Google рассчитывает метрику «Webscore» для локальных компаний, основанную на количестве упоминаний их названия в интернете. Эта оценка используется для определения «Популярности» (Prominence) бизнеса и влияет на ранжирование в локальном поиске, часто отдавая предпочтение известным компаниям перед теми, что просто находятся ближе. Алгоритм учитывает длину названия и корректирует оценки для сетевых бизнесов.

Описание

Какую проблему решает

Патент решает проблему неоптимальности локальной поисковой выдачи, основанной исключительно на географической близости (Proximity). Такой подход может игнорировать важные или популярные компании, которые находятся чуть дальше, в пользу менее значимых, но более близких бизнесов. Цель изобретения — улучшить качество локального поиска путем интеграции сигналов популярности и важности (Prominence) бизнеса в алгоритм ранжирования.

Что запатентовано

Запатентована система и метод ранжирования локальных бизнес-листингов (business listings) с использованием метрики Webscore. Эта метрика рассчитывается на основе «веб-популярности» компании, определяемой количеством документов в интернете, упоминающих название (Title) этого бизнеса. Система использует Webscore как часть более комплексной оценки Location Prominence Score для определения позиции листинга в локальной выдаче.

Как это работает

Ключевой механизм — расчет Webscore. Система анализирует длину названия бизнеса.

  • Если название длинное или уникальное (превышает порог), выполняется поиск по названию в веб-индексе. Количество найденных документов становится базовым Webscore.
  • Если название короткое или общее (ниже порога), выполняется поиск по названию И городу, чтобы уточнить результаты.
  • Для сетевых компаний (Chains) общий Webscore делится на количество филиалов, чтобы избежать доминирования сети в выдаче (нормализация), но ближайший филиал может получить повышение (promote).
  • Итоговый Webscore масштабируется и интегрируется в Location Prominence Score вместе с другими факторами, такими как авторитетность сайта компании, количество цитирований (scraped page references) и отзывы.

Актуальность для SEO

Высокая. Концепция «Prominence» (Популярность/Известность) является одним из трех столпов локального ранжирования Google (Relevance, Distance, Prominence). Описанный в патенте механизм расчета популярности на основе веб-упоминаний (Webscore) и интеграции его с цитированиями и отзывами (Location Prominence Score) остается фундаментальной частью современных алгоритмов локального поиска, хотя конкретные методы могли эволюционировать.

Важность для SEO

Патент имеет критическое значение для стратегий локального SEO (Local SEO). Он предоставляет конкретное описание того, как Google измеряет офлайн-известность и онлайн-популярность бренда. Это напрямую влияет на тактики построения цитирования (Citation Building), управления репутацией (Review Management) и PR-активности. Понимание механизма Webscore необходимо для оптимизации фактора Prominence.

Детальный разбор

Термины и определения

Authority Page (Авторитетная страница)
«Лучший» веб-документ (например, официальный сайт или главная страница локации), идентифицированный как связанный с адресом бизнес-листинга.
Business Listing (Бизнес-листинг)
Запись о компании в базе данных локального поиска, содержащая название, адрес и другую информацию.
Location Prominence Score (Оценка популярности локации)
Комплексная метрика для ранжирования локальных результатов. Является линейной комбинацией нескольких факторов, включая Webscore, отзывы, цитирования и авторитетность сайта.
Raw Webscore (Базовая веб-оценка)
Исходное значение Webscore, обычно равное количеству документов в веб-индексе, которые соответствуют запросу (название бизнеса или название + город).
Scraped Page (Сканированная страница / Источник цитирования)
Внешний источник данных о бизнесе, такой как онлайн-каталоги, агрегаторы (например, CitySearch, SuperPages). Упоминания на таких страницах называются scraped page references (цитирования).
Search Ranking Value (Значение поискового ранжирования)
Метрика авторитетности веб-документа, используемая поисковой системой (в патенте упоминается пример "PageRank").
Webscore (Веб-оценка)
Метрика, отражающая популярность или важность бизнес-листинга на основе количества упоминаний его названия в интернете. Может быть базовой (Raw) или масштабированной (Scaled).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования локального поиска с использованием условного расчета Webscore.

  1. Система получает локальный поисковый запрос (термины + географический идентификатор).
  2. Идентифицируется локальный листинг и его название (Title).
  3. Система присваивает листингу Webscore, используя следующую логику:
    • Если размер (длина) названия больше порога: Webscore определяется количеством результатов поиска по этому названию.
    • Если размер названия меньше порога: Webscore определяется количеством результатов поиска по названию И географическому идентификатору (например, городу).
  4. Листинг ранжируется на основе присвоенного Webscore.

Claim 3 и 4 (Зависимые): Детализируют обработку сетевых компаний (Chains).

  1. Если идентифицировано несколько листингов с одинаковым названием.
  2. Webscore (количество результатов поиска) корректируется на основе количества этих листингов.
  3. Корректировка происходит путем деления общего количества результатов поиска на количество листингов с одинаковым названием (Нормализация).

Claim 5 (Зависимый): Описывает факторы, используемые для корректировки Webscore (или, как описано в патенте, для формирования Location Prominence Score).

Webscore корректируется на основе одного или нескольких из следующих факторов:

  • Search Ranking Value (например, PageRank) авторитетной страницы (Authority Page) листинга.
  • Наивысший Search Ranking Value любой страницы, ссылающейся на адрес листинга.
  • Количество страниц, ссылающихся на адрес листинга.
  • Количество цитирований (scraped page references).
  • Количество отзывов о листинге.
  • Финансовая информация о листинге.

Где и как применяется

Изобретение применяется в системе локального поиска (Local Search System) и затрагивает этапы индексирования и ранжирования.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основная работа по вычислению метрик. Система сканирует веб-корпус и источники цитирований (scraped pages). Для каждого бизнес-листинга рассчитываются и сохраняются Webscore и другие компоненты Location Prominence Score (авторитетность сайта, количество отзывов, количество цитирований). Это позволяет быстро использовать эти данные на этапе ранжирования.

RANKING – Ранжирование
Когда пользователь отправляет локальный запрос, система идентифицирует подходящие бизнес-листинги в заданном (или расширенном) географическом регионе. Для ранжирования этих листингов система использует предварительно рассчитанные Location Prominence Scores (которые включают Webscore). Это позволяет учитывать не только релевантность и дистанцию, но и популярность (Prominence) бизнеса.

Входные данные:

  • База данных бизнес-листингов (Название, Город, Адрес).
  • Индекс веб-документов (Web Corpus).
  • Данные из источников цитирования (Scraped pages).
  • Данные об отзывах.
  • Метрики авторитетности веб-страниц (Search Ranking Values).

Выходные данные:

  • Webscore (базовый и масштабированный) для каждого листинга.
  • Location Prominence Score для каждого листинга.
  • Отранжированный список локальных результатов.

На что влияет

  • Конкретные типы контента: Влияет исключительно на ранжирование бизнес-листингов в локальном поиске (например, Google Maps, Local Pack в основной выдаче).
  • Специфические запросы: Влияет на запросы с локальным интентом (явным, например, «пицца рядом со мной», или неявным, например, «ресторан»).
  • Конкретные ниши или тематики: Влияет на все ниши локального бизнеса. Особенно заметно в конкурентных нишах (рестораны, услуги), где разница в популярности может быть значительной.

Когда применяется

Алгоритм расчета Webscore применяется при выполнении определенных условий, связанных с характеристиками названия бизнеса:

  • Триггеры активации (Уточнение поиска): Если название бизнеса короткое или состоит из общих слов (не достигает порогового значения длины), система добавляет к запросу город для расчета Webscore. Это делается для повышения точности и избежания учета упоминаний других бизнесов с таким же названием.
  • Пороговые значения: В патенте упоминаются примеры порогов: 3 слова или 10 символов.
  • Триггеры активации (Корректировка для сетей): Если система идентифицирует несколько листингов с одинаковым названием в релевантном географическом регионе, активируется логика корректировки Webscore (деление общего скора на количество филиалов).

Пошаговый алгоритм

Процесс А: Расчет Webscore для листинга

  1. Определение длины названия: Система определяет количество слов или символов в названии (Title) бизнес-листинга.
  2. Проверка порога: Длина названия сравнивается с предустановленным порогом (например, 3 слова).
  3. Условное выполнение поиска:
    • Если порог превышен: Выполняется поиск документов в веб-индексе, используя только название листинга в качестве запроса.
    • Если порог не достигнут: Выполняется поиск документов, используя название листинга И город в качестве запроса.
  4. Определение базовой оценки: Количество найденных документов определяется как базовый Webscore (Raw Webscore).
  5. Масштабирование: Базовый Webscore масштабируется (например, с помощью логарифмической функции и весового коэффициента) для дальнейшего использования в ранжировании.

Процесс Б: Корректировка Webscore для сетевых компаний (Chains)

  1. Идентификация дубликатов: В ответ на локальный запрос система определяет, есть ли среди найденных листингов несколько записей с одинаковым названием бизнеса.
  2. Подсчет филиалов: Определяется общее количество (X) листингов с этим названием в релевантном географическом регионе.
  3. Расчет скорректированной оценки (Нормализация): Базовый Webscore для этого названия делится на количество филиалов (X). Эта скорректированная оценка присваивается каждому филиалу.
  4. Промоутирование одного листинга: Один из филиалов (например, ближайший к пользователю) может быть повышен в ранжировании (promote) и получить дополнительный балл к Webscore.

Процесс В: Расчет Location Prominence Score

  1. Сбор компонентов: Система собирает различные метрики для листинга:
    • Масштабированный Webscore (из Процесса А/Б).
    • Search Ranking Value авторитетной страницы.
    • Максимальный Search Ranking Value страниц, ссылающихся на адрес.
    • Количество цитирований (scraped page references).
    • Количество отзывов.
  2. Вычисление итоговой оценки: Location Prominence Score рассчитывается как линейная комбинация этих компонентов.
  3. Ранжирование: Бизнес-листинги ранжируются на основе итогового Location Prominence Score.

Какие данные и как использует

Данные на входе

  • Контентные факторы: Название бизнес-листинга (Title) и Город (City) являются ключевыми данными для формирования запроса к веб-индексу при расчете Webscore.
  • Технические факторы: Адрес листинга используется для идентификации веб-страниц, которые ссылаются на эту локацию.
  • Ссылочные факторы (и Цитирования):
    • Scraped page references: Количество упоминаний бизнеса в сторонних каталогах и агрегаторах.
    • Ссылки на Authority Page: Используются для расчета Search Ranking Value (например, PageRank) сайта компании.
    • Ссылки/Упоминания адреса: Количество и авторитетность страниц, упоминающих точный адрес бизнеса.
  • Поведенческие факторы: Количество отзывов (number of reviews) используется как компонент Location Prominence Score.
  • Бизнес-данные (Опционально): Патент упоминает возможность использования финансовой информации (годовой объем продаж, количество сотрудников, продолжительность существования бизнеса) для корректировки оценок.

Какие метрики используются и как они считаются

  • Raw Webscore: Прямой подсчет количества документов (hit count) в веб-индексе, соответствующих запросу (Название или Название + Город).
  • Adjusted Webscore (для сетей):

Выводы

  1. Prominence как ключевой фактор локального ранжирования: Патент подтверждает, что популярность и известность (Prominence) бизнеса являются критически важными факторами ранжирования в локальном поиске, способными компенсировать большее расстояние до пользователя.
  2. Webscore как мера популярности: Google использует количество упоминаний названия бренда в веб-индексе (Webscore) как основной индикатор его популярности. Это подчеркивает важность онлайн-присутствия и упоминаний бренда (Brand Mentions).
  3. Адаптивный расчет упоминаний: Система использует адаптивный подход к подсчету упоминаний. Для уникальных названий учитываются глобальные упоминания. Для коротких или общих названий система требует наличия города рядом с названием, что подчеркивает важность упоминаний в формате NAP (Name, Address, Phone) или Brand + Location.
  4. Обработка сетевых бизнесов (Chains): Google применяет механизм нормализации для филиалов сетей, разделяя общий Webscore бренда между всеми локациями. Это предотвращает полное доминирование сетей в локальной выдаче, но сохраняет возможность промоутирования ближайшего филиала.
  5. Комплексная оценка популярности: Webscore не является единственным фактором. Он интегрируется в Location Prominence Score вместе с количеством отзывов, количеством структурированных цитирований (scraped page references) и авторитетностью официального сайта (Search Ranking Value/PageRank).

Практика

Best practices (это мы делаем)

  • Активное построение цитирований (Citation Building): Необходимо увеличивать количество упоминаний бизнеса в авторитетных каталогах, агрегаторах и локальных сайтах (scraped pages). Это напрямую увеличивает Location Prominence Score.
  • Стимулирование упоминаний бренда (Brand Mentions и PR): Работайте над увеличением количества неструктурированных цитирований (упоминаний названия компании в статьях, новостях, блогах). Это напрямую увеличивает Webscore. Для бизнесов с короткими названиями убедитесь, что упоминание часто сопровождается указанием города.
  • Управление отзывами: Активно собирайте отзывы. Их количество является важным компонентом Location Prominence Score.
  • Повышение авторитетности сайта (Authority Building): Улучшайте ссылочный профиль официального сайта компании и локальных лендингов. Search Ranking Value (например, PageRank) авторитетной страницы напрямую влияет на Location Prominence Score. Это подтверждает важность традиционного SEO для локального успеха.
  • Консистентность NAP (Name, Address, Phone): Обеспечьте абсолютную консистентность названия, адреса и телефона во всех источниках. Это критично для того, чтобы система могла корректно атрибутировать упоминания (Webscore), цитирования и ссылки на адрес к конкретному бизнес-листингу.

Worst practices (это делать не надо)

  • Игнорирование Off-Site сигналов: Фокусировка только на оптимизации Google Business Profile и веб-сайте недостаточна. Без сильного Webscore и других компонентов Location Prominence Score ранжирование в конкурентной локальной выдаче будет затруднено.
  • Неконсистентные данные: Использование разных вариантов названия или адреса в интернете затрудняет расчет Webscore и может привести к потере «веса» от цитирований.
  • Манипуляции с названием для увеличения длины: Добавление ключевых слов в название (Keyword Stuffing) для преодоления порога длины может нарушать правила Google (хотя этот патент не описывает борьбу со спамом, это является плохой практикой).

Стратегическое значение

Этот патент описывает фундамент для измерения фактора «Prominence» в локальном поиске. Он подтверждает, что Google стремится отражать реальную популярность бизнеса в своих результатах. Стратегически это означает, что локальное SEO неразрывно связано с общим маркетингом, PR и построением бренда. Для достижения успеха в локальном поиске необходимо не только быть релевантным и близким, но и быть известным.

Практические примеры

Сценарий 1: Уникальное название vs Общее название

  1. Бизнес А: «Starzelnaki's Authentic Pierogi» (длинное, уникальное название).
  2. Расчет Webscore: Google ищет [Starzelnaki's Authentic Pierogi] глобально. Находит 500 упоминаний в блогах, новостях и каталогах. Webscore = 500.
  3. Бизнес Б: «Joe's Pizza» (короткое, общее название) в Чикаго.
  4. Расчет Webscore: Название короче порога. Google ищет [Joe's Pizza Chicago]. Находит 200 релевантных упоминаний. Webscore = 200.
  5. Вывод для SEO: Владельцу «Joe's Pizza» нужно следить, чтобы в упоминаниях его бизнеса всегда фигурировал город.

Сценарий 2: Обработка сетевого бизнеса

  1. Бизнес: Starbucks в определенном районе города (10 филиалов).
  2. Расчет Webscore: Google ищет [Starbucks]. Находит 500 миллионов упоминаний. Raw Webscore = 500,000,000.
  3. Корректировка (Нормализация): Система идентифицирует 10 филиалов в зоне поиска. Adjusted Webscore для каждого филиала = 500,000,000 / 10 = 50,000,000.
  4. Промоутирование: Ближайший к пользователю филиал получает бустинг и показывается выше остальных.
  5. Вывод для SEO: Сетевым компаниям выгодно иметь высокую общую популярность бренда, но для ранжирования конкретного филиала также важны его индивидуальные метрики (отзывы, цитирования локации) и близость к пользователю.

Вопросы и ответы

Что такое Webscore и почему он важен для локального SEO?

Webscore — это метрика, используемая Google для оценки популярности (Prominence) локального бизнеса. Она рассчитывается на основе количества упоминаний названия компании в интернете. Это критически важно, так как Prominence является одним из трех основных факторов локального ранжирования. Высокий Webscore может помочь бизнесу ранжироваться выше, даже если он находится дальше от пользователя, чем конкуренты.

Как Google рассчитывает Webscore для компаний с короткими или общими названиями?

Если название бизнеса не превышает определенный порог длины (например, 3 слова или 10 символов), Google не будет считать упоминания только по названию, так как это может привести к учету нерелевантных данных. Вместо этого система выполняет поиск по комбинации [Название + Город]. Это значит, что для таких бизнесов крайне важно, чтобы в онлайн-упоминаниях рядом с названием фигурировал локальный идентификатор.

Как этот патент влияет на стратегию построения цитирований (Citation Building)?

Патент подтверждает критическую важность цитирований. Во-первых, упоминания в каталогах (scraped page references) напрямую учитываются в Location Prominence Score. Во-вторых, эти цитирования также увеличивают общий Webscore, так как являются документами, упоминающими название бизнеса. Стратегия должна фокусироваться на получении консистентных цитирований в авторитетных источниках.

Как Google обрабатывает сетевые компании (Chains) согласно этому патенту?

Чтобы предотвратить доминирование крупных сетей в локальной выдаче, Google применяет корректировку (нормализацию). Общий Webscore бренда (например, McDonald's) делится на количество филиалов в зоне поиска. Это снижает индивидуальный Webscore каждого филиала. Однако система может выбрать один филиал (обычно ближайший) и повысить его в ранжировании (promote).

Является ли Webscore единственным фактором ранжирования?

Нет. Патент описывает, что Webscore является одним из компонентов более комплексной метрики — Location Prominence Score. Эта метрика также включает количество отзывов, количество цитирований, авторитетность официального сайта компании (Search Ranking Value) и авторитетность страниц, упоминающих адрес бизнеса. Для успешного ранжирования необходима работа по всем этим направлениям.

Как авторитетность веб-сайта (например, PageRank) влияет на локальное ранжирование согласно патенту?

Авторитетность веб-сайта (Authority Page) напрямую влияет на Location Prominence Score. Патент указывает, что Search Ranking Value (термин для PageRank или аналогичных метрик) сайта компании используется в расчете. Это подтверждает, что классические SEO-тактики, такие как построение ссылок на сайт компании, положительно влияют на локальное ранжирование.

Что важнее: структурированные цитирования (в каталогах) или неструктурированные (в статьях)?

Патент предполагает, что важны оба типа. Структурированные цитирования (scraped page references) явно указаны как компонент Location Prominence Score. Неструктурированные цитирования (упоминания в любых веб-документах) формируют Webscore. Для максимального эффекта необходимо работать над обоими направлениями.

Влияет ли консистентность NAP (Name, Address, Phone) на Webscore?

Да, критически влияет. Чтобы система могла корректно подсчитать упоминания названия (для Webscore) и упоминания адреса (для Location Prominence Score), данные должны быть консистентными во всех источниках. Расхождения в данных могут привести к тому, что Google не свяжет упоминание с вашим бизнес-листингом.

Может ли известный бизнес, расположенный далеко, обогнать неизвестный бизнес, расположенный рядом?

Да. Цель этого изобретения как раз и состоит в том, чтобы учитывать популярность (Prominence), а не только близость (Proximity). Если у удаленного бизнеса значительно выше Location Prominence Score (за счет высокого Webscore, множества отзывов и авторитетного сайта), он может занять более высокие позиции в локальной выдаче.

Актуален ли этот патент, учитывая его возраст (подача в 2006 году)?

Несмотря на возраст, патент описывает фундаментальные принципы расчета Prominence, которые до сих пор используются в локальном поиске Google. Хотя конкретные веса и методы масштабирования могли измениться, общая концепция использования веб-упоминаний, отзывов и цитирований для оценки популярности бизнеса остается крайне актуальной.

Похожие патенты

Как Google использует известность и авторитетность бизнеса (Location Prominence) вместо расстояния для ранжирования в локальном поиске
Google использует механизм дифференцированного ранжирования в локальном поиске. Внутри основной географической области (например, города или видимой карты) результаты ранжируются по «Известности» (Location Prominence), основанной на авторитетности, отзывах и упоминаниях бизнеса. За пределами этой области результаты ранжируются преимущественно по расстоянию. Это позволяет показывать наиболее значимые бизнесы, а не просто ближайшие к условному центру.
  • US7822751B2
  • 2010-10-26

  • Local SEO

  • EEAT и качество

  • SERP

Как Google использует известность (Prominence) и историю запросов для ранжирования географических объектов в поисковых подсказках Карт
Google использует алгоритм для определения того, какой географический объект (например, бизнес или город) показать в поисковых подсказках (Autocomplete), когда пользователь начинает вводить запрос в Картах. Система рассчитывает рейтинг, анализируя, насколько известен объект (Prominence Score) и как часто пользователи выбирали этот объект в прошлом при вводе похожих запросов (Query Logs). Это позволяет устранить неоднозначность и предложить наиболее релевантный вариант.
  • US8515973B1
  • 2013-08-20

  • Local SEO

  • Поведенческие сигналы

Как Google отличает сетевые бренды от общих терминов и локальных компаний для улучшения локальной выдачи
Google использует несколько алгоритмов для автоматического определения, является ли бизнес сетевым (имеет много филиалов) и ищет ли пользователь именно его. Система анализирует триггерные слова (например, «адреса»), соотношение локальных и веб-запросов (Localness Score), частоту упоминания в названиях и категориях, а также географическое распределение запросов. Это позволяет точнее ранжировать результаты и показывать ближайшие точки на карте.
  • US20140358971A1
  • 2014-12-04

  • Local SEO

  • Семантика и интент

  • SERP

Как Google использует авторитетность в веб-поиске для определения порядка ранжирования в Локальном поиске (Local Pack)
Google использует механизм объединения результатов из Универсального (веб) и Локального поиска. Система идентифицирует авторитетные бизнес-сайты в веб-выдаче и оценивает их по локальным критериям. Затем Локальный блок (Local Pack) переранжируется так, чтобы порядок результатов соответствовал их авторитетности в Универсальном поиске. Это подтверждает, что авторитетность сайта в вебе напрямую влияет на его позиции в Локальном поиске.
  • US8392394B1
  • 2013-03-05

  • Local SEO

  • EEAT и качество

  • SERP

Как Google понижает удаленные локальные результаты, если существуют более близкие альтернативы или качественные нелокальные сайты
Google анализирует выдачу по запросам с локальным интентом. Если локальный результат находится далеко от пользователя, система проверяет наличие альтернатив: других локальных результатов поблизости или высокорелевантных нелокальных страниц. Если альтернативы найдены, удаленный результат понижается, за исключением случаев, когда он обладает высокой глобальной значимостью (независимо от местоположения).
  • US9262541B2
  • 2016-02-16

  • Local SEO

  • SERP

  • Семантика и интент

Популярные патенты

Как Google фильтрует поведенческие сигналы, используя совместимость языков и стран пользователей
Google уточняет ранжирование, анализируя, откуда (страна) и на каком языке (язык пользователя) поступали исторические клики по документу. Если эти характеристики считаются «несовместимыми» с текущим пользователем, поведенческие сигналы (клики) от этих групп могут быть исключены или понижены в весе. Это предотвращает искажение релевантности данными от кардинально отличающихся аудиторий.
  • US8498974B1
  • 2013-07-30

  • Поведенческие сигналы

  • Мультиязычность

  • Персонализация

Как Google использует контекст пользователя для предложения запросов до начала ввода текста (Zero-Input Queries)
Google анализирует историю поисковых запросов, группируя их в «контекстные кластеры» на основе схожести темы и обстоятельств ввода (время, местоположение, интересы). Когда пользователь открывает строку поиска, система оценивает его текущий контекст и мгновенно предлагает релевантные категории запросов (например, «Кино» или «Рестораны»), предсказывая намерение еще до ввода символов.
  • US10146829B2
  • 2018-12-04

  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google динамически обновляет выдачу в реальном времени, если пользователь не кликает на результаты
Google отслеживает взаимодействие с поисковой выдачей в реальном времени. Если пользователь просматривает результаты, но не кликает на них в течение определенного времени (определяемого моделью поведения), система интерпретирует это как имплицитную отрицательную обратную связь. На основе анализа этих «отвергнутых» результатов Google автоматически пересматривает запрос (корректируя веса или заменяя термины) и динамически предоставляет новый набор результатов.
  • US20150169576A1
  • 2015-06-18

  • Поведенческие сигналы

  • SERP

  • Семантика и интент

Как Google генерирует «синтетический анкорный текст», анализируя структуру и контекст ссылающихся страниц
Google анализирует структурно похожие страницы, ссылающиеся на различные ресурсы. Определяя, где известные поисковые запросы (Seed Queries) появляются в структуре этих ссылающихся страниц (например, в заголовках или Title), Google создает шаблоны. Эти шаблоны затем используются для извлечения текста из аналогичных мест на других страницах, создавая «синтетический описательный текст» (аналог анкорного текста) для целевых ресурсов. Это улучшает ранжирование, даже если фактический анкорный текст низкого качества.
  • US9208232B1
  • 2015-12-08

  • Ссылки

  • Структура сайта

  • 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 использует паттерны просмотра пользователей (Co-Visitation) и временную близость для определения тематики нетекстового контента (изображений и видео)
Google использует механизм для понимания контента без текста (изображения, видео), анализируя, какие другие (текстовые) страницы пользователи посещают в рамках той же сессии. Ключевые слова с этих текстовых страниц заимствуются и присваиваются нетекстовому ресурсу. Критически важным фактором является время перехода: чем быстрее пользователь перешел между ресурсами, тем больший вес получают ключевые слова.
  • US8572096B1
  • 2013-10-29

  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google анализирует сессии пользователей и кластеризует концепции для генерации блока "Связанные запросы" (Related Searches)
Google анализирует последовательности запросов пользователей в рамках одной сессии для выявления шаблонов уточнений. Система кластеризует эти уточнения по смыслу, анализируя контент ранжирующихся по ним документов или другие запросы, ведущие на эти документы. Это позволяет предлагать пользователям концептуально различные варианты для сужения или изменения темы поиска.
  • US8065316B1
  • 2011-11-22

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google алгоритмически вычисляет и ранжирует экспертов по темам на основе анализа их контента
Google использует систему для автоматического определения экспертности авторов (Identities) в конкретных темах (Topics). Система анализирует корпус документов, оценивая, насколько сильно автор связан с документом (Identity Score) и насколько документ релевантен теме (Topic Score). Эти оценки перемножаются и суммируются по всем документам, формируя итоговый рейтинг экспертности автора в данной области.
  • US8892549B1
  • 2014-11-18

  • EEAT и качество

  • Семантика и интент

Как Google использует персональное дерево интересов пользователя для определения важности слов в запросе и его переписывания
Google использует иерархический профиль интересов пользователя (Profile Tree), построенный на основе истории поиска и поведения, чтобы определить, какие слова в запросе наиболее важны для конкретного человека. Специфичные интересы (глубокие узлы в дереве) получают больший вес. Это позволяет системе отфильтровать шум в длинных запросах и сгенерировать более точный альтернативный запрос.
  • US8326861B1
  • 2012-12-04

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

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