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

Как Google позволяет пользователям настраивать формат отображения результатов в поиске по товарам (Grid View vs List View)

METHOD AND APPARATUS FOR OUTPUT OF SEARCH RESULTS (Метод и устройство для вывода результатов поиска)
  • US8006197B1
  • Google LLC
  • 2003-09-29
  • 2011-08-23
  • Google Shopping
  • SERP
  • Описание
  • Разбор
  • Выводы
  • Практика
  • FAQ
  • Похожие

Google использует систему для повышения эффективности оценки результатов в поиске по товарам. Пользователям предоставляется возможность выбора формата отображения выдачи (например, сетка или список) и настройки типа информации (cues), отображаемой для каждого товара (например, изображение, цена, описание). Это позволяет адаптировать выдачу под конкретные задачи пользователя, например, для быстрого визуального сравнения товаров.

Описание

Какую проблему решает

Патент решает проблему неэффективности и отсутствия гибкости стандартного формата отображения результатов поиска, который традиционно представляет собой вертикальный список (list view). В контексте специализированных поисковых систем, особенно поиска по товарам (в патенте упоминается Froogle), этот формат может быть неоптимальным. Он часто содержит избыточную информацию для конкретной задачи пользователя (например, текстовые описания, когда пользователю нужно только изображение) и ограничивает количество результатов на экране, замедляя оценку релевантности.

Что запатентовано

Запатентована система и метод для генерации и отображения результатов поиска, предоставляющие пользователю гибкость в выборе формата вывода. Изобретение позволяет переключаться между различными предопределенными форматами (views), такими как стандартный список (List View) и многоколоночная сетка (Grid View). Кроме того, система позволяет пользователю настраивать (customize), какой тип информации, или «сигналов» (cues), должен отображаться для каждого результата в выбранном формате.

Как это работает

Система работает на уровне представления данных. В контексте поиска по товарам механизм позволяет:

  • Предоставление форматов: Система предлагает несколько форматов отображения, в частности List View (одна колонка, детальная информация) и Grid View (несколько колонок, компактная информация).
  • Дифференциация Cues: Для разных форматов может отображаться разный набор cues. Например, в List View может отображаться изображение, заголовок и подробное описание (detailed text descriptor), а в Grid View — только изображение и заголовок/цена (high level text descriptor), что экономит место.
  • Пользовательский выбор и настройка: Согласно основному пункту формулы изобретения (Claim 1), система получает запрос вместе с двумя отдельными предпочтениями пользователя: по формату вывода и по отображаемым cues. Выдача генерируется в соответствии с этими настройками.

Актуальность для SEO

Высокая для E-commerce и Google Shopping. Патент описывает фундаментальные принципы пользовательского интерфейса для поиска по товарам, которые используются до сих пор. Возможность переключения между видами и адаптация отображаемой информации (cues) для визуального сравнения товаров являются ключевыми элементами современных платформ электронной коммерции и агрегаторов товаров.

Важность для SEO

Влияние на традиционное органическое SEO минимально, так как патент фокусируется на интерфейсе специализированного поиска по товарам (Product Search), а не на алгоритмах ранжирования. Однако для SEO в E-commerce и оптимизации под Google Shopping патент имеет важное значение (6/10). Он подчеркивает, что разные элементы данных о товаре (cues) имеют разный приоритет в зависимости от формата отображения. Это требует тщательной оптимизации ключевых атрибутов фида (изображений, заголовков, цен), чтобы обеспечить максимальную видимость и привлекательность товара (и, соответственно, CTR) как в компактном (Grid), так и в детальном (List) виде.

Детальный разбор

Термины и определения

Cues (Сигналы, Подсказки)
Элементы информации, отображаемые вместе с результатом поиска, чтобы помочь пользователю оценить его релевантность. В контексте поиска по товарам это могут быть изображения, цена, название продавца, краткое или подробное описание.
Detailed Text Descriptor (Подробный текстовый дескриптор)
Подробное описание результата, часто включающее сниппет (snippet) с текстом, релевантным запросу. Пример cue.
Grid View (Вид сетки)
Формат отображения результатов поиска в виде двух или более колонок. Часто используется для показа более компактной информации и большего количества результатов на одной странице.
High Level Text Descriptor (Высокоуровневый текстовый дескриптор)
Краткое описание результата, которое может включать категорию товара, бренд, модель, название продавца и цену. Пример cue.
List View (Вид списка)
Стандартный формат отображения результатов поиска в виде одной вертикальной колонки. Традиционно включает более подробные cues.
Product Search Engine (Поисковая система по товарам)
Специализированная поисковая система (например, Froogle, упомянутый в патенте), которая возвращает ссылки на документы, связанные с товарами.
Relevance Ranking (Ранжирование по релевантности)
Порядок сортировки результатов поиска, основанный на оценке их соответствия запросу.

Ключевые утверждения (Анализ Claims)

Патент фокусируется исключительно на интерфейсе и представлении результатов поиска по товарам, а не на механизмах определения релевантности.

Claim 1 (Независимый пункт): Описывает метод генерации результатов поиска по товарам с возможностью пользовательской настройки отображения.

  1. Система получает пользовательский product search query (запрос по товарам).
  2. Одновременно система получает first user selection (первый выбор пользователя) — выбор формата вывода из нескольких вариантов (включая Grid View и List View).
  3. Система также получает second user selection (второй выбор пользователя) — выбор одного или нескольких cues, которые пользователь хочет видеть (выбранных из множества доступных cues разных типов медиа). Выбор формата и выбор cues — это отдельные действия пользователя.
  4. В ответ на получение запроса И обоих выборов пользователя, система выполняет поиск по товарам.
  5. Система получает результаты поиска (набор товаров).
  6. Система генерирует инструкции для отображения результатов на странице: отображаются только выбранные пользователем cues, в выбранном пользователем формате, и результаты упорядочены согласно relevance ranking.
  7. Уточняется, что Grid view состоит из ячеек (cells), и каждая ячейка отображает информацию о выбранных cues одного товара.

Claim 2 (Зависимый от 1): Уточняет, что система генерирует first set of cues для одного формата вывода и second set of cues для другого формата вывода. Это подтверждает, что разные форматы (Views) могут отображать разный объем информации для одного и того же товара.

Claims 3-7 (Зависимые): Детализируют типы cues и медиа. Cues могут быть текстом, усеченной версией текста (Claim 4), изображением (Claim 5), аудио (Claim 6).

Где и как применяется

Изобретение применяется на финальном этапе обработки поискового запроса, на уровне представления данных пользователю, и специфично для поиска по товарам (Product Search).

QUNDERSTANDING – Понимание Запросов
Согласно Claim 1, на этом этапе система должна обработать не только сам текстовый запрос, но и сопутствующие параметры, заданные пользователем: выбор формата отображения (first user selection) и выбор отображаемых данных (second user selection).

RANKING / RERANKING – Ранжирование и Переранжирование
Патент не описывает процесс ранжирования, но использует его результаты. Система получает упорядоченный список товаров на основе relevance ranking.

Презентационный слой (После RERANKING)
Это основной этап применения патента. Компонент вывода результатов поиска принимает упорядоченный список результатов и пользовательские предпочтения. Затем он генерирует инструкции для отображения страницы результатов поиска (SERP).

  • Если выбран List View, результаты форматируются в одну колонку с соответствующим набором cues.
  • Если выбран Grid View, результаты форматируются в несколько колонок (ячеек), также с соответствующим (возможно, более компактным) набором cues.

Входные данные:

  • Запрос пользователя по товарам (product search query).
  • Выбор формата отображения (first user selection).
  • Выбор отображаемых данных/cues (second user selection).
  • Список результатов поиска, упорядоченный по релевантности.
  • Данные о товарах (атрибуты для формирования cues).

Выходные данные:

  • Инструкции для отображения страницы результатов поиска в заданном пользователем формате и с заданным набором данных.

На что влияет

  • Конкретные типы контента и ниши: Влияет исключительно на отображение результатов поиска по товарам (E-commerce, Google Shopping). Согласно формулировкам Claims, патент не распространяется на стандартный веб-поиск или другие вертикали, хотя в описании упоминается возможность применения в поиске новостей, музыки, изображений, видео.
  • Пользовательский опыт (UX): Напрямую влияет на то, как пользователи воспринимают и взаимодействуют с результатами поиска по товарам. Позволяет оптимизировать выдачу под разные сценарии использования (быстрый визуальный обзор в Grid View или детальное изучение в List View).

Когда применяется

Алгоритм применяется при каждом запросе к системе поиска по товарам, которая реализует описанный механизм.

  • Триггеры активации: Активация специфического формата и набора cues происходит на основе явного выбора пользователя (user selection), сделанного до или во время отправки запроса (согласно Claim 1). В альтернативных вариантах реализации система может использовать формат по умолчанию, предоставляя пользователю возможность переключиться позже.

Пошаговый алгоритм

Процесс обработки запроса с настройкой отображения (на основе Claims)

  1. Получение ввода: Система получает от пользователя три элемента: поисковый запрос по товарам, первый выбор (предпочитаемый формат вывода, например, Grid или List), и второй выбор (набор предпочитаемых cues, например, только изображение и цена).
  2. Выполнение поиска: В ответ на получение всех трех элементов ввода система выполняет поиск релевантных товаров.
  3. Ранжирование: Система определяет набор релевантных товаров и сортирует их на основе relevance ranking.
  4. Получение данных о товарах: Для топовых результатов извлекаются данные, необходимые для формирования cues.
  5. Фильтрация Cues: Для каждого результата система фильтрует доступные данные, оставляя только те cues, которые были выбраны пользователем (второй выбор).
  6. Форматирование вывода: Система генерирует инструкции для отображения отфильтрованных cues в соответствии с выбранным форматом (первый выбор).
    • Если Grid View: Данные размещаются в многоколоночной сетке. При необходимости текстовые данные могут быть усечены (Claim 4).
    • Если List View: Данные размещаются в одной колонке.
  7. Отображение результатов: Сформированная страница результатов поиска предоставляется пользователю.

Какие данные и как использует

Патент не описывает данные, используемые для ранжирования, а фокусируется на данных, используемых для отображения результатов.

Данные на входе

  • Мультимедиа факторы: Изображения товаров (Picture или graphical descriptor). Упоминается возможность использования аудио и видео как cue.
  • Контентные и Структурные факторы (Данные о товарах):
    • High level text descriptor: Категория товара, бренд, модель, название продавца, цена.
    • Detailed text descriptor: Подробное описание товара, сниппет.
  • Пользовательские факторы: Явные предпочтения пользователя относительно формата вывода (first user selection) и набора отображаемых данных (second user selection).

Какие метрики используются и как они считаются

В патенте не упоминаются специфические метрики или формулы для расчета ранжирования или оценки качества отображения. Единственная используемая метрика — это внешний relevance ranking, который используется для сортировки результатов.

Выводы

  1. Фокус на UI/UX в поиске по товарам: Патент описывает не алгоритм ранжирования, а механизм гибкого представления результатов в специализированном поиске по товарам (Google Shopping/Froogle). Основная цель — повысить эффективность взаимодействия пользователя с выдачей.
  2. Кастомизация представления: Ключевым элементом изобретения является возможность пользователя выбирать как формат макета (List View vs Grid View), так и набор отображаемых данных (Cues) для каждого результата. Это два независимых выбора.
  3. Дифференциация Cues по форматам: Система предполагает, что разные форматы требуют разного уровня детализации. Grid View оптимизирован для быстрого визуального сканирования и показывает меньше cues (например, опуская подробное описание или усекая текст), в то время как List View предоставляет больше деталей.
  4. Приоритет ключевых атрибутов товара для SEO: Для SEO в E-commerce это означает, что атрибуты, отображаемые во всех форматах (включая компактный Grid View), имеют критическое значение для CTR. К ним относятся изображение (Picture) и высокоуровневый дескриптор (High level text descriptor — заголовок, цена).
  5. Зависимость от качества данных фида/микроразметки: Эффективность этого механизма напрямую зависит от полноты и качества данных о товарах, предоставляемых продавцами, так как именно из них формируются cues.

Практика

Best practices (это мы делаем)

Рекомендации применимы для оптимизации товарных фидов (Google Merchant Center) и SEO для E-commerce сайтов, участвующих в Google Shopping.

  • Оптимизация изображений (Критично для Grid View): Изображение является ключевым cue, особенно в формате сетки. Необходимо использовать высококачественные, четкие и информативные изображения товаров, которые привлекают внимание и точно передают суть продукта при быстром визуальном сканировании.
  • Оптимизация заголовков товаров (High Level Descriptor): Заголовки должны быть максимально информативными и краткими. Поскольку патент упоминает возможность усечения текста (Claim 4) и в Grid View подробное описание может быть скрыто, заголовок должен содержать ключевую информацию (бренд, модель, важные характеристики) в самом начале.
  • Обеспечение полноты и точности данных фида: Предоставляйте полные данные для всех потенциальных cues (цена, наличие, продавец). Цена является важным cue, отображаемым в большинстве форматов. Критически важно поддерживать актуальность данных.
  • Структурирование описаний товаров (Detailed Descriptor): Хотя подробное описание может не отображаться в Grid View, оно важно для List View и для общего ранжирования. Описания должны быть полными и информативными.

Worst practices (это делать не надо)

  • Использование низкокачественных или кликбейтных изображений: Это снижает эффективность в Grid View, где визуальная оценка доминирует.
  • Перегрузка заголовков ключевыми словами (Keyword Stuffing) или "Водой": Неинформативные, спамные или слишком длинные заголовки ухудшают читаемость High Level Descriptor и могут быть усечены, снижая вероятность клика в любом формате отображения.
  • Игнорирование оптимизации описаний: Полагаться только на заголовок и изображение опасно, так как многие пользователи могут предпочесть List View для детального анализа, где описание играет важную роль, и описания используются при ранжировании.

Стратегическое значение

Патент подтверждает, что Google рассматривает поиск по товарам как отдельную экосистему, требующую специализированных интерфейсных решений. Стратегическое значение для E-commerce заключается в понимании того, что представление товара в выдаче (визуальный мерчандайзинг) так же важно, как и его позиция. Оптимизация должна учитывать различные сценарии потребления контента пользователями — от быстрого сравнения цен и внешнего вида до глубокого изучения характеристик. Успех в Google Shopping требует комплексной работы над качеством всех элементов товарного фида.

Практические примеры

Сценарий: Оптимизация фида для продажи кроссовок в Google Shopping

  1. Анализ Cues: Определяем ключевые cues для кроссовок: Изображение, Бренд, Модель, Цвет, Цена.
  2. Оптимизация под Grid View (Компактный вид):
    • Изображение: Загружаем фото кроссовка в самом популярном цвете, на белом фоне, в высоком разрешении, чтобы оно выделялось в сетке.
    • Заголовок (High Level Descriptor): Формируем заголовок так, чтобы он не усекался: "Кроссовки Nike Air Max 270 Черные Мужские".
    • Цена: Указываем актуальную цену через фид.
  3. Оптимизация под List View (Детальный вид):
    • Описание (Detailed Descriptor): Добавляем подробное описание, начиная с преимуществ: "Легкие мужские кроссовки Nike Air Max 270 с самой большой вставкой Air... Материалы... Технологии..."
  4. Ожидаемый результат: В Grid View товар привлекает внимание качественным фото и четким заголовком, обеспечивая высокий CTR при визуальном поиске. В List View товар предоставляет достаточно информации для принятия решения о покупке.

Вопросы и ответы

Влияет ли этот патент на ранжирование в органическом поиске?

Нет, этот патент не влияет на алгоритмы ранжирования ни в основном веб-поиске, ни в поиске по товарам. Он описывает исключительно механизмы пользовательского интерфейса (UI) для отображения уже отранжированных результатов. В патенте используется существующий relevance ranking только для сортировки результатов.

К каким вертикалям поиска применим этот патент?

Согласно независимым пунктам формулы изобретения (Claims 1 и 8), патент строго ограничен обработкой product search query (запросов по товарам). Хотя описанные идеи (переключение видов) могут применяться и в других вертикалях (например, Поиск Картинок), юридическая защита этого патента распространяется только на поиск по товарам (Google Shopping/Froogle).

Что такое Cues и почему они важны для SEO в E-commerce?

Cues — это элементы информации о товаре, отображаемые в результатах поиска (изображение, цена, заголовок, описание). Они критически важны, так как формируют первое впечатление о товаре и влияют на CTR. Поскольку в разных форматах (Grid View vs List View) отображается разный набор cues, необходимо оптимизировать их все, чтобы товар был привлекательным в любом виде.

Какие элементы товара наиболее важны в контексте этого патента?

Наиболее важны те элементы, которые отображаются в самом компактном виде (Grid View). В примере патента это Изображение (Picture) и Высокоуровневый дескриптор (High Level Text Descriptor), включающий заголовок, цену и продавца. Эти элементы должны быть максимально оптимизированы для привлечения внимания.

Означает ли этот патент, что подробные описания товаров больше не нужны?

Нет, не означает. Во-первых, подробные описания (Detailed Text Descriptor) используются для ранжирования товаров. Во-вторых, они отображаются в формате List View, который многие пользователи предпочитают для детального изучения товара. Игнорирование описаний негативно скажется как на ранжировании, так и на конверсии.

Как система определяет, какие Cues показывать в Grid View, а какие в List View?

Патент описывает два варианта. В основном варианте (согласно Claims) пользователь сам выбирает, какие cues он хочет видеть. В альтернативном варианте система имеет предопределенные наборы cues для каждого формата. Например, система может быть настроена так, чтобы в Grid View всегда опускать подробное описание для экономии места.

Может ли пользователь полностью настроить внешний вид выдачи?

Да, согласно патенту, предусмотрен механизм кастомизации. Пользователь может выбрать формат макета (например, Grid View) и независимо от этого выбрать, какие типы данных (текст, изображение, аудио) должны отображаться для каждого результата. Согласно Claim 1, эти настройки применяются до выполнения поиска.

Какова связь этого патента с Google Shopping?

Патент напрямую связан с Google Shopping. В иллюстрациях используется интерфейс "Froogle" — это предыдущее название Google Shopping. Описанные в патенте принципы (разные форматы отображения товарных объявлений, акцент на визуальную составляющую в Grid View) лежат в основе современного интерфейса Google Shopping.

Как использовать этот патент при оптимизации товарного фида?

Необходимо обеспечить высокое качество всех атрибутов фида, уделяя особое внимание тем, которые служат cues. Проверьте, как ваши товары выглядят в различных форматах отображения в Google Shopping. Убедитесь, что изображения качественные, а заголовки информативны даже в усеченном виде (учитывая возможность Truncation из Claim 4).

Актуален ли этот патент, учитывая его возраст (подача в 2003 году)?

Да, патент остается актуальным для E-commerce. Хотя интерфейсы эволюционировали, базовая концепция предоставления различных форматов отображения (компактного и детального) для поиска по товарам остается стандартом индустрии. Патент описывает фундаментальные UI-решения этой задачи.

Похожие патенты

Как Google визуализирует результаты поиска на многомерном графике для сравнения релевантности и других характеристик (например, цены)
Патент Google, описывающий метод представления результатов поиска в виде многомерного графика. Вместо стандартного списка система отображает результаты (например, в виде иконок или миниатюр) на графике, где одна ось представляет релевантность запросу, а другая — альтернативную характеристику, такую как цена, дата публикации или географическое расстояние. Это позволяет пользователю визуально оценить компромисс между разными параметрами сортировки.
  • US7660822B1
  • 2010-02-09
  • SERP

Как Google меняет формат выдачи в вертикальном поиске на основе уверенности в интенте и какие факторы использует для оценки качества
Google использует механизм адаптации интерфейса в вертикальном поиске (например, Google Books или Shopping). Если система уверена, что результат №1 значительно релевантнее №2, он отображается заметно крупнее. Патент детализирует факторы оценки качества объекта (Quality Information), такие как репутация автора/бренда, продажи, внешнее признание и ссылочный вес связанных веб-сайтов, что дает ключевые инсайты для E-E-A-T.
  • US9141674B2
  • 2015-09-22
  • EEAT и качество

  • Семантика и интент

  • SERP

Как Google генерирует визуальные превью страниц в выдаче, используя "разрывы страницы" и масштабирование релевантного контента
Google использует систему для создания визуальных превью страниц (Page Previews) в результатах поиска. Система оценивает релевантность контента, учитывая близость ключевых слов и тип контента (например, пессимизируя сноски). Для показа наиболее важных, но разрозненных участков используются "разрывы страницы" (Page Tears). Ключевой контент также может отображаться в увеличенном масштабе для читаемости, помогая пользователю оценить формат страницы до клика.
  • US8954427B2
  • 2015-02-10
  • SERP

  • Семантика и интент

Как Google использует CTR и разницу в оценках релевантности для визуального выделения доминирующего результата в выдаче
Google может визуально выделять результат поиска (например, с помощью миниатюры страницы), если система уверена, что это именно то, что ищет пользователь. Эта уверенность основана на значительном превосходстве результата над всеми остальными по показателям CTR (Click-Through Rate) и/или оценке релевантности (Relevance Score).
  • US7836391B2
  • 2010-11-16
  • SERP

  • Поведенческие сигналы

Как Google разделяет результаты поиска товаров на основе источника и надежности данных (фиды vs. извлечение)
Google разделяет результаты поиска товаров на группы в зависимости от источника данных. Информация, полученная напрямую от продавцов через фиды (Vendor Feeds), считается более достоверной. Информация, автоматически извлеченная (Extracted) с веб-страниц, считается менее надежной. Эти группы визуально разделяются на странице выдачи (например, в Google Shopping), чтобы указать пользователю на разницу в надежности данных.
  • US7647300B2
  • 2010-01-12
  • Google Shopping

  • SERP

  • EEAT и качество

Популярные патенты

Как Google индексирует контент внутри мобильных приложений для показа в результатах поиска (App Indexing)
Google использует механизм для индексации контента, который пользователи просматривают в нативных мобильных приложениях. Система получает данные о просмотренном контенте и deep links напрямую от приложения на устройстве. Эта информация сохраняется в индексе (персональном или публичном) и используется для генерации результатов поиска, позволяя пользователям переходить к контенту внутри приложений напрямую из поисковой выдачи.
  • US10120949B2
  • 2018-11-06
  • Индексация

  • SERP

  • Персонализация

Как Google собирает и структурирует данные о поведении пользователей в Поиске по картинкам (включая ховеры, клики и 2D-позицию)
Патент Google описывает инфраструктуру для детального сбора данных в Поиске по картинкам. Система фильтрует общие логи, фиксируя не только клики, но и наведение курсора (ховеры), длительность взаимодействия и точное 2D-расположение (строка/столбец) изображения на выдаче. Эти данные агрегируются в Модель Запросов Изображений для оценки релевантности.
  • US8898150B1
  • 2014-11-25
  • Поведенческие сигналы

  • SERP

  • Мультимедиа

Как Google генерирует связанные запросы (Related Searches), используя сущности из топовых результатов и сохраняя структуру исходного запроса
Google использует систему для автоматической генерации уточнений запросов (например, «Связанные запросы»). Система анализирует топовые документы в выдаче и извлекает из них ключевые сущности. Затем эти сущности комбинируются с важными терминами исходного запроса, при этом строго сохраняется исходный порядок слов, чтобы создать релевантные и естественно звучащие предложения для дальнейшего поиска.
  • US8392443B1
  • 2013-03-05
  • 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 добавляет текст существующих объявлений к сайтлинкам (Sitelinks) для повышения CTR
Google использует систему для автоматического улучшения сайтлинков в рекламных объявлениях. Система анализирует существующие текстовые объявления (креативы) рекламодателя и определяет их конечные целевые страницы, игнорируя параметры отслеживания. Затем она сопоставляет их с URL сайтлинков и добавляет наиболее релевантный и эффективный текст креатива к сайтлинку для повышения кликабельности (CTR).
  • US10650066B2
  • 2020-05-12
  • Ссылки

  • SERP

Как Google использует "ложные пропуски" (Fake Skips) для точной оценки качества своих правил синонимов
Google анализирует поведение пользователей для оценки качества синонимов, используемых при переписывании запросов. Патент вводит метрику "Fake Skip" (Ложный пропуск). Она фиксируется, если пользователь пропустил результат с синонимом, но кликнул на результат ниже, который также содержит этот синоним и исходный термин. Это позволяет точнее калибровать систему синонимов и не пессимизировать хорошие правила из-за неоднозначного поведения пользователей.
  • US8909627B1
  • 2014-12-09
  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Как Google использует крупномасштабное машинное обучение и данные о поведении пользователей для предсказания кликов и ранжирования результатов
Google использует систему машинного обучения для создания модели ранжирования, которая предсказывает вероятность клика пользователя по документу. Модель обучается на огромных массивах данных о прошлых поисках (запросы, документы, клики). Система учитывает базовую вероятность клика (Prior Probability), основанную на позиции и предыдущей оценке документа, а затем корректирует её с помощью правил, выявляющих, какие признаки (Features) документа и запроса влияют на выбор пользователя.
  • US7231399B1
  • 2007-06-12
  • Поведенческие сигналы

Как Google динамически формирует Панели Знаний, выбирая блоки информации на основе истории поисковых запросов пользователей
Google использует гибридный подход для создания структурированных страниц о сущностях (например, Панелей Знаний). Система анализирует исторические данные о том, что пользователи чаще всего ищут об этой сущности или её классе. На основе этого анализа динамически выбираются блоки информации (например, «Награды», «Саундтрек»), которые дополняют стандартный набор данных, позволяя автоматически адаптировать выдачу под актуальные интересы аудитории.
  • US10110701B2
  • 2018-10-23
  • Knowledge Graph

  • Поведенческие сигналы

  • Персонализация

Как Google использует данные о кликах пользователей (CTR и Click Ratio) для определения официального сайта по навигационным запросам
Google анализирует журналы запросов, чтобы определить, какой результат пользователи подавляюще предпочитают по конкретному запросу. Если результат демонстрирует исключительно высокий CTR и/или Click Ratio по популярному запросу, система помечает его как «авторитетную страницу». Затем этот результат может отображаться на выдаче с особым выделением, потенциально переопределяя стандартное ранжирование.
  • US8788477B1
  • 2014-07-22
  • Поведенческие сигналы

  • EEAT и качество

  • SERP

Как Google использует контент, который вы смотрите (например, на ТВ), для автоматического переписывания и персонализации ваших поисковых запросов
Google может анализировать контент (фильмы, шоу, аудио), который пользователь потребляет на одном устройстве (например, ТВ), и использовать эту информацию как контекст для уточнения последующих поисковых запросов. Система распознает аудиовизуальный контекст и автоматически дополняет неоднозначные запросы пользователя, чтобы предоставить более релевантные результаты, в том числе на связанных устройствах (например, смартфоне).
  • US9244977B2
  • 2016-01-26
  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

seohardcore