Google использует данные о взаимодействии пользователя с миниатюрами в поиске по картинкам (наведение курсора) как сигнал интереса. Для редких запросов эти сигналы получают больший вес, дополняя недостаток данных о кликах. Система также вычисляет соотношение кликов к наведениям (Click-to-Hover Ratio), чтобы идентифицировать и понижать в выдаче «магниты кликов» — привлекательные, но нерелевантные изображения, которые собирают много наведений, но мало кликов.

Описание

Какую проблему решает

Патент решает проблему ограничений использования только данных о кликах (CTR) для ранжирования изображений. Во-первых, для редких или непопулярных запросов данных о кликах недостаточно для точной оценки релевантности (проблема разреженности данных). Во-вторых, стандартный CTR не позволяет эффективно бороться с «магнитами кликов» (click magnets) — изображениями, которые привлекают внимание (и, следовательно, наведение курсора для предпросмотра), но не являются релевантными и получают мало финальных кликов. Изобретение улучшает качество поиска, вводя данные о наведении курсора (Hover Data) как дополнительный сигнал пользовательского интереса и удовлетворенности.

Что запатентовано

Запатентована система и метод для корректировки ранжирования результатов поиска изображений путем интеграции данных о наведении курсора (Hover Data) в расчет метрики качества (Quality Measure). Система анализирует как количество кликов (Click Count), так и количество наведений курсора (Hover Count) для пары изображение-запрос. Предложены механизмы для взвешивания значимости наведений в зависимости от популярности запроса и для пессимизации изображений с аномально низким соотношением кликов к наведениям.

Как это работает

Система работает по трем основным направлениям:

  • Дополнение данных для редких запросов: Для запросов с малым общим количеством кликов система увеличивает вес (Hover Weighting) данных о наведении курсора. Наведения трактуются как сигнал выбора, позволяя лучше ранжировать изображения при недостатке прямых кликов.
  • Борьба с «магнитами кликов»: Система вычисляет соотношение кликов к наведениям (Click-to-Hover Ratio). Если изображение получает много наведений, но мало кликов, оно идентифицируется как потенциальный click magnet и к нему применяется понижающий коэффициент (Demoting Factor).
  • Комбинированная метрика: Предлагается модифицированная метрика CTR, учитывающая и клики, и наведения, которая затем комбинируется с Click-to-Hover Ratio и начальной оценкой качества для определения финальной Quality Measure.

Актуальность для SEO

Средне-высокая. Хотя патент описывает взаимодействие через курсор (hover), что менее актуально для некоторых мобильных интерфейсов, заложенные в нем принципы остаются фундаментальными. Измерение «времени пребывания» (dwell time) или взаимодействия с элементом без совершения клика (например, время просмотра увеличенной миниатюры) является адаптацией этих концепций. Борьба с кликбейтом и улучшение ранжирования для long-tail запросов остаются ключевыми задачами поиска Google.

Важность для SEO

Патент имеет высокое значение (7.5/10) для стратегий в Поиске по Картинкам. Он демонстрирует, что Google анализирует не только факт клика, но и характер взаимодействия с миниатюрой. Это напрямую влияет на оптимизацию изображений: миниатюры должны быть не только привлекательными (для генерации интереса/наведения), но и честно отражать содержание изображения (для поддержания здорового Click-to-Hover Ratio). Использование кликбейтных или вводящих в заблуждение миниатюр может привести к прямой пессимизации по описанному механизму.

Детальный разбор

Термины и определения

Click Count (Счетчик кликов)
Количество раз, когда результат поиска изображения был выбран (кликнут) пользователем при выдаче по определенному запросу.
Click Magnet (Магнит кликов)
Изображение, которое привлекает внимание пользователей (генерируя много наведений курсора), но часто не соответствует их информационным потребностям (генерируя мало кликов). Характеризуется низким Click-to-Hover Ratio.
Click-to-Hover Ratio (CHR) (Соотношение кликов к наведениям)
Метрика, рассчитываемая как отношение Click Count к Hover Count для пары изображение-запрос. Используется для выявления click magnets.
Demoting Factor (Понижающий коэффициент)
Множитель, применяемый к начальной оценке качества для пессимизации изображений с низким Click-to-Hover Ratio. Часто рассчитывается через сигмовидную функцию.
Hover Count (Счетчик наведений)
Количество раз, когда курсор был наведен на результат поиска изображения при выдаче по определенному запросу. Упоминается, что короткие наведения (например, менее 0.5 сек) могут исключаться.
Hover Weighting (Вес наведения)
Коэффициент, определяющий значимость одного наведения относительно одного клика. Зависит от популярности запроса (общего количества кликов по запросу).
Impression Count (Счетчик показов)
Количество раз, когда результат поиска изображения был предоставлен в ответ на запрос.
Initial Quality Score (Начальная оценка качества)
Предварительная оценка качества или релевантности изображения до применения корректировок на основе Hover Data.
Quality Measure (Метрика качества)
Итоговая метрика, используемая для корректировки ранжирования, основанная на Click Count и Hover Count.
Total Selection Count (Общий счетчик выборов)
Сумма Click Count и Hover Count (взвешенного или невзвешенного) для изображения или для всего запроса.

Ключевые утверждения (Анализ Claims)

Патент описывает несколько вариантов реализации (embodiments), которые можно сгруппировать в три основных механизма.

Механизм 1: Взвешенные наведения для редких запросов (Claims 1-5)

Claim 1 (Независимый) описывает процесс использования взвешенных данных о наведении:

  1. Определяются Click Count и Hover Count для пары изображение-запрос.
  2. Вычисляется Quality Measure. Ключевой аспект этого вычисления:
    1. Определяется Hover Weighting для запроса на основе общего количества кликов по этому запросу (Total Click Count). Этот вес определяет, насколько сильно наведение учитывается относительно клика.
    2. Hover Count изображения корректируется с использованием Hover Weighting.
    3. Вычисляется Total Image Selection Count как сумма Click Count и скорректированного Hover Count.
    4. Этот показатель используется в процессе ранжирования для определения Quality Measure.
  3. Ранжирование изображения корректируется на основе Quality Measure.

Claim 2 (Зависимый): Hover Weighting обратно пропорционален общему количеству кликов по запросу. Если запрос редкий (мало кликов), вес наведения высок. Если запрос популярный (много кликов), вес наведения низок.

Claim 3 (Зависимый): Для расчета Hover Weighting используется сигмовидная функция, примененная к общему количеству кликов.

Механизм 2: Пессимизация через Click-to-Hover Ratio (Claims 6-8)

Claim 6 (Зависимый): Вводит понятие Click-to-Hover Ratio (CHR). Quality Measure основывается на этом соотношении.

Claim 7 и 8 (Зависимые): Описывают процесс применения CHR:

  1. Генерируется Initial Quality Score (например, на основе кликов).
  2. Вычисляется Demoting Factor путем применения сигмовидной функции к Click-to-Hover Ratio (Claim 8).
  3. Initial Quality Score корректируется этим фактором (например, умножается на него) для определения финальной Quality Measure (Claim 7).

Механизм 3: Комбинированный подход с порогами (Claims 9-12)

Claim 9 (Независимый): Описывает альтернативный процесс, включающий проверку пороговых значений:

  1. Получение Initial Quality Score и Impression Count.
  2. Проверка, удовлетворяет ли Impression Count пороговому значению (т.е. достаточно ли данных).
  3. Если ДА:
    1. Вычисляется Total Selection Count (сумма кликов и наведений).
    2. Вычисляется Click Through Rate (Total Selection Count / Impression Count) – т.н. Modified CTR.
    3. Вычисляется Click-to-Hover Ratio.
    4. Финальная Quality Measure определяется с использованием Initial Quality Score, CTR и Click-to-Hover Ratio.
  4. Ранжирование корректируется.

Claim 10 (Зависимый): Если Impression Count НЕ удовлетворяет порогу, Quality Measure определяется умножением Initial Quality Score на значение по умолчанию (default value).

Claim 11 (Зависимый): Детализирует расчет Quality Measure в Шаге 3.d. Он включает корректировку CTR и CHR с помощью параметров (соответствует формуле с коэффициентами m, n, k) и финальное умножение на Initial Quality Score.

Где и как применяется

Изобретение применяется преимущественно на финальных этапах обработки поискового запроса в системе поиска изображений.

RANKING – Ранжирование
На этом этапе система генерирует начальный набор релевантных изображений и рассчитывает их Initial Quality Score или базовые оценки релевантности, используя стандартные сигналы.

RERANKING – Переранжирование
Основная область применения патента. Модуль корректировки ранга (Rank Modifier Engine) использует исторические данные о поведении пользователей для пересчета оценок.

  1. Сбор данных: Система извлекает Click Count, Hover Count и Impression Count из логов пользовательской активности (Historical Data / Result Selection Logs) для каждой пары изображение-запрос.
  2. Расчет метрик: Вычисляются вспомогательные метрики, такие как Hover Weighting (на основе популярности запроса), Click-to-Hover Ratio и модифицированный CTR.
  3. Вычисление Quality Measure: Рассчитывается итоговая Quality Measure с использованием одного из трех описанных механизмов.
  4. Корректировка ранга: Начальные оценки ранжирования модифицируются (например, умножаются) на Quality Measure для получения скорректированного рейтинга.

Входные данные:

  • Поисковый запрос и набор релевантных изображений с их Initial Quality Scores.
  • Исторические логи взаимодействий (клики, наведения, показы) для пар изображение-запрос.

Выходные данные:

  • Скорректированный рейтинг изображений (Adjusted Ranking).

На что влияет

  • Конкретные типы контента: Влияет исключительно на результаты поиска изображений (Image Search).
  • Специфические запросы:
    • Редкие и Long-tail запросы: Наибольшее положительное влияние (Механизм 1). За счет повышения веса наведений (Hover Weighting) система может лучше ранжировать изображения, даже если по ним мало кликов.
    • Популярные запросы: Влияние Hover Data как сигнала выбора снижается, система больше полагается на Click Data.
  • Конкретные ниши или тематики: Наибольшее влияние в нишах, подверженных кликбейту или использованию вводящих в заблуждение миниатюр. Механизм 2 напрямую нацелен на пессимизацию таких click magnets.

Когда применяется

  • При каких условиях работает алгоритм: Алгоритм применяется во время обработки запроса в поиске по картинкам.
  • Триггеры активации и пороговые значения:
    • Популярность запроса: Механизм 1 активируется всегда, но его влияние (Hover Weighting) динамически меняется в зависимости от общего количества кликов по запросу.
    • Порог показов (Impression Threshold): Механизм 3 проверяет, было ли изображение показано достаточное количество раз. Если нет, применяется default factor. Если да, применяются расчеты на основе CTR и CHR.

Пошаговый алгоритм

Патент предлагает три взаимодополняющих алгоритма расчета Quality Measure.

Алгоритм А: Расчет взвешенных выборов (Weighted Selections)

  1. Определение популярности запроса: Рассчитывается общий счетчик кликов для данного запроса (Weighted Denominator, wd).
  2. Расчет веса наведения: Вычисляется Hover Weighting с использованием Weighted Denominator. Применяется сигмовидная функция (Eq. 2), обеспечивающая обратную пропорциональность: чем больше кликов, тем меньше вес.
  3. Корректировка счетчика наведений изображения: Hover Count изображения умножается на Hover Weighting.
  4. Расчет выборов изображения: Вычисляется Total Selection Count для изображения как сумма его Click Count и скорректированного Hover Count.
  5. Определение Quality Measure: Quality Measure рассчитывается (например, как отношение) с использованием Total Selection Count изображения и общего Total Selection Count для запроса.

Алгоритм Б: Расчет понижающего коэффициента (Demoting Factor)

  1. Получение начальной оценки: Определяется Initial Quality Score (iqs) (например, на основе кликов).
  2. Расчет соотношения: Вычисляется Click-to-Hover Ratio (Clicks / Hovers) для пары изображение-запрос.
  3. Расчет понижающего коэффициента: Вычисляется Demoting Factor (DF) путем применения сигмовидной функции к Click-to-Hover Ratio (Eq. 3). Низкое соотношение дает низкий коэффициент.
  4. Определение Quality Measure: Quality Measure рассчитывается путем умножения Initial Quality Score на Demoting Factor. Может использоваться формула Eq. 4:

Выводы

  1. Наведение курсора (Hover) как сигнал интереса: Google рассматривает наведение курсора на миниатюру (которое часто вызывает предпросмотр увеличенного изображения) как явный сигнал пользовательского интереса, дополняющий сигнал клика.
  2. Адаптивное взвешивание для Long-Tail запросов: Система динамически регулирует важность наведений (Hover Weighting). Для редких запросов с малым количеством кликов наведения получают значительно больший вес, что позволяет улучшить ранжирование при разреженных данных. Для популярных запросов вес наведений снижается.
  3. Прямая борьба с «Магнитами кликов» (Click Magnets): Патент вводит метрику Click-to-Hover Ratio (CHR) как инструмент для идентификации кликбейта. Изображения, которые привлекают много внимания (высокий Hover Count), но получают мало кликов (низкий Click Count), активно пессимизируются с помощью Demoting Factor.
  4. Баланс между вовлеченностью и удовлетворенностью: Система пытается сбалансировать вовлеченность (измеряемую через модифицированный CTR, включающий наведения) и удовлетворенность (измеряемую через CHR). Использование настраиваемых параметров (m, n, k) позволяет Google точно регулировать этот баланс.
  5. Использование нелинейных функций (Сигмоиды): Применение сигмоидных функций для расчета весов и понижающих коэффициентов позволяет системе плавно изменять влияние факторов в зависимости от контекста, избегая резких скачков в ранжировании.
  6. Обработка новых изображений: Система предусматривает механизм для ранжирования изображений, по которым еще не накоплена статистика (Impression Count ниже порога), используя значения по умолчанию (default factor).

Практика

Best practices (это мы делаем)

  • Оптимизация миниатюр под релевантность и честность: Ключевая рекомендация. Миниатюры (thumbnails) должны точно отражать содержание полноразмерного изображения и соответствовать интенту запроса. Это обеспечивает здоровый Click-to-Hover Ratio и защищает от пессимизации как click magnet.
  • Повышение привлекательности релевантных миниатюр: Используйте высококачественные, четкие и эстетически привлекательные изображения. Привлекательность стимулирует пользователей изучать изображение (генерируя Hover или клик), что положительно влияет на модифицированный CTR.
  • Оптимизация под Long-Tail запросы в Image Search: Создавайте качественные изображения для узкоспециализированных тем. Благодаря Механизму 1 (повышенный вес наведений для редких запросов), такие изображения могут ранжироваться лучше, даже при небольшом количестве прямых кликов, если они вызывают интерес (наведения).
  • Обеспечение высокого качества полного изображения: Убедитесь, что изображение в высоком разрешении соответствует ожиданиям пользователя. Если после наведения курсора (предпросмотра) пользователь видит низкокачественный контент, он не кликнет, что ухудшит CHR.

Worst practices (это делать не надо)

  • Использование кликбейтных миниатюр (Clickbait): Применение изображений, которые намеренно вводят в заблуждение или не соответствуют содержанию (например, ложные кнопки play, нерелевантные шокирующие изображения, агрессивный маркетинг). Патент напрямую описывает механизм (Click-to-Hover Ratio и Demoting Factor) для борьбы с этой тактикой.
  • Манипуляция вниманием без предоставления ценности: Попытки привлечь внимание к миниатюре (например, яркими рамками или анимацией), если само изображение не представляет ценности для пользователя. Это приведет к высокому Hover Count и низкому Click Count.
  • Подмена контента или нерелевантный кроппинг: Использование интересного кропа для thumbnail, в то время как полное изображение является нерелевантным или низкокачественным.

Стратегическое значение

Патент подтверждает, что Google глубоко анализирует поведенческие сигналы и стремится измерить не только вовлеченность, но и удовлетворенность пользователя. Для SEO-специалистов это означает, что любая стратегия, направленная на привлечение внимания, должна быть подкреплена реальной ценностью и релевантностью. В контексте эволюции интерфейсов (переход на мобильные устройства), принципы этого патента, вероятно, адаптированы к измерению dwell time (времени пребывания) на элементе, подчеркивая важность качественного взаимодействия пользователя с результатами поиска.

Практические примеры

Сценарий 1: Понижение клик-магнита (E-commerce)

  1. Ситуация: Интернет-магазин продает стандартный офисный стул, но для привлечения внимания использует в качестве основного изображения фотографию роскошного игрового кресла.
  2. Взаимодействие: Пользователи ищут "купить офисный стул". Они видят игровое кресло, оно привлекает внимание, и они наводят курсор (Высокий Hover Count).
  3. Результат взаимодействия: При наведении в превью (или после клика) они видят реальный товар (стандартный стул) и разочаровываются. Они не кликают. Click Count низкий.
  4. Действие алгоритма: Система рассчитывает низкий Click-to-Hover Ratio. Применяется Demoting Factor. Изображение понижается в выдаче по картинкам.

Сценарий 2: Повышение по редкому запросу (Информационный сайт)

  1. Ситуация: Блог о садоводстве публикует высококачественную фотографию редкого вида орхидеи.
  2. Взаимодействие: Пользователи ищут по точному названию вида (Редкий запрос). По этому запросу мало общей статистики кликов.
  3. Результат взаимодействия: Изображение в блоге качественное и точно соответствует запросу. Пользователи, видя его в выдаче, наводят курсор для детального рассмотрения (Hover Count растет).
  4. Действие алгоритма: Система определяет запрос как редкий (низкий Total Click Count). Hover Weighting увеличивается (близок к 1). Наведения курсора получают большой вес и трактуются почти как клики. Total Selection Count увеличивается, и изображение получает буст в ранжировании.

Вопросы и ответы

Что такое «Hover Data» в контексте этого патента?

Hover Data — это данные о наведении курсора мыши на миниатюру изображения в результатах поиска. Система фиксирует факт наведения (Hover Count) и его длительность. Наведение курсора часто вызывает показ увеличенной версии изображения (предпросмотр) и рассматривается Google как сигнал пользовательского интереса к изображению.

Как этот патент применяется к мобильному поиску, где нет курсора мыши?

Патент описывает конкретную реализацию (курсор), но его базовые принципы универсальны. В мобильных интерфейсах или современных десктопных версиях аналогом Hover Data являются сигналы dwell time (время пребывания). Например, время, которое пользователь тратит на просмотр увеличенной миниатюры или элемента карусели до того, как проскроллить дальше или кликнуть, выполняет ту же функцию — измерение интереса без клика.

Что такое «Click Magnet» и как Google его определяет?

Click Magnet («Магнит кликов») — это термин для кликбейтных или вводящих в заблуждение миниатюр, которые привлекают непропорционально много внимания, но не удовлетворяют интент пользователя. Google определяет их с помощью метрики Click-to-Hover Ratio (CHR). Если у изображения высокий Hover Count, но низкий Click Count (следовательно, низкий CHR), система классифицирует его как Click Magnet и применяет понижающий коэффициент.

Почему Google по-разному оценивает наведения для популярных и редких запросов?

Для популярных запросов у Google много данных о кликах, которые являются сильным сигналом релевантности. Для редких (long-tail) запросов данных о кликах мало (проблема разреженности). В этом случае Google повышает вес наведений (Hover Weighting), используя их как замену кликам для оценки интереса. Это позволяет улучшить ранжирование там, где стандартный CTR неэффективен.

Что важнее для ранжирования: много наведений или много кликов?

Клики остаются более сильным сигналом. Однако патент показывает, что важен баланс. Идеальная ситуация — это высокий модифицированный CTR (много кликов и наведений относительно показов) и высокий Click-to-Hover Ratio (большинство наведений конвертируются в клики). Много наведений при малом количестве кликов приведет к пессимизации.

Как рассчитывается Click-to-Hover Ratio (CHR)?

Это отношение количества кликов к количеству наведений для конкретного изображения по конкретному запросу. Патент предлагает формулу C+1H+1\frac{C+1}{H+1} для расчета CHR. Добавление единицы (сглаживание) используется для предотвращения деления на ноль и стабилизации метрики при малом количестве данных.

Как система обрабатывает новые изображения, по которым нет статистики кликов и наведений?

В Механизме 3 описана проверка порога показов (Impression Threshold). Если изображение было показано недостаточное количество раз, система не пытается рассчитать CTR или CHR. Вместо этого она умножает начальную оценку качества (Initial Quality Score) на значение по умолчанию (Default Factor). Это позволяет новым изображениям ранжироваться на основе их базовой релевантности.

Что такое сигмовидная функция и зачем она используется в этом патенте?

Сигмовидная функция (S-образная кривая) используется для преобразования линейной метрики в вероятность или коэффициент в диапазоне от 0 до 1. В патенте она применяется дважды: для расчета Hover Weighting на основе популярности запроса и для расчета Demoting Factor на основе Click-to-Hover Ratio. Она позволяет плавно изменять коэффициент при изменении входной метрики, избегая резких скачков в ранжировании.

Что означают параметры m, n, k в комбинированной формуле Quality Measure?

Эти параметры являются настраиваемыми коэффициентами в формуле (CTRm∗CHRn)k(CTR^m * CHR^n)^k. Параметр 'm' регулирует влияние модифицированного CTR (вовлеченность), 'n' регулирует влияние CHR (удовлетворенность/анти-кликбейт), а 'k' регулирует общее влияние этой комбинации на итоговую оценку. Они позволяют инженерам Google тонко настраивать алгоритм ранжирования.

Как следует оптимизировать миниатюры изображений, исходя из этого патента?

Оптимизация должна быть сбалансированной. Миниатюра должна быть достаточно привлекательной и качественной, чтобы стимулировать интерес (наведение/просмотр). Но критически важно, чтобы она была максимально релевантной запросу и честно отражала содержание полноразмерного изображения. Цель — добиться высокого показателя Click-to-Hover Ratio, что означает высокую конверсию интереса в клик.

Похожие патенты

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 комбинирует визуальное сходство и поведение пользователей для переранжирования поиска по картинкам
Google использует механизм для перекрестной проверки релевантности изображений, объединяя поведенческие сигналы (клики) с визуальным анализом. Если изображение часто кликают и оно визуально похоже на другие релевантные изображения по запросу (совместная релевантность), его рейтинг агрессивно повышается. Если оно редко кликается и визуально отличается (совместная нерелевантность), его рейтинг понижается. Это защищает выдачу от кликбейта.
  • US8209330B1
  • 2012-06-26

  • Поведенческие сигналы

  • SERP

  • Мультимедиа

Как Google использует клики пользователей для генерации альтернативных запросов и автоматической разметки изображений
Google анализирует исторические данные о том, какие запросы приводили к кликам по конкретному изображению. Эти запросы используются как автоматические метки (labels) для индексации и как предлагаемые альтернативные запросы при взаимодействии пользователя с этим изображением в выдаче. Система позволяет уточнять поиск на основе коллективного поведения и переносить метки между визуально похожими изображениями.
  • US20150161175A1
  • 2015-06-11

  • Индексация

  • Поведенческие сигналы

  • Семантика и интент

Как Google использует клики по изображениям для определения схожести запросов и картинок (Поведенческая схожесть)
Google анализирует поведение пользователей в поиске по картинкам, чтобы определить схожесть двух запросов (или двух изображений). Если пользователи часто кликают на одни и те же изображения в ответ на разные запросы, эти запросы считаются похожими. Этот механизм (Коллаборативная фильтрация) позволяет находить связи независимо от языка или типа запроса (текст/изображение) и используется для генерации рекомендаций.
  • US8280881B1
  • 2012-10-02

  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google использует клики пользователей в поиске по картинкам для понимания содержания изображений и улучшения таргетинга
Google анализирует поведение пользователей в поиске по картинкам для идентификации содержания изображений. Если пользователи ищут определенный запрос (идею) и массово кликают на конкретное изображение в результатах, система связывает это изображение с данным запросом (концепцией). Эти данные используются для улучшения ранжирования в поиске картинок и для предложения релевантных ключевых слов рекламодателям, загружающим схожие изображения.
  • US11409812B1
  • 2022-08-09

  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Популярные патенты

Как Google использует длительность кликов, Pogo-Sticking и уточнение запросов для оценки качества поиска (Click Profiles)
Google анализирует поведение пользователей после клика для оценки удовлетворенности. Система создает «Профили взаимодействия» (Click Profiles), учитывая длительность клика (Dwell Time), возврат к выдаче (Pogo-Sticking) и последующее уточнение запроса. Эти данные используются для сравнения эффективности алгоритмов ранжирования и выявления спама или кликбейта.
  • US9223868B2
  • 2015-12-29

  • Поведенческие сигналы

  • SERP

  • Антиспам

Как Google использует клики (CTR) и время на сайте (Click Duration) для выявления спама и корректировки ранжирования в тематических выдачах
Google использует итеративный процесс для улучшения классификации контента и выявления спама, анализируя поведенческие сигналы (CTR и продолжительность клика). Если пользователи быстро покидают документ или игнорируют его в выдаче, он помечается как спам или нерелевантный теме. Эти данные затем используются для переобучения классификатора и корректировки ранжирования для будущих тематических запросов.
  • US7769751B1
  • 2010-08-03

  • Поведенческие сигналы

  • Антиспам

  • SERP

Как Google динамически повышает порог качества для результатов поиска по «рискованным» запросам
Google оценивает «риск» поискового запроса, анализируя общее качество топовых результатов. Если запрос часто привлекает спам, кликбейт или нежелательный контент (особенно видео), система динамически повышает минимальный порог качества. Контент, не соответствующий этому повышенному стандарту, понижается в выдаче, при этом учитываются такие сигналы, как показатель просмотров (Watch Rate).
  • US11609949B2
  • 2023-03-21

  • Антиспам

  • SERP

  • Поведенческие сигналы

Как Google позволяет пользователям "углубиться" в контент установленного мобильного приложения прямо из веб-выдачи
Google использует этот механизм для интеграции контента из нативных приложений в веб-поиск. Если приложение установлено у пользователя и система определяет высокую релевантность его контента запросу, в выдачу добавляется специальный элемент (например, "Больше результатов из приложения X"). Клик по этому элементу запускает новый поиск, показывая множество deep links только из этого приложения, не покидая интерфейс поиска.
  • US10579687B2
  • 2020-03-03

  • SERP

  • Семантика и интент

  • Ссылки

Как Google использует историю кликов пользователей для определения интента, связанного с физическим адресом, и таргетинга рекламы
Google анализирует, какие поисковые запросы исторически приводят к наибольшему количеству кликов по бизнесам, расположенным по определенному адресу. Когда пользователь ищет этот адрес (или смотрит его на карте), Google использует этот «Самый популярный поисковый термин» (Most-Popular Search Term), чтобы определить намерение пользователя и показать релевантную информацию и рекламу.
  • US20150261858A1
  • 2015-09-17

  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы

Как Google автоматически превращает текст на странице в ссылки на результаты поиска для монетизации контента
Патент Google описывает технологию автоматического анализа контента веб-страницы для выявления ключевых тем и терминов. Система генерирует релевантные поисковые запросы и динамически встраивает гиперссылки в текст страницы. При клике пользователь перенаправляется на страницу результатов поиска (SERP). Ключевая особенность: система приоритизирует термины с высоким потенциалом дохода от рекламы.
  • US7788245B1
  • 2010-08-31

  • Ссылки

  • SERP

  • Семантика и интент

Как Google использует структурированные данные для отображения прямых ссылок на песни в результатах поиска (Rich Snippets)
Google улучшает результаты поиска музыки, извлекая детали песен (названия, альбомы, продолжительность) из структурированной разметки (например, HTML5 microdata) на веб-страницах. Это позволяет Google отображать прямые ссылки на конкретные песни (вторичные ссылки) внутри основного блока результатов поиска, при условии соблюдения определенных порогов качества и популярности.
  • US9128993B2
  • 2015-09-08

  • Ссылки

  • SERP

  • Индексация

Как Google использует машинное обучение (Learning to Rank) для имитации оценок асессоров и улучшения ранжирования
Google использует технологию Learning to Rank для обучения статистических моделей, которые имитируют оценки человеческих асессоров. Модели анализируют объективные сигналы (статические и поведенческие) для пары запрос/документ и предсказывают, насколько релевантным этот документ сочтет человек. Эти прогнозы затем используются для ранжирования результатов поиска.
  • US8195654B1
  • 2012-06-05

  • Поведенческие сигналы

  • SERP

Как Google использует контекст текущей сессии и поведение похожих пользователей для персонализации и переранжирования выдачи
Google анализирует недавнюю активность пользователя (запросы и клики в рамках сессии), чтобы определить его краткосрочный интерес. Система сравнивает, как другие пользователи с таким же интересом взаимодействовали с результатами по текущему запросу, по сравнению с общим поведением. Если предпочтения статистически значимо различаются, Google переранжирует выдачу, повышая результаты, предпочитаемые «похожей» аудиторией, учитывая при этом время взаимодействия с контентом (Dwell Time).
  • US8972391B1
  • 2015-03-03

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google ранжирует и рекомендует источники контента (каналы, профили) на основе внутренних ссылок, аннотаций и кликов по ним
Google использует механизм для ранжирования и рекомендации источников контента (например, YouTube-каналов или профилей) внутри платформ. Система анализирует, как часто источник упоминается в аннотациях, описаниях и комментариях к контенту, который просматривал пользователь. Ключевым фактором ранжирования является не только количество упоминаний, но и общее число кликов (активаций) по этим ссылкам.
  • US9235625B2
  • 2016-01-12

  • Ссылки

  • Поведенческие сигналы

  • Мультимедиа