Система Google для выбора наилучшего ответа на фактические запросы. Она оценивает потенциальные ответы из разных источников и вычисляет «Оценку Поддержки» (Supported Score) на основе их согласованности. Факт отображается, только если он значительно превосходит противоречащие и несвязанные данные, обеспечивая высокую точность ответа.

Описание

Какую проблему решает

Патент решает проблему выбора наиболее достоверного ответа на фактический запрос, когда поисковая система агрегирует информацию из множества разнородных и потенциально ненадежных источников (например, интернета). Система сталкивается с противоречивыми, двусмысленными или неточными данными. Изобретение предлагает механизм для оценки достоверности фактов и выбора наилучшего из них на основе уровня его подтверждения (corroboration) независимыми источниками.

Что запатентовано

Запатентована система и метод выбора наилучшего ответа на фактический запрос (Factual Query). Система рассчитывает для потенциальных ответов Supported Score (Оценку Поддержки), которая агрегирует баллы исходного ответа и баллы других ответов, подтверждающих его. Затем система сравнивает наилучший ответ с противоречащими (Contradictory) и несвязанными (Unrelated) ответами, применяя строгие пороговые значения для принятия решения о показе факта пользователю.

Как это работает

Ключевым механизмом является процесс оценки и валидации консенсуса:

  • Поиск и Оценка: Система находит потенциальные ответы в Репозитории Фактов (Fact Repository) и присваивает им начальные оценки (Scores).
  • Расчет Поддержки (S): Для топовых ответов система находит подтверждающие ответы из независимых источников и вычисляет агрегированную Оценку Поддержки (Supported Score S).
  • Расчет Конфликтов (C и U): Система идентифицирует наиболее сильный противоречащий ответ и его оценку (C), а также наиболее сильный несвязанный ответ и его оценку (U).
  • Применение Порогов (Валидация): Ответ выбирается для показа, только если его оценка S превышает абсолютный порог (T), значительно превышает оценку противоречия (αC) и значительно превышает оценку несвязанности (βU).

Актуальность для SEO

Высокая. Механизмы, описанные в патенте, фундаментальны для работы систем, основанных на извлечении и верификации фактов, таких как Google Knowledge Graph и блоки с ответами (Featured Snippets). В контексте E-E-A-T и борьбы с дезинформацией, способность Google оценивать консенсус и достоверность фактов на основе множества источников остается критически важной.

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (85/100), особенно в контексте оптимизации сущностей (Entity Optimization) и E-E-A-T. Он демонстрирует, что Google не просто ищет факт, а ищет наиболее подтвержденный (corroborated) факт. Для SEO-специалистов это подчеркивает критическую важность обеспечения согласованности и точности фактической информации об их сущностях (бренде, продуктах, персонах) во всех авторитетных источниках в интернете.

Детальный разбор

Термины и определения

Contradictory Answer (Противоречащий ответ)
Ответ, у которого входные данные (Inputs, например, Объект и Атрибут) идентичны или очень похожи на рассматриваемый ответ, но выходные данные (Outputs, Значение) не похожи или не сравнимы.
Fact Repository (Репозиторий Фактов)
База данных, хранящая фактическую информацию, извлеченную из множества документов (источников). Информация организована в виде Объектов.
Factual Query (Фактический запрос)
Запрос пользователя, направленный на получение конкретного факта (например, "столица Польши").
Object (Объект)
Представление сущности или концепции в Fact Repository. Состоит из набора фактов (пар атрибут-значение).
Odds Space (Пространство шансов)
Математическое пространство, используемое для корректного суммирования оценок (вероятностей) при расчете Supported Score.
QA Type (Тип Вопроса-Ответа)
Классификация запроса, определяющая, какая информация ищется. Например, NA-V (Имя и Атрибут -> Значение).
Score (Оценка)
Начальная оценка качества потенциального ответа.
Source (Источник)
Документ (например, веб-страница), из которого был извлечен конкретный факт. Используется для определения независимости подтверждений.
Supported Score (S) (Оценка Поддержки)
Агрегированная оценка, которая объединяет начальную Score ответа и оценки всех подтверждающих его ответов (Supporting Answers). Ключевая метрика для оценки консенсуса.
Supporting Answer (Поддерживающий ответ)
Ответ, у которого входные и выходные данные идентичны или очень похожи на рассматриваемый ответ, и который происходит из другого источника.
Unrelated Answer (Несвязанный ответ)
Ответ, у которого входные данные не похожи или не сравнимы с рассматриваемым ответом.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает метод выбора ответа с фокусом на сравнение с противоречащими данными.

  1. Система получает фактический запрос и ищет в Fact Repository набор потенциальных ответов.
  2. Определяются оценки для этих ответов.
  3. Идентифицируется Первый ответ с наилучшей оценкой.
  4. Идентифицируется Второй ответ — это ответ с наилучшей оценкой среди тех, что противоречат (contradictory) Первому ответу.
  5. Генерируется ответ, включающий Первый ответ, ТОЛЬКО ЕСЛИ его оценка превышает предопределенный порог (T) И превышает оценку Второго ответа по крайней мере на первую предопределенную величину (margin, α).

Ядром этого пункта является условие: лучший ответ должен не просто быть хорошим, но и значительно превосходить лучший из противоречащих ему ответов.

Claim 6 (Независимый пункт): Описывает метод выбора ответа с фокусом на расчет Оценки Поддержки.

  1. Система идентифицирует набор потенциальных ответов и их оценки.
  2. Идентифицируются Первые ответы (топ-N) с лучшими оценками.
  3. Для каждого Первого ответа:
    • Идентифицируются Вторые ответы — те, что поддерживают (support) Первый ответ и отличны от него.
    • Определяется Supported Score путем математического комбинирования оценки Первого ответа и оценок Вторых ответов.
  4. Идентифицируется Третий ответ — тот, у которого наилучший Supported Score.
  5. Генерируется ответ, включающий Третий ответ, ТОЛЬКО ЕСЛИ его Supported Score удовлетворяет первому условию (например, превышает порог T).

Ядром этого пункта является механизм расчета Supported Score как способа количественной оценки степени подтверждения (corroboration) факта.

Где и как применяется

Изобретение применяется на этапах обработки фактических запросов, используя данные, собранные и структурированные на этапе индексирования.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит извлечение фактов из документов и их сохранение в Fact Repository. Также сохраняется информация об источниках (Sources) каждого факта и рассчитываются предварительные метрики качества фактов (например, confidence level, importance level).

QUNDERSTANDING – Понимание Запросов
Система анализирует входящий запрос, определяет, является ли он фактическим, классифицирует его (QA Type) и генерирует внутренние запросы к фактам (Fact Queries).

RANKING – Ранжирование (Поиск фактов)
Система ищет потенциальные ответы в Fact Repository. Основной механизм патента — расчет Supported Score, сравнение с противоречиями и выбор лучшего ответа — происходит на продвинутых стадиях ранжирования (L2/L3) для фактических данных. Это процесс выбора и валидации фактов.

METASEARCH – Метапоиск и Смешивание
Выбранный лучший ответ (если он прошел все пороги) передается системе смешивания для интеграции в поисковую выдачу, часто в виде специального блока (например, Featured Snippet или Knowledge Panel).

Входные данные:

  • Фактический запрос пользователя.
  • Данные из Fact Repository (Объекты, Атрибуты, Значения, Источники, Метрики фактов).

Выходные данные:

  • Единственный лучший ответ на запрос ИЛИ индикация того, что достоверный ответ не найден.

На что влияет

  • Специфические запросы: Наибольшее влияние на информационные запросы, предполагающие конкретный фактический ответ (даты, имена, определения, характеристики).
  • Конкретные типы контента: Влияет на отображение данных в Knowledge Panels, блоках с ответами (Featured Snippets) и других элементах выдачи, использующих структурированные факты из Fact Repository.
  • Конкретные ниши или тематики: Критически важно в YMYL-тематиках, где точность и подтвержденность (консенсус) фактов имеют первостепенное значение для обеспечения достоверности информации.

Когда применяется

  • Условия работы: Алгоритм активируется, когда система классифицирует запрос как фактический (Factual Query) и находит в Fact Repository один или несколько потенциальных ответов.
  • Триггеры активации: Необходимость выбора наилучшего ответа среди нескольких кандидатов, особенно когда они противоречат друг другу.
  • Цель применения: Гарантировать, что пользователю будет показан только тот ответ, в достоверности которого система максимально уверена на основе консенсуса независимых источников.

Пошаговый алгоритм

Процесс выбора лучшего ответа на фактический запрос.

Фаза 1: Инициализация и Расчет Поддержки

  1. Получение и обработка запроса: Система получает запрос и генерирует внутренние Fact Queries.
  2. Поиск и Первичная оценка: Fact Repository опрашивается, потенциальные ответы получают начальные оценки (Scores).
  3. Идентификация Топ-N ответов: Выбирается N ответов с наивысшими начальными оценками.
  4. Расчет Оценки Поддержки (S): Для каждого из Топ-N ответов:
    1. Идентифицируются Supporting Answers (схожие ответы из независимых источников).
    2. Начальные оценки ответа и его поддержки конвертируются в пространство шансов (odds space):

Выводы

  1. Консенсус как фактор достоверности: Патент демонстрирует, что Google полагается на консенсус (corroboration) между независимыми источниками для верификации фактов. Supported Score является количественным выражением этого консенсуса. Единичный факт, даже из хорошего источника, может проиграть факту, подтвержденному многократно.
  2. Независимость источников критична: Система специально исключает подтверждающие ответы, если они происходят из того же источника. Это подчеркивает важность разнообразия и независимости данных для подтверждения факта.
  3. Активное подавление противоречий: Наличие сильных противоречащих ответов (высокий C) активно препятствует выбору факта. Чтобы факт был показан, он должен значительно превосходить противоречия (S ≥ αC). При наличии значительных разногласий Google предпочтет не показывать ответ вообще.
  4. Приоритет точности над полнотой: Система применяет строгие пороги (T, α, β) и предпочтет не показать ответ (Precision), чем показать ответ с низкой уверенностью или при наличии значительных противоречий (Recall).
  5. Важность точности и типизации данных: При сравнении ответов система учитывает типы данных (числа, даты, строки), применяя разные критерии схожести. Это подчеркивает важность точного и структурированного представления информации.

Практика

Best practices (это мы делаем)

  • Обеспечение Согласованности Данных (Data Consistency): Критически важно обеспечить, чтобы ключевые факты о вашей сущности (компании, продукте, персоне) были абсолютно согласованы на всех авторитетных платформах (официальный сайт, Википедия, отраслевые каталоги, GMB, социальные профили). Это напрямую увеличивает Supported Score (S), так как данные из разных источников будут классифицированы как Supporting Answers.
  • Использование Структурированных Данных (Schema.org): Размечайте ключевые факты на своем сайте. Это облегчает извлечение данных в Fact Repository и упрощает процесс сравнения полей (Атрибут, Значение), делая ваш сайт надежным источником для подтверждения фактов.
  • Мониторинг и Исправление Противоречий (C): Активно отслеживайте фактическую информацию о вашей сущности в интернете. При обнаружении неверных данных на сторонних ресурсах (высокий C), необходимо работать над их исправлением. Снижение C увеличивает шансы на показ корректного факта (условие S ≥ αC).
  • Повышение Авторитетности Ресурса (E-E-A-T): Работайте над тем, чтобы ваш сайт считался надежным источником. Вероятно, что метрики уверенности (confidence level) факта, используемые в начальной оценке (Score), коррелируют с авторитетностью источника.
  • Точность и Стандартизация Форматов: Используйте точные данные и стандартные форматы (например, ISO для дат). Поскольку система использует строгие правила сравнения для разных типов данных, точность повышает вероятность того, что ответы будут классифицированы как "identical" или "very similar".

Worst practices (это делать не надо)

  • Несогласованность Информации: Разные даты основания компании, разные характеристики продукта или противоречивые биографические данные на разных ресурсах. Это снижает S и повышает C, что может привести к исчезновению информации из Knowledge Graph или Featured Snippets.
  • Искусственное Создание Подтверждений (Astroturfing/PBN): Создание множества сайтов-сателлитов с одинаковой информацией для имитации консенсуса. Патент указывает, что подтверждающие ответы должны быть из разных источников. Google, вероятно, способен консолидировать источники, принадлежащие одному владельцу, и рассматривать их как один источник.
  • Игнорирование Неточностей на Сторонних Сайтах: Позволять существовать неверной информации о вашем бренде на авторитетных ресурсах опасно, так как это напрямую влияет на расчет Contradicting Score (C).

Стратегическое значение

Этот патент подтверждает стратегическую важность управления сущностями (Entity Management) и оптимизации Графа Знаний (Knowledge Graph Optimization). Он показывает механизм, лежащий в основе того, как Google формирует свое "понимание" мира и определяет достоверность фактов. Долгосрочная SEO-стратегия должна включать не только оптимизацию контента на сайте, но и управление фактическим присутствием бренда во всей экосистеме авторитетных источников для максимизации согласованности данных.

Практические примеры

Сценарий: Управление датой основания компании для Knowledge Graph

  1. Цель: Гарантировать, что в Knowledge Panel отображается корректная дата основания компании (например, 1998 год).
  2. Анализ ситуации: Поисковая система находит несколько ответов: 1998 (Официальный сайт, Википедия), 1999 (Старая статья в СМИ), 2001 (Ошибочный профиль в каталоге).
  3. Действия SEO-специалиста:
    • Убедиться, что на официальном сайте дата 1998 четко указана и размечена через Schema.org (foundingDate).
    • Проверить и при необходимости обновить профили в GMB, социальных сетях и авторитетных каталогах на 1998 год. (Увеличение S для 1998).
    • Связаться с редакцией СМИ и владельцем каталога с просьбой исправить данные с 1999 и 2001 на 1998. (Снижение C).
  4. Ожидаемый результат: Supported Score (S) для "1998" значительно возрастает. Contradicting Score (C) (сумма поддержки для 1999 и 2001) снижается. Соотношение S/C превышает порог α, и Google уверенно выбирает 1998 год для отображения.

Вопросы и ответы

Как этот патент влияет на работу с Knowledge Graph и Featured Snippets?

Он напрямую описывает механизм, который Google использует для выбора и валидации фактов, отображаемых в этих блоках. Если система находит несколько вариантов факта (например, дату рождения персоны), она вычисляет Supported Score для каждого варианта. Если ни один из вариантов не достигает нужного порога уверенности или если существует сильное противоречие, Google может вообще не показать этот факт.

Что важнее: иметь факт на своем сайте или чтобы он был подтвержден на других сайтах?

Оба аспекта важны, но патент подчеркивает критичность подтверждения (corroboration). Факт с вашего сайта получает начальную оценку (Score), но для достижения высокого Supported Score необходимо, чтобы этот же факт присутствовал на других независимых источниках. Без внешнего подтверждения вероятность отображения факта в выдаче снижается.

Что делать, если авторитетный источник (например, СМИ) публикует неверный факт о моем бренде?

Это серьезная проблема, так как она создает сильный Contradictory Answer (высокий C). Необходимо немедленно связаться с источником и добиться исправления информации. Пока противоречие существует, вероятность того, что Google выберет правильный факт, снижается из-за строгого требования S ≥ αC.

Учитывает ли система авторитетность источников при расчете Supported Score?

Патент явно не говорит об авторитетности домена как факторе, но указывает, что факты имеют метрики, такие как confidence level (уровень уверенности), которые используются при расчете начальной Score. Логично предположить, что факты, извлеченные из более авторитетных (E-E-A-T) источников, получают более высокий confidence level и, следовательно, вносят больший вклад в итоговый Supported Score.

Могу ли я создать 10 сайтов-сателлитов, чтобы подтвердить нужный мне факт?

Это неэффективно. Патент явно указывает, что подтверждающие ответы (Supporting Answers) должны происходить из разных источников. Ответы из одного источника игнорируются при расчете поддержки. Google, вероятно, способен определить аффилированность сайтов и рассматривать их как единый источник в контексте этого алгоритма.

Как система определяет, что два ответа поддерживают друг друга?

Система выполняет попарное сравнение полей ответов (Имя, Атрибут, Значение), учитывая тип данных. Ответы считаются поддерживающими, если их входные данные (Inputs) и выходные данные (Outputs) классифицируются как "идентичные" или "очень похожие", и они происходят из разных источников.

Почему Google иногда показывает очевидно неверные факты в Featured Snippets?

Это может произойти, если в Fact Repository существует сильный консенсус вокруг неверного факта (высокий S), и при этом отсутствуют авторитетные источники, которые бы его опровергали (низкий C). Если S проходит все пороги (T, αC, βU), система выберет его, даже если он объективно неверен. Это подчеркивает зависимость системы от качества данных в источниках.

Что такое преобразование в пространство шансов (odds space conversion) и зачем оно используется?

Это математический метод для корректной агрегации вероятностей из разных источников. Он позволяет суммировать уровни уверенности (начальные оценки) для расчета итоговой Supported Score. Использование формул x=s/(1-s) и обратного преобразования гарантирует, что итоговая оценка корректно отражает совокупную уверенность системы в факте.

Какова роль Unrelated Score (U) в этом алгоритме?

Unrelated Score (U) представляет оценку лучшего ответа, который не связан с рассматриваемым (имеет другие входы). Проверка S ≥ βU нужна для того, чтобы убедиться, что система правильно интерпретировала интент запроса и что выбранный ответ значительно более релевантен, чем другие найденные факты (шум или альтернативные интерпретации).

Насколько точными должны быть данные для их совпадения?

Патент указывает, что требования к точности зависят от типа данных. Для строк допускается некоторая вариативность ("очень похожи"). Для чисел правила строже: малые целые числа должны совпадать точно, тогда как для больших чисел или чисел с плавающей запятой может допускаться совпадение в пределах определенного процента.

Похожие патенты

Как Google находит ответы на фактологические вопросы, анализируя консенсус сущностей в топе поисковой выдачи
Google использует этот механизм для автоматического ответа на фактологические вопросы путем анализа неструктурированного текста топовых результатов поиска. Система определяет, какая сущность (например, человек, место) чаще всего упоминается на авторитетных страницах. Эта наиболее часто упоминаемая сущность, с учетом нормализации частоты и веса источника, выбирается в качестве ответа.
  • US9477759B2
  • 2016-10-25

  • Семантика и интент

  • Индексация

  • Knowledge Graph

Как Google использует результаты веб-поиска для выбора правильного ответа на неоднозначные фактические запросы
Google использует этот механизм для разрешения неоднозначности в запросах (например, «возраст Вашингтона»). Система генерирует несколько потенциальных ответов из Knowledge Graph, а затем проверяет, какой из них лучше всего подтверждается топовыми результатами органического поиска. Оценка кандидата зависит от того, насколько часто и уверенно Сущность (Topic) и Ответ (Answer) упоминаются (аннотируются) на страницах в топе выдачи.
  • US9336269B1
  • 2016-05-10

  • Семантика и интент

  • Knowledge Graph

  • SERP

Как Google извлекает и ранжирует прямые ответы (Featured Snippets) из веб-страниц
Google использует систему для ответов на вопросы пользователей путем извлечения конкретных предложений из результатов поиска. Система оценивает предложения-кандидаты по трем критериям: насколько часто похожие фразы встречаются в других результатах (консенсус), насколько предложение соответствует запросу (релевантность) и насколько авторитетен источник (ранг документа). Лучшие ответы отображаются над стандартными результатами поиска.
  • US8682647B1
  • 2014-03-25

  • SERP

  • Семантика и интент

Как Google находит фактические ответы, начиная с потенциальных ответов и связывая их с запросами пользователей (Reverse Question Answering)
Google использует метод «обратного ответа на вопрос» для эффективного поиска фактов. Вместо глубокого анализа запроса система начинает с идентификации потенциальных ответов (например, дат, измерений) в индексе. Затем она определяет, для каких запросов эти ответы релевантны, анализируя, какие документы высоко ранжируются и получают клики по этим запросам. Это позволяет точно сопоставлять факты с разнообразными формулировками вопросов.
  • US9116996B1
  • 2015-08-25

  • Поведенческие сигналы

  • Семантика и интент

Как Google решает, показывать ли прямой ответ, анализируя частоту использования естественного языка в исторических запросах о факте
Google анализирует исторические данные о том, как пользователи ищут конкретный факт. Если они часто используют естественный язык (например, «какая высота у Эйфелевой башни»), система считает, что пользователи действительно ищут этот факт. На основе этого рассчитывается «Оценка поиска фактов» (Fact-Seeking Score). Эта оценка используется как сигнал ранжирования, чтобы решить, нужно ли показывать прямой ответ (Factual Answer) и насколько высоко его разместить в результатах поиска.
  • US9396235B1
  • 2016-07-19

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Популярные патенты

Как Google масштабирует расчет кратчайших путей в графе ссылок от авторитетных сайтов («Seed Nodes»)
Патент описывает инфраструктуру Google для распределенного вычисления кратчайших путей в огромных графах, таких как веб-граф. Система позволяет эффективно и отказоустойчиво рассчитывать расстояние от любого узла до ближайших авторитетных «Seed Nodes». Это foundational технология, которая делает возможным применение алгоритмов ранжирования, основанных на анализе ссылочного графа и распространении авторитетности (например, типа TrustRank) в масштабах всего интернета.
  • US8825646B1
  • 2014-09-02

  • Ссылки

Как Google использует контекст пользователя для генерации неявных поисковых запросов и проактивного показа результатов
Система Google отслеживает контекст пользователя в реальном времени (набираемый текст, открытые документы, письма). На основе этого контекста автоматически генерируются множественные неявные запросы. Система объединяет результаты из разных источников (локальных и глобальных) и проактивно показывает их пользователю, используя поведенческие данные (клики) для улучшения релевантности.
  • US7664734B2
  • 2010-02-16

  • Поведенческие сигналы

  • Персонализация

  • Семантика и интент

Как Google использует клики и пропуски пользователей для оценки и корректировки правил близости терминов (Proximity Rules)
Google анализирует поведение пользователей для оценки эффективности правил близости (Proximity Rules), которые влияют на ранжирование в зависимости от расстояния между ключевыми словами на странице. Система отслеживает, кликают ли пользователи на результаты, где термины расположены далеко друг от друга, или пропускают их. На основе этих данных (Click Count, Skip Count) вычисляется оценка качества правила, что позволяет Google динамически адаптировать важность фактора близости.
  • US9146966B1
  • 2015-09-29

  • Поведенческие сигналы

  • SERP

Как Google использует визуальные цитаты и обратную связь для генерации и уточнения ответов в мультимодальном поиске
Google генерирует ответы на мультимодальные запросы (изображение + текст), находя визуально похожие изображения в интернете и используя текст с их исходных страниц как основу для LLM. Система показывает эти изображения как «визуальные цитаты» для подтверждения ответа и позволяет пользователям исключать нерелевантные источники, чтобы мгновенно уточнить сгенерированный результат.
  • US20240378236A1
  • 2024-11-14

  • Мультимедиа

  • EEAT и качество

  • Ссылки

Как Google персонализирует подсказки Autocomplete, анализируя запросы похожих пользователей и обновляя локальный кэш устройства
Google персонализирует подсказки Autocomplete (Search Suggest), анализируя поведение пользователей со схожими профилями (местоположение, интересы, история поиска). Система генерирует кастомизированное обновление для локального кэша устройства на основе запросов, введенных этими похожими пользователями. Это означает, что разные пользователи видят разные подсказки для одного и того же ввода.
  • US8868592B1
  • 2014-10-21

  • Персонализация

  • Поведенческие сигналы

  • Local SEO

Как Google использует вероятностные модели и анализ пользовательского выбора (кликов) для обучения систем ранжирования
Патент Google описывает метод эффективного ранжирования контента (видео или результатов поиска) с использованием парных сравнений. Система моделирует качество как вероятностное распределение и оптимизирует сбор данных. Этот механизм может применяться для интерпретации кликов в поисковой выдаче как сигналов предпочтения, учитывая позицию результата и доверие к пользователю.
  • US8688716B1
  • 2014-04-01

  • SERP

  • Поведенческие сигналы

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 использует данные о поведении пользователей и длительность кликов для улучшения и переписывания поисковых запросов
Google использует систему для автоматического переписывания запросов пользователей. Система анализирует миллионы прошлых поисковых сессий, чтобы определить, как пользователи уточняли свои запросы и насколько они были удовлетворены результатами (измеряя длительность кликов). На основе этого рассчитывается «Ожидаемая полезность» (Expected Utility) для предложенных вариантов запросов, что позволяет Google предлагать пользователю те формулировки, которые с наибольшей вероятностью приведут к качественному ответу.
  • US7617205B2
  • 2009-11-10

  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Как Google агрегирует, оценивает и ранжирует комментарии, отзывы и упоминания о веб-странице из разных источников
Google собирает комментарии, отзывы и посты в блогах, относящиеся к определенной веб-странице. Система использует сложные алгоритмы для определения основной темы упоминаний (особенно если в них несколько ссылок) и ранжирует эти комментарии на основе авторитетности автора, свежести, качества языка и обратной связи пользователей, чтобы представить наиболее полезные мнения.
  • US8745067B2
  • 2014-06-03

  • EEAT и качество

  • Свежесть контента

  • Семантика и интент

Как Google выбирает Sitelinks, анализируя визуальное расположение и структуру DOM навигационных меню
Google использует механизм для генерации Sitelinks путем рендеринга страницы и анализа DOM-структуры. Система определяет визуальное расположение (координаты X, Y) гиперссылок и группирует их на основе визуальной близости и общих родительских элементов. Sitelinks выбираются исключительно из доминирующей группы (например, главного меню), а ссылки из других групп игнорируются.
  • US9053177B1
  • 2015-06-09

  • SERP

  • Ссылки

  • Структура сайта