относительно других элементов в наборе.
Scoring Module (Модуль оценки)
Компонент, отвечающий за подсчет голосов и вычисление Ranking Scores.
New Ranking Score (NRS) (Новая оценка ранжирования)
Рассчитанная оценка, используемая для определения нового порядка элементов в плейлисте.
Previous Score (PS) (Предыдущая оценка)
Оценка ранжирования элемента из предшествующего периода. Используется для стабилизации рейтинга.
Voting Period (Период голосования)
Временные рамки, ограничивающие частоту подачи голосов одним пользователем (например, один раз в день).
Ranking Period (Период ранжирования)
Частота, с которой рассчитываются NRS и обновляется плейлист (например, ежечасно).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод коллективного ранжирования.

  1. Система хранит ранжированный набор цифровых элементов с текущими позициями.
  2. Набор предоставляется пользователям.
  3. Система получает от пользователей ranking votes. Голос указывает на изменение позиции элемента (перемещение выше или ниже других элементов).
  4. Определяется new ranking score для каждого элемента на основе current ranking score (предыдущей оценки) И полученных ranking votes.
  5. Позиции ранжирования обновляются на основе new ranking scores.

Claims 3, 4, 5 (Зависимые): Детализируют процесс валидации. Система должна определить, является ли пользователь действительным (Claim 5: зарегистрированным) и является ли голос действительным (Claim 4: поданным в течение надлежащего voting period).

Claims 6, 7 (Зависимые): Детализируют процесс подсчета и расчета. Система подсчитывает количество голосов, полученных элементом за каждую конкретную позицию (Claim 6). New ranking score основывается на общем количестве элементов в наборе (n) и количестве голосов за каждую позицию (Claim 7). Это подтверждает использование формулы взвешенного позиционного голосования.

Claim 11 (Зависимый): Указывает альтернативный механизм пользовательского интерфейса: получение голосов через перетаскивание (drag-and-drop) строк.

Claim 12 (Независимый пункт): Определяет структуру пользовательского интерфейса. Он должен включать строки с ячейкой ранжирования, областью контента, ячейкой заголовка (с названием, продюсером, количеством просмотров), кнопками «Move Up» и «Move Down», и элементом, показывающим числовое изменение ранга.

Где и как применяется

Этот патент не относится к архитектуре основного Поиска Google (Crawling, Indexing, Ranking и т.д.). Он описывает систему ранжирования в рамках платформы хостинга контента (например, YouTube).

Контекст применения: Используется для специализированных функций, таких как конкурсы, чарты или рейтинги, привязанные к конкретным событиям, где определенный плейлист предоставляется для коллективного ранжирования.

Взаимодействие компонентов:

  • INDEXING (Хранение данных): Видео хранятся в Digital Content Database. Playlist Manager управляет составом ранжируемого набора. Данные пользователей хранятся в User Database.
  • RANKING / RERANKING (Ранжирование плейлиста): Это основной фокус патента. Authentication Module проверяет пользователей и голоса. Scoring Module принимает Ranking Votes, подсчитывает их и применяет алгоритм для пересчета New Ranking Score. Это специализированная система ранжирования внутри платформы.

Входные данные:

  • Определение плейлиста.
  • Текущие оценки ранжирования (Previous Score).
  • Ранжирующие голоса пользователей (Ranking Votes).
  • Учетные данные пользователя (для валидации).

Выходные данные:

  • Новые оценки ранжирования (New Ranking Score).
  • Обновленный коллективный порядок плейлиста.

На что влияет

  • Конкретные типы контента: Влияет только на контент (видео, аудио), который был явно включен в плейлист для коллективного ранжирования.
  • Ниши и тематики: Наиболее применимо для конкурсов, опросов мнений или курируемых списков (чартов).

Когда применяется

  • Условия: Когда на хостинге активирована функция или плейлист для коллективного ранжирования.
  • Триггеры: Отправка пользователем голоса.
  • Временные рамки и частота: Голосование ограничено для пользователей (Voting Period, например, раз в день). Рейтинг обновляется периодически (Ranking Period, например, ежечасно).

Пошаговый алгоритм

Процесс А: Обработка голоса пользователя (Онлайн)

  1. Отображение текущего рейтинга: Пользователю показывается плейлист с текущим порядком.
  2. Получение голоса: Пользователь изменяет порядок элементов (кнопки Вверх/Вниз или перетаскивание) и отправляет свой вариант ранжирования.
  3. Валидация пользователя: Authentication Module проверяет, является ли пользователь зарегистрированным и валидным. Если нет — голос отбрасывается.
  4. Валидация голоса: Проверяется соблюдение Voting Period (не голосовал ли пользователь слишком часто). Если нет — голос отбрасывается.
  5. Учет голоса: Валидный голос сохраняется для подсчета.

Процесс Б: Обновление рейтинга (Периодически)

  1. Инициация пересчета: По истечении Ranking Period запускается Scoring Module.
  2. Подсчет голосов (Tallying): Система агрегирует все валидные голоса за период. Для каждого элемента определяется количество голосов за каждую позицию (V1 - голоса за 1-е место, V2 - за 2-е место, и т.д.).
  3. Вычисление новых оценок: Для каждого элемента рассчитывается New Ranking Score (NRS) по формуле, учитывающей Previous Score (PS) и подсчитанные голоса (Vn).
  4. Обновление рейтинга: Элементы плейлиста сортируются в соответствии с их NRS. Новый порядок становится текущим рейтингом, а NRS становится PS для следующего периода.
  5. Отображение обновленного рейтинга: Пользовательский интерфейс обновляется.

Какие данные и как использует

Данные на входе

  • Поведенческие факторы (Явные): Основной тип данных — это явные Ranking Votes (прямые действия пользователя по изменению порядка элементов). Количество просмотров упоминается как метаданные для отображения в UI (Claim 12), но не как фактор ранжирования в данном алгоритме.
  • Пользовательские факторы: Информация об учетной записи пользователя. Используется для валидации пользователей и предотвращения фрода.
  • Временные факторы: Временные метки подачи голосов используются для обеспечения соблюдения Voting Period.
  • Системные данные: Previous Score (PS) каждого элемента, общее количество элементов в плейлисте (n).

Какие метрики используются и как они считаются

Ключевой метрикой является New Ranking Score (NRS). Патент предоставляет конкретный пример алгоритма расчета, который представляет собой комбинацию сглаживания и Взвешенного подсчета Борда (Weighted Borda Count):

Формула расчета NRS:

Выводы

  1. Явное сравнительное ранжирование: Патент описывает механизм явного (explicit) ранжирования, основанного на сравнительных суждениях пользователей, а не на абсолютных оценках (лайках) или неявных сигналах (кликах, времени просмотра).
  2. Контекстно-зависимое ранжирование: Алгоритм предназначен исключительно для сортировки элементов внутри заранее определенного плейлиста или конкурса. Он не влияет на ранжирование контента в общем поиске платформы (YouTube или Google).
  3. Алгоритмическая агрегация (Взвешенный подсчет Борда): Система использует специфический алгоритм позиционного голосования, известный как Взвешенный подсчет Борда (Weighted Borda Count), где голоса за более высокие позиции имеют больший вес.
  4. Механизм стабилизации (Сглаживание): Включение Previous Score (PS) в формулу действует как стабилизирующий фактор, предотвращая резкие колебания рейтинга из-за краткосрочной активности и обеспечивая учет истории голосования.
  5. Меры по борьбе со спамом: Система включает обязательную аутентификацию пользователей и валидацию голосов (ограничение частоты Voting Period) для поддержания целостности рейтинга.

Практика

ВАЖНО: Этот патент имеет очень ограниченное применение для стандартных SEO-стратегий в Google Search. Он актуален исключительно для оптимизации контента на платформах (например, YouTube), где используется подобная функция коллективного ранжирования (конкурсы, опросы).

Best practices (VSEO)

  • Мобилизация аудитории: Если контент участвует в коллективном ранжировании (например, конкурс на YouTube), ключевой стратегией является активное привлечение аудитории к голосованию.
  • Призыв к голосованию за 1-е место: Поскольку алгоритм (Borda Count) придает значительно больший вес голосам за топовые позиции, в коммуникации следует просить пользователей поставить контент именно на первое место. Голос за 1-е место значительно ценнее голоса за 3-е.
  • Оптимизация метаданных для UI: Убедиться, что заголовок и миниатюра привлекательны в интерфейсе голосования (описанном в Claim 12), так как это влияет на решение пользователя просмотреть контент и проголосовать.

Worst practices (VSEO)

  • Попытки манипуляций голосами (Боттинг): Использование ботов или массовое создание аккаунтов неэффективно, так как патент прямо предусматривает Authentication Module для валидации пользователей и ограничения частоты голосования (Voting Period).
  • Экстраполяция выводов на общий поиск: Попытка применить принципы этого патента к ранжированию в основном поиске Google или YouTube. Это разные системы с разными сигналами и целями.

Стратегическое значение

Стратегическое значение для SEO минимально. Патент подтверждает интерес Google/YouTube к сбору явных сигналов предпочтений пользователей. Однако он описывает очень специфическую реализацию функции для конкурсов, а не общую философию ранжирования. Стратегически он подчеркивает важность пользовательского вовлечения (User Engagement) на UGC-платформах, но через специфический механизм явного голосования.

Практические примеры

Сценарий: Участие в конкурсе YouTube AdBlitz (Ранжирование рекламы Суперкубка)

  1. Подготовка: YouTube создает плейлист AdBlitz, включающий рекламные ролики брендов, используя механизм из патента.
  2. Запуск голосования: Открывается страница коллективного ранжирования.
  3. Действия Бренда (SEO/Маркетинг): Бренд запускает кампанию в соцсетях, призывая фанатов перейти на AdBlitz и проголосовать. Призыв к действию: «Поставьте наш ролик на 1-е место!».
  4. Процесс: Пользователи перетаскивают ролик бренда на первое место. Scoring Module подсчитывает голоса, применяя больший вес к голосам за 1-е место (V1).
  5. Результат: Благодаря большому количеству голосов за V1, ролик получает высокий New Ranking Score и занимает топ плейлиста.

Вопросы и ответы

Влияет ли этот патент на ранжирование в основном поиске Google?

Нет. Патент описывает функциональность внутри Video Hosting Website (например, YouTube) для ранжирования предопределенных плейлистов или конкурсов. Он не связан с алгоритмами ранжирования веб-страниц в Google Search.

Влияет ли этот патент на ранжирование в поиске YouTube?

Напрямую нет. Этот механизм предназначен для коллективного ранжирования закрытых наборов контента (плейлистов), а не для ответа на поисковые запросы пользователя. Алгоритмы поиска YouTube используют другие сигналы (релевантность, время просмотра, вовлеченность) для формирования выдачи.

Чем описанный механизм отличается от лайков или оценок звездами?

Лайки и звезды — это абсолютные оценки индивидуального контента. Описанный механизм фокусируется на относительном ранжировании: пользователи решают, какой контент лучше или хуже другого в рамках одного набора, перемещая его выше или ниже в списке. Это дает сравнительную оценку предпочтений.

Как работает алгоритм подсчета очков? Все голоса равны?

Нет, голоса не равны. Используется взвешенный алгоритм (Взвешенный подсчет Борда). Голоса за более высокие позиции имеют больший вес. Например, в плейлисте из 10 видео, голос за 1-е место может стоить в 10 раз больше (вес n), чем голос за 10-е место (вес 1).

Как система защищается от накруток голосов?

Патент предусматривает два механизма защиты. Первый — аутентификация пользователя (Authentication Module), гарантирующая, что голосуют валидные зарегистрированные пользователи. Второй — ограничение частоты голосования (Voting Period), например, не чаще одного раза в день с одного аккаунта.

Зачем в формуле используется Previous Score (Предыдущий рейтинг)?

Previous Score (PS) действует как стабилизирующий фактор. Он позволяет учитывать предыдущее состояние рейтинга, чтобы избежать резких скачков позиций из-за краткосрочной активности пользователей и обеспечивает более плавное изменение рейтинга с течением времени (сглаживание).

Какова практическая польза для владельца YouTube-канала?

Если контент канала попадает в плейлист, использующий этот механизм (например, конкурс), владелец может мобилизовать свою аудиторию для голосования. Критически важно просить аудиторию голосовать за первое место, так как это дает максимальный прирост в рейтинге согласно формуле.

Что такое K и W в формуле расчета рейтинга?

K и W — это настраиваемые весовые коэффициенты. K (например, 0.5) определяет влияние предыдущего рейтинга (Previous Score) на новый результат, обеспечивая стабильность. W (например, 2) определяет общее влияние новых голосов на итоговый рейтинг. Они балансируют стабильность и реактивность системы.

Кто может создавать такие плейлисты для ранжирования?

Патент указывает, что плейлисты могут создаваться поставщиками контента (Content Providers), самими пользователями или автоматически системой (например, на основе рейтинга или количества просмотров).

Учитывает ли этот алгоритм количество просмотров видео?

Согласно описанной формуле ранжирования, количество просмотров напрямую не используется для расчета Ranking Score. Однако количество просмотров отображается в пользовательском интерфейсе (Claim 12) и может косвенно влиять на восприятие и голосование пользователей (социальное доказательство).

Похожие патенты

Как Google (YouTube) ранжирует рекомендуемые видео, балансируя релевантность, монетизацию и вероятность просмотра рекламы
Google использует систему для ранжирования рекомендуемых (дополнительных) видео на платформах типа YouTube. Система учитывает не только релевантность и потенциал монетизации видео, но и «экспериментальные данные» о том, как пользователи взаимодействуют с рекламой в этом видео. Цель — показывать видео, где пользователи с большей вероятностью досмотрят рекламу, максимизируя доход и минимизируя отток пользователей.
  • US9405775B1
  • 2016-08-02

  • Мультимедиа

  • Поведенческие сигналы

Как Google повышает ранжирование каналов на основе позиций их контента в результатах поиска
Google использует механизм для улучшения видимости «Каналов» (например, каналов YouTube) в поиске на контент-платформах. Система гарантирует присутствие определенного числа каналов в выдаче, а затем агрессивно повышает ранжирование канала, если его отдельные единицы контента (например, видео) уже занимают высокие позиции по данному запросу. Это достигается путем расчета совокупной оценки канала на основе позиций его контента.
  • US9348922B2
  • 2016-05-24

  • SERP

  • Мультимедиа

Как Google (YouTube) динамически приоритизирует каверы и альтернативные версии песен в блоке рекомендаций
Google использует механизм для улучшения рекомендаций на контент-платформах (например, YouTube). Когда пользователь проявляет интерес к конкретной песне в просматриваемом видео (явно или неявно), система идентифицирует другие видео, содержащие альтернативные версии этой же песни (каверы, живые выступления). Затем блок рекомендаций обновляется, чтобы приоритизировать показ этих альтернативных версий над стандартными похожими видео.
  • US10345998B2
  • 2019-07-09

  • Мультимедиа

  • Персонализация

  • Поведенческие сигналы

Как Google (YouTube) использует последовательность просмотров и общее время просмотра для определения и ранжирования похожих видео
Google использует поведенческие сигналы для определения похожих видео на платформах типа YouTube. Система анализирует, какие видео пользователи смотрят одно за другим в течение короткого времени (ко-просмотры). Если пользователи положительно взаимодействуют (например, долго смотрят) с Видео А и сразу после этого с Видео Б, система считает их связанными. Финальный список рекомендаций ранжируется с учетом временной близости просмотров и общего времени просмотра (Total Watch Time).
  • US9088808B1
  • 2015-07-21

  • Поведенческие сигналы

  • Мультимедиа

  • Персонализация

Как Google использует поведенческие сигналы и совместные просмотры для генерации рекомендаций контента (например, "Похожие видео" на YouTube)
Google использует механизм коллаборативной фильтрации для определения связанности контента, анализируя логи взаимодействия пользователей. Система определяет, какой контент пользователи потребляют совместно в рамках одной сессии ("locality of time"). Учитываются только "позитивные взаимодействия" (например, длительный просмотр, высокая оценка). Это позволяет формировать рекомендации на основе реального поведения аудитории, а не только метаданных.
  • US8055655B1
  • 2011-11-08

  • Поведенческие сигналы

  • Персонализация

Популярные патенты

Как Google использует связанные запросы и временный «бустинг» для обнаружения и тестирования релевантных документов, которые ранжируются низко
Патент описывает механизм улучшения поиска путем перемещения документов на более высокие позиции. Google идентифицирует документы, которые высоко ранжируются по связанным запросам (например, с синонимами, уточнениями или исправленными ошибками), но низко по исходному запросу, и повышает их. Цель — протестировать истинную релевантность этих документов и собрать пользовательский отклик (клики) для улучшения будущего ранжирования.
  • US8521725B1
  • 2013-08-27

  • Поведенческие сигналы

  • SERP

  • Семантика и интент

Как Google использует контент вокруг ссылок (вне анкора) для генерации «Синтетического Описательного Текста» и ранжирования вашего сайта
Google может генерировать «Синтетический Описательный Текст» для страницы, анализируя контент и структуру сайтов, которые на нее ссылаются. Система создает структурные шаблоны для извлечения релевантного текста (например, заголовков или абзацев рядом со ссылкой), который затем используется как мощный сигнал ранжирования. Этот механизм позволяет лучше понять содержание страницы, особенно если традиционный анкорный текст низкого качества или отсутствует.
  • US9208233B1
  • 2015-12-08

  • Ссылки

  • Семантика и интент

  • Индексация

Как Google решает, показывать ли промежуточную страницу (превью) или направлять пользователя сразу на сайт при клике в Поиске по картинкам
Google анализирует, насколько хорошо веб-страница представляет выбранное изображение («image-centricity»). Если изображение на странице качественное, заметное и удовлетворяет интент пользователя (на основе статических и поведенческих данных), Google направляет трафик из Поиска по картинкам напрямую на сайт. В противном случае, Google показывает промежуточный экран (Image Overlay).
  • US9135317B2
  • 2015-09-15

  • Поведенческие сигналы

  • Мультимедиа

  • Семантика и интент

Как Google использует цепочки запросов и время взаимодействия для определения и ранжирования результатов, которые действительно нужны пользователям
Google анализирует последовательности запросов пользователей (цепочки запросов) и время между кликами и последующими запросами (время взаимодействия), чтобы определить удовлетворенность пользователя. Если пользователи часто переформулируют Запрос А в Запрос Б, прежде чем найти удовлетворительный результат, Google использует эти данные, чтобы ранжировать этот удовлетворительный результат выше по исходному Запросу А и предлагать Запрос Б в качестве связанного поиска.
  • US9342600B1
  • 2016-05-17

  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Как Google создает и наполняет Панели Знаний (Knowledge Panels), используя шаблоны сущностей и популярность фактов
Google использует систему для отображения Панелей Знаний (Knowledge Panels) рядом с результатами поиска. Когда запрос относится к конкретной сущности (человеку, месту, компании), система выбирает соответствующий шаблон и наполняет его контентом из разных источников. Выбор фактов для отображения основан на том, как часто пользователи искали эту информацию в прошлом.
  • US9268820B2
  • 2016-02-23

  • Knowledge Graph

  • SERP

  • Семантика и интент

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

  • Антиспам

  • Ссылки

  • Техническое SEO

Как Google использует поведение пользователей для определения синонимичности фраз в запросах, связанных с сущностями
Google анализирует поведение пользователей (клики по результатам поиска), чтобы определить, означают ли разные фразы одно и то же, когда они связаны с одним типом сущности (например, «достопримечательности в <Город>» против «места для посещения в <Город>»). Если пользователи кликают на одни и те же документы для разных фраз, система считает эти фразы эквивалентными, что помогает Google понимать синонимы и улучшать результаты поиска.
  • US10073882B1
  • 2018-09-11

  • Семантика и интент

  • Поведенческие сигналы

Как Google снижает ценность ссылок между аффилированными сайтами для борьбы с линк-схемами
Google использует модификацию алгоритмов расчета качества (типа PageRank), которая учитывает аффилированность между ссылающимися документами. Если система определяет, что сайты связаны (например, принадлежат одному владельцу, находятся в одной сети или имеют схожие паттерны трафика), ценность ссылок между ними агрессивно снижается. Вместо суммирования веса всех ссылок система учитывает только максимальный вклад от аффилированной группы, нейтрализуя эффект линк-ферм и PBN.
  • US7783639B1
  • 2010-08-24

  • Ссылки

  • Антиспам

  • EEAT и качество

Как Google автоматически генерирует блоки "Связанные ссылки" и "Похожие запросы", анализируя контент страницы при загрузке
Патент описывает систему для динамической генерации виджетов связанных ссылок. При загрузке страницы система извлекает текст (заголовок, контент, запрос из реферера), определяет наиболее важные ключевые слова с помощью глобального репозитория (Keyword Repository), выполняет поиск по этим словам (часто в пределах того же домена) и отображает топовые результаты для улучшения навигации.
  • US9129009B2
  • 2015-09-08

  • Ссылки

  • Семантика и интент

  • Техническое SEO

Как Google идентифицирует экспертов на основе их активности и позволяет фильтровать выдачу по их контенту
Google использует систему для идентификации людей (членов социальной сети), тесно связанных с темой запроса, на основе их активности (посты, взаимодействия, репосты) и квалификации. Система отображает этих людей в специальных блоках (Display Areas) рядом с результатами поиска, позволяя пользователям просматривать их профили или фильтровать выдачу, чтобы увидеть только контент, созданный, одобренный или прокомментированный этими экспертами.
  • US9244985B1
  • 2016-01-26

  • EEAT и качество

  • Поведенческие сигналы

  • SERP