Google рассчитывает «Оценку Достижимости» (Reachability Score), анализируя, как пользователи взаимодействуют со страницами, на которые ссылается основной документ (внутренние и исходящие ссылки). Если пользователи активно переходят по этим ссылкам (высокий CTR) и проводят время на целевых страницах (высокое время доступа), основной документ получает повышение в ранжировании. Этот механизм измеряет потенциальную глубину и качество пользовательской сессии.

Описание

Какую проблему решает

Патент решает задачу более точной оценки качества ресурса путем прогнозирования глубины взаимодействия пользователя за пределами одной страницы. Система стремится улучшить ранжирование, идентифицируя ресурсы, которые служат качественными «хабами» и успешно направляют пользователей на другие релевантные и вовлекающие материалы, способствуя длительным и глубоким сессиям изучения темы.

Что запатентовано

Запатентована система и метод расчета Reachability Score (RS, Оценка Достижимости) для ресурса. Эта оценка прогнозирует количество ресурсов, которые пользователь, вероятно, посетит, и/или общее время, которое он проведет, начиная с первичного ресурса и переходя по ссылкам. RS рассчитывается рекурсивно на основе анализа структуры ссылок (до определенного количества переходов или "хопов") и исторических данных о взаимодействии пользователей (например, CTR, Median Access Time) со связанными (вторичными) ресурсами.

Как это работает

Система анализирует граф ссылок, исходящих из первичного ресурса, на глубину K переходов (hops). Для каждого связанного (вторичного) ресурса извлекаются исторические данные о вовлеченности пользователей, такие как Click-Through-Rate и Median Access Time. RS первичного ресурса зависит от RS вторичных ресурсов, взвешенных по вероятности перехода на них (например, по CTR). Итоговый RS используется для расчета Promotion Factor (PF), который может повысить итоговую оценку ранжирования первичного ресурса или скорректировать его Quality Score.

Актуальность для SEO

Высокая. Вовлеченность пользователей, глубина сессии и удовлетворенность интента являются критическими метриками для современных поисковых систем. Этот патент описывает конкретный механизм для измерения и поощрения структур контента и перелинковки, которые способствуют глубокому изучению темы. Хотя патент подан в 2010 году, описанные принципы остаются фундаментальными для оценки качества пользовательского опыта.

Важность для SEO

Патент имеет высокое значение (85/100) для SEO-стратегии. Он предоставляет конкретный механизм, в котором стратегия перелинковки (внутренней и внешней) в сочетании с фактическим поведением пользователей на этих ссылках напрямую влияет на ранжирование исходной страницы. Это подчеркивает критическую важность оптимизации внутреннего CTR и обеспечения высокого качества и вовлеченности страниц, на которые ведут ссылки.

Детальный разбор

Термины и определения

Reachability Score (RS) (Оценка Достижимости)
Агрегированная оценка для первичного ресурса. Представляет собой прогнозируемое количество ресурсов, которые пользователь посетит, и/или общее время, которое он проведет, начиная с этого ресурса и переходя по ссылкам.
Primary Resource (Первичный ресурс)
Исходный ресурс, для которого рассчитывается Reachability Score и который ранжируется в ответ на запрос.
Secondary Resource (Вторичный ресурс)
Ресурс, доступный через одну или несколько ссылок с первичного ресурса (дочерний ресурс, третичный/внучатый ресурс и т.д.).
Hops (Переходы, Хопы)
Количество пользовательских действий (например, кликов) или количество ссылок, которые необходимо преодолеть для достижения вторичного ресурса с первичного. Определяет глубину анализа (k).
User Interaction Data (Данные о взаимодействии пользователей)
Агрегированные исторические данные о поведении пользователей на ресурсах (Historical Data).
Median Access Time (Медианное время доступа)
Метрика, основанная на взаимодействии множества пользователей с ресурсом. Означает время, в течение которого ресурс просматривается или воспроизводится без перерыва (например, без перехода на другую страницу).
Click-Through-Rate (CTR)
Показатель кликабельности ресурса. Может использоваться как весовой коэффициент (Wᵢ) при расчете RS.
Promotion Factor (PF) (Фактор Повышения)
Значение, определяемое на основе Reachability Score. Используется для корректировки (повышения) исходной оценки ранжирования ресурса.
Trustworthiness (T) (Надежность/Достоверность)
Показатель надежности вторичного ресурса, основанный на предыдущих взаимодействиях пользователей (например, Long Clicks) и показателях качества. Используется для фильтрации ресурсов при расчете RS.
Long Click (Длинный клик)
Взаимодействие с ресурсом, при котором время доступа превышает пороговое значение. Указывает на релевантность и вовлеченность.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод расчета и применения оценки достижимости.

  1. Система идентифицирует вторичные ресурсы, доступные через ссылки первичного ресурса в пределах определенного количества переходов (hops).
  2. Определяется агрегированная оценка (Reachability Score) для первичного ресурса.
  3. Эта оценка основана на индивидуальных оценках вторичных ресурсов.
  4. Каждая индивидуальная оценка рассчитывается на основе предыдущих взаимодействий пользователей (агрегированных данных множества пользователей) с соответствующим вторичным ресурсом.
  5. Агрегированная оценка предоставляется как входной сигнал для процесса ранжирования первичного ресурса.

Ядро изобретения — использование агрегированных поведенческих данных со связанных страниц для оценки и ранжирования исходной страницы.

Claim 2 (Зависимый от 1): Уточняет типы данных о взаимодействии.

Предыдущие взаимодействия пользователей включают Median Access Time или Click-Through-Rate, связанные с вторичным ресурсом.

Claim 4 и 5 (Зависимые): Описывают рекурсивный характер оценки.

Вторичные ресурсы включают третичные ресурсы (Tertiary Resources), доступные по ссылкам со вторичных. Оценки вторичных ресурсов могут рассчитываться на основе сигналов от третичных ресурсов.

Claim 6 (Зависимый от 1): Детализирует механизм применения агрегированной оценки в ранжировании.

  1. Определяется исходная оценка ранжирования (initial rank score) для первичного ресурса.
  2. Определяется Promotion Factor (PF) на основе агрегированной оценки (RS).
  3. Исходная оценка модифицируется путем комбинирования ее с Promotion Factor.

Это описывает конкретный механизм бустинга: RS конвертируется в PF, который затем применяется к рейтингу.

Где и как применяется

Изобретение затрагивает этапы индексирования (для предварительных расчетов) и ранжирования/переранжирования (для применения оценки).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит несколько ключевых процессов:

  • Анализ ссылок: Система анализирует и сохраняет граф ссылок для определения структуры переходов (hops) между первичными и вторичными ресурсами.
  • Агрегация поведенческих данных: Исторические данные о взаимодействиях пользователей (CTR, Median Access Time, Long Clicks) агрегируются и ассоциируются с соответствующими ресурсами. Рассчитывается Trustworthiness Score (T).
  • Расчет Reachability Score: Resource Reachability System периодически рассчитывает RS для ресурсов на основе графа ссылок и агрегированных поведенческих данных. Рассчитанные RS индексируются и сохраняются в Resource Index.

RANKING – Ранжирование (L2/L3)
На этапе ранжирования система определяет исходные оценки релевантности и качества для ресурсов. В патенте описан вариант, где Reachability Score используется для корректировки Quality Score ресурса, который затем комбинируется с оценкой релевантности.

RERANKING – Переранжирование
В другом варианте реализации (описанном в Claim 6), система использует RS на финальных этапах ранжирования для корректировки итоговой оценки. Исходная оценка ранжирования (основанная на релевантности и качестве) корректируется с помощью Promotion Factor (PF), который рассчитывается на основе RS.

Входные данные:

  • Граф ссылок ресурса (из индекса).
  • Исторические данные о взаимодействии пользователей (Historical Data) для вторичных ресурсов (CTR, Median Access Time).
  • Показатели надежности (Trustworthiness) вторичных ресурсов.
  • Исходные оценки ранжирования (релевантность, качество).

Выходные данные:

  • Reachability Score (RS) для первичного ресурса.
  • Promotion Factor (PF).
  • Скорректированная итоговая оценка ранжирования.

На что влияет

  • Типы контента: Наибольшее влияние оказывается на «хабовые» страницы, агрегаторы контента, страницы категорий, главные страницы и любые ресурсы, основная цель которых — направить пользователя дальше. Патент явно упоминает страницы просмотра видео (video watch-page) как пример, но также указывает на применимость к HTML-страницам, документам и изображениям.
  • Структуры сайтов: Повышает значимость сайтов с логичной, глубокой структурой и эффективной внутренней перелинковкой (например, архитектура Pillar Pages/Topic Clusters).
  • Внешние и внутренние ссылки: Механизм применим к любым ссылкам, исходящим с ресурса, оценивая качество и востребованность целевых страниц.

Когда применяется

  • Условия применения: Алгоритм применяется в процессе ранжирования для ресурсов, которые имеют исходящие ссылки на вторичные ресурсы, и для которых доступны достаточные данные о взаимодействии пользователей с этими вторичными ресурсами.
  • Триггеры и пороги (для Promotion Factor): Promotion Factor применяется на основе пороговых значений Reachability Score. Если RS ниже порога T1, применяется минимальный PF (например, 1, без бустинга). Если RS выше порога T2, применяется максимальный PF (например, 1.5). Для значений между T1 и T2 применяется функция (линейная, логарифмическая и т.д.).
  • Фильтрация данных: При расчете RS могут исключаться вторичные ресурсы с низкой оценкой Trustworthiness (T ниже порога TT).

Пошаговый алгоритм

Процесс А: Офлайн расчет Reachability Score (RS)

  1. Инициализация: Выбор первичного ресурса и определение максимальной глубины анализа K (количество хопов). K может быть статическим или динамическим (например, среднее количество ресурсов, просматриваемых за сессию).
  2. Обход графа ссылок: Идентификация всех вторичных ресурсов, доступных в пределах K хопов.
  3. Сбор данных о вторичных ресурсах: Для каждого вторичного ресурса извлекаются исторические данные о взаимодействии (например, CTR, Median Access Time) и оценка надежности (Trustworthiness, T).
  4. Фильтрация по надежности: Вторичные ресурсы с оценкой T ниже порогового значения TT исключаются из расчета RS первичного ресурса.
  5. Рекурсивный расчет RS: Расчет RS по формуле:

Выводы

  1. Перелинковка как поведенческий сигнал: Патент четко показывает, что Google рассматривает исходящие и внутренние ссылки не только как способ навигации или распределения веса, но и как поведенческий сигнал. То, как пользователи взаимодействуют с этими ссылками (CTR) и контентом за ними (Median Access Time), напрямую влияет на ранжирование исходной страницы.
  2. Качество связанных страниц критично: Ранжирование страницы зависит от качества и вовлеченности страниц, на которые она ссылается. Ссылки на некачественные или невовлекающие ресурсы снижают Reachability Score.
  3. Цель — максимизация общего времени сессии: Система стремится поощрять ресурсы, которые способствуют длительному общему времени взаимодействия пользователя с контентом (сайтом или группой сайтов), а не только с целевой страницей.
  4. Поощрение «Хабовых» страниц: Страницы, которые эффективно служат навигационными узлами и успешно направляют пользователей к вовлекающему контенту, получают преимущество в виде Promotion Factor.
  5. Фильтрация по надежности (Trustworthiness): Система учитывает надежность вторичных ресурсов, основываясь на Long Clicks. Ссылки на ресурсы, которые приводят к коротким кликам (быстрым отказам), могут быть исключены из расчета RS, что защищает от манипуляций с помощью кликбейтных ссылок.

Практика

Best practices (это мы делаем)

  • Оптимизация внутреннего CTR: Работайте над повышением кликабельности внутренних ссылок. Это включает релевантные анкоры, заметное размещение ссылок в контенте и навигации. Высокий внутренний CTR увеличивает весовой коэффициент (Wᵢ) в формуле RS.
  • Ссылки только на высококачественные и вовлекающие страницы: Анализируйте метрики вовлеченности (Engagement Rate, Average Engagement Time в GA4) для страниц вашего сайта. В первую очередь ставьте ссылки на страницы с высоким временем взаимодействия (Median Access Time). Качество страниц-акцепторов напрямую влияет на RS страницы-донора.
  • Построение структур Topic Clusters и Pillar Pages: Создавайте архитектуру контента, которая стимулирует пользователей к глубокому изучению темы через серию связанных страниц. Такая структура естественным образом максимизирует Reachability Score для Pillar Page.
  • Стратегическое использование исходящих ссылок (Outbound Linking): Ссылайтесь на авторитетные, качественные и популярные внешние ресурсы. Если пользователи активно интересуются этими ресурсами и проводят на них время, это может повысить Reachability Score вашей страницы.
  • Обеспечение удовлетворенности интента на связанных страницах: Убедитесь, что контент за ссылкой соответствует ожиданиям пользователя. Это необходимо для достижения «длинных кликов» (Long Clicks) и высокой оценки надежности (Trustworthiness) вторичных ресурсов.

Worst practices (это делать не надо)

  • Ссылки на «тонкие», невовлекающие или тупиковые страницы: Размещение ссылок на страницы с низким временем взаимодействия или высоким показателем отказов снижает общий Reachability Score.
  • Кликбейтные внутренние ссылки: Использование анкоров, которые генерируют высокий CTR, но ведут на контент, не соответствующий ожиданиям. Это приведет к коротким кликам, низкой оценке Trustworthiness и исключению этих ссылок из расчета RS.
  • Игнорирование внутренней навигации и User Journey: Отсутствие четких путей для дальнейшего движения пользователя по сайту ограничивает потенциал Reachability Score.
  • Скрытие важных ссылок: Размещение ссылок в местах, где пользователи их не видят и не кликают (например, в футере мелким шрифтом), не принесет пользы с точки зрения RS, так как CTR (вес Wᵢ) будет низким.

Стратегическое значение

Патент подтверждает стратегический фокус Google на измерении удовлетворенности пользователей и глубины сессии. Внутренняя архитектура сайта и качество перелинковки являются критически важными факторами для максимизации Reachability Score. SEO-специалисты должны мыслить за пределами оптимизации отдельной целевой страницы и сосредоточиться на оптимизации всего пути пользователя (User Journey) внутри тематического кластера или сайта в целом. Успех в ранжировании зависит от способности сайта вовлечь пользователя в длительное взаимодействие.

Практические примеры

Сценарий: Оптимизация страницы категории интернет-магазина

Страница категории (Первичный ресурс) содержит ссылки на товары (Вторичные ресурсы).

  1. Анализ данных: SEO-специалист анализирует CTR ссылок на товары и среднее время, проведенное пользователями на страницах этих товаров.
  2. Выявление проблем: Обнаружено, что пользователи часто кликают на Товар А (высокий CTR), но быстро покидают его страницу (низкое Median Access Time, короткие клики). На Товар Б кликают реже, но проводят на его странице много времени.
  3. Действия по оптимизации (Товар А): Улучшается качество страницы Товара А (описание, фото, отзывы), чтобы увеличить время взаимодействия и Trustworthiness.
  4. Действия по оптимизации (Товар Б): Улучшается представление Товара Б на странице категории (лучше фото, более привлекательный сниппет), чтобы повысить его внутренний CTR (вес Wᵢ).
  5. Ожидаемый результат: Увеличение CTR для вовлекающих товаров и увеличение времени взаимодействия для популярных товаров приводит к росту общего Reachability Score страницы категории. Система применяет Promotion Factor, и страница категории улучшает свои позиции в поиске.

Вопросы и ответы

Что такое Reachability Score (RS) простыми словами?

Reachability Score — это показатель того, насколько хорошо страница удерживает внимание пользователя не только на своем контенте, но и на контенте, на который она ссылается. Это прогноз общего времени, которое пользователь проведет, начав с этой страницы. Если пользователи часто кликают по ссылкам на странице и долго изучают открывшийся контент, RS будет высоким.

Влияет ли Reachability Score (RS) только на внутренние ссылки или на исходящие тоже?

Патент не делает различий между внутренними и исходящими ссылками. Secondary Resources определяются как любые ресурсы, доступные по ссылкам с Primary Resource. Таким образом, качество вашей внутренней перелинковки и популярность внешних сайтов, на которые вы ссылаетесь, могут влиять на RS ваших страниц.

Какие поведенческие факторы самые важные для расчета RS?

Патент выделяет два ключевых фактора: Click-Through-Rate (CTR) и Median Access Time (медианное время доступа). CTR используется как вес (вероятность перехода на связанную страницу), а Median Access Time — как показатель вовлеченности на связанной странице.

Что важнее для RS: количество ссылок или их качество/популярность?

Качество и популярность критически важны. Формула RS использует весовые коэффициенты (Wᵢ), основанные на взаимодействии (например, CTR). Ссылка, по которой никто не кликает, будет иметь вес, близкий к нулю, и не внесет значительного вклада в RS, даже если она ведет на качественный сайт. Лучше иметь 5 ссылок на популярные ресурсы, чем 50 ссылок на невостребованные.

Что такое «Trustworthiness» (Надежность) и как она влияет на RS?

Trustworthiness (T) — это оценка надежности связанной (вторичной) страницы, основанная на Long Clicks (длинных кликах). Если пользователи переходят на страницу и проводят там много времени, ее T высока. Если T ниже порогового значения (например, из-за коротких кликов/быстрых отказов), эта страница может быть исключена из расчета RS исходной страницы.

Как защититься от негативного влияния кликбейтных внутренних ссылок?

Кликбейтные ссылки генерируют высокий CTR, но низкое время взаимодействия (короткие клики). Механизм Trustworthiness (T) предназначен для борьбы с этим. Если система фиксирует короткие клики на связанной странице, ее надежность падает, и она перестает положительно влиять на RS исходной страницы. Важно, чтобы анкоры и сниппеты соответствовали контенту за ссылкой.

Сколько уровней вложенности (Hops) учитывает система?

Патент не указывает конкретное число (K), но упоминает, что оно может быть установлено статически или динамически. Динамическое значение может основываться, например, на среднем количестве ресурсов, которые пользователь просматривает за сессию. Расчет RS является рекурсивным, что позволяет учитывать несколько уровней вложенности (дочерние, внучатые ресурсы и т.д.).

Как RS используется в ранжировании? Это прямой фактор?

RS является входным сигналом для ранжирования. Патент описывает два варианта его использования. В первом варианте RS корректирует Quality Score ресурса. Во втором, более детально описанном, RS конвертируется в Promotion Factor (PF). Этот PF затем используется для повышения (бустинга) итоговой оценки ранжирования.

Как этот патент влияет на стратегию создания контент-хабов (Topic Clusters)?

Патент дает сильное обоснование для использования модели Topic Clusters. Центральная страница (Pillar Page) выступает как первичный ресурс, а страницы кластера — как вторичные ресурсы. Если Pillar Page успешно направляет пользователей на изучение кластерных страниц (высокий CTR), и эти страницы вовлекают пользователя (высокий Median Access Time), то Pillar Page получит высокий Reachability Score и бустинг в ранжировании.

Стоит ли удалять внутренние ссылки на страницы с низким вовлечением?

Да, с точки зрения этого патента, ссылки на страницы с низким временем взаимодействия и низкой надежностью (Trustworthiness) могут снижать Reachability Score исходной страницы. Стратегически более выгодно либо улучшить качество этих страниц, чтобы повысить вовлеченность, либо перенаправить ссылочный поток на более сильные страницы сайта.

Похожие патенты

Как Google использует сигналы вовлеченности пользователей для ранжирования контента в системах без поискового запроса (например, Google Discover)
Патент описывает механизм генерации рекомендаций контента на основе того, что пользователь просматривает в данный момент, без ввода поискового запроса. Система анализирует текущий контент, находит связанные ресурсы и ранжирует их, основываясь преимущественно на метриках вовлеченности пользователей (трендовость, частота просмотров, совместные просмотры), а не только на текстовой релевантности.
  • US10152521B2
  • 2018-12-11

  • Поведенческие сигналы

  • Персонализация

Как Google использует время взаимодействия пользователя с сайтом (Dwell Time) для расчета оценки качества всего сайта
Google использует агрегированные данные о продолжительности визитов пользователей на сайт для расчета метрики качества этого сайта (Site Quality Score). Система измеряет время взаимодействия (включая Dwell Time — время от клика в выдаче до возврата обратно), фильтрует аномальные визиты и нормализует данные по типам контента. Итоговая оценка используется как независимый от запроса сигнал для ранжирования и принятия решений об индексировании.
  • US9195944B1
  • 2015-11-24

  • Поведенческие сигналы

  • Индексация

  • SERP

Как Google использует паттерны просмотра пользователей (co-visitation) для определения связанности документов и улучшения поиска
Google использует систему для определения того, насколько тесно связаны два документа, основываясь на агрегированных данных о поведении пользователей. Система рассчитывает вероятность того, что пользователь просмотрит Документ B в течение определенного времени после того, как Документ А был показан ему в результатах поиска. Эти данные используются для персонализации выдачи, предложения рекомендаций и улучшения релевантности на основе контекста сессии пользователя.
  • US8447760B1
  • 2013-05-21

  • Поведенческие сигналы

  • Персонализация

  • Семантика и интент

Как Google использует контент, который вы сейчас просматриваете, для фильтрации и уточнения вашей поисковой выдачи
Google анализирует контекст веб-страницы или документа, который просматривает пользователь, чтобы определить основную тему (топик). Когда пользователь вводит запрос, система фильтрует результаты поиска, отдавая предпочтение тем документам, которые соответствуют этой контекстной теме, тем самым уточняя выдачу для неоднозначных запросов.
  • US8762368B1
  • 2014-06-24

  • Семантика и интент

  • SERP

  • Персонализация

Как Google рассчитывает «сигнал конкурентоспособности» (Competition Signal) страниц на основе анализа кликов, показов и времени взаимодействия
Google оценивает качество страниц, анализируя их «победы» и «поражения» в поисковой выдаче. Система сравнивает, как часто пользователи выбирают данный URL вместо других и как долго они взаимодействуют с контентом по сравнению с конкурентами (Dwell Time). На основе этих данных рассчитывается корректирующий фактор, который повышает или понижает позиции страницы, отражая её относительную конкурентоспособность и удовлетворенность пользователей.
  • US9020927B1
  • 2015-04-28

  • Поведенческие сигналы

  • SERP

  • EEAT и качество

Популярные патенты

Как Google в Автоподсказках (Suggest) предлагает искать запрос в разных вертикалях поиска (Картинки, Новости, Карты)
Патент описывает механизм "разветвления" (forking) автоподсказок Google Suggest. Система анализирует введенные символы и определяет, в каких вертикалях поиска (Корпусах) — таких как Картинки, Новости или Карты — пользователи чаще всего ищут предложенный запрос. Если корреляция с конкретной вертикалью высока (на основе Corpus Score), система предлагает пользователю искать сразу в ней, наряду со стандартным универсальным поиском.
  • US9317605B1
  • 2016-04-19

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google использует клики пользователей в Поиске по Картинкам для определения реального содержания изображений
Google использует данные о поведении пользователей для автоматической идентификации содержания изображений. Если пользователи вводят определенный запрос (Идею) и массово кликают на конкретное изображение в результатах поиска, система ассоциирует это изображение с Концептом, производным от запроса. Это позволяет Google понимать, что изображено на картинке, не полагаясь исключительно на метаданные или сложный визуальный анализ, и улучшает релевантность ранжирования в Image Search.
  • US8065611B1
  • 2011-11-22

  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google агрегирует поведенческие данные из похожих запросов для ранжирования редких и длиннохвостых запросов
Google использует механизм обобщения запросов для улучшения ранжирования, особенно когда исторических данных по исходному запросу недостаточно. Система создает варианты запроса (удаляя стоп-слова, используя синонимы, стемминг или частичное совпадение) и агрегирует данные о поведении пользователей (клики, dwell time) из этих вариантов. Это позволяет оценить качество документа для исходного запроса, используя статистику из семантически близких запросов.
  • US9110975B1
  • 2015-08-18

  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Как Google использует позиционный CTR (Selection Rate) для ранжирования и группировки вертикалей в Универсальном поиске
Google использует механизм для структурирования поисковой выдачи путем группировки результатов по категориям (вертикалям), таким как Новости, Видео или Веб. Система определяет порядок этих категорий, основываясь на ожидаемой частоте кликов (Selection Rate/CTR) тех позиций, которые занимают результаты категории в исходном смешанном ранжировании. Это определяет структуру Универсального поиска (Universal Search).
  • US8498984B1
  • 2013-07-30

  • SERP

  • Поведенческие сигналы

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 классифицирует интент запросов (например, поиск порнографии), анализируя историю использования фильтров (SafeSearch)
Google использует данные о том, как часто пользователи включают или отключают фильтры контента (например, SafeSearch) при вводе конкретного запроса. Анализируя нормализованное соотношение фильтрованных и нефильтрованных поисковых операций, система классифицирует запрос как целенаправленно ищущий определенный тип контента (например, adult). Эта классификация затем используется для повышения или понижения релевантности соответствующего контента в выдаче.
  • US9152701B2
  • 2015-10-06

  • Семантика и интент

  • Безопасный поиск

  • Поведенческие сигналы

Как Google использует историю чтения новостных сайтов для определения географических интересов пользователя и персонализации выдачи
Google может определять географические интересы пользователя, анализируя местоположение издателей новостных сайтов, которые он посещал. Эта информация (Geo Signal) используется для корректировки ранжирования будущих поисковых запросов, повышая результаты, релевантные этим интересам, даже если пользователь физически находится в другом месте.
  • US20130246381A1
  • 2013-09-19

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google выбирает модель визуальной релевантности для сложных запросов в Поиске по картинкам
Google решает проблему ранжирования изображений для сложных или редких запросов, для которых нет специализированной модели релевантности. Система тестирует существующие модели, созданные для частей запроса (подзапросов), и выбирает ту, которая лучше всего соответствует поведению пользователей (кликам) по исходному запросу. Это позволяет улучшить визуальную релевантность в Image Search.
  • US9152652B2
  • 2015-10-06

  • Поведенческие сигналы

  • Мультимедиа

  • Семантика и интент

Как Google определяет, когда показывать обогащенный результат для сущности, и использует консенсус веба для исправления данных
Google использует механизм для определения того, когда запрос явно относится к конкретной сущности (например, книге). Если один результат значительно доминирует над другими по релевантности, система активирует «обогащенный результат». Этот результат агрегирует данные из разных источников (структурированные данные, веб-страницы, каталоги товаров) и использует наиболее популярные варианты данных из интернета для проверки и исправления информации о сущности.
  • US8577897B2
  • 2013-11-05

  • SERP

  • Семантика и интент

  • EEAT и качество

Как Google использует историю поиска и браузинга пользователя для персонализации и изменения результатов выдачи
Google записывает историю поиска и просмотров пользователя для последующей персонализации выдачи. Система может повышать в ранжировании ранее посещенные сайты, добавлять в текущую выдачу релевантные результаты из прошлых похожих запросов, а также понижать сайты, которые пользователь ранее видел, но проигнорировал. Патент также описывает создание "предпочитаемых локаций" на основе частоты посещений и времени пребывания на сайте.
  • US9256685B2
  • 2016-02-09

  • Персонализация

  • Поведенческие сигналы

  • SERP