Google использует этот фреймворк для улучшения поисковых подсказок (Autocomplete) путем интеграции локального контекста. Система определяет общее и точное местоположение пользователя, а затем смешивает глобально популярные запросы с запросами, популярными именно в этой местности. Для определения локальной популярности используются модели пространственного распределения, что позволяет агрессивно продвигать местные подсказки, если они значительно релевантнее в данном регионе.

Описание

Какую проблему решает

Патент решает проблему предоставления релевантных поисковых подсказок (Autocomplete), которые учитывают географический контекст пользователя. Стандартные подсказки, основанные только на глобальной популярности, могут упускать запросы, критически важные для конкретного региона. В то же время, опора только на локальные данные может быть ненадежной из-за малого объема выборки и статистического шума. Цель изобретения – сбалансировать надежность глобальных данных и локальную релевантность.

Что запатентовано

Запатентована система для динамического смешивания (blending) общих (general queries) и локальных (local queries) поисковых подсказок. Система определяет General Location (например, страну) и Specific Location (например, город или координаты) пользователя. Для введенной части запроса (query stem) генерируются два списка подсказок, которые затем объединяются на основе их показателей качества (quality measures) и стратегий продвижения.

Как это работает

Ключевой механизм работы системы:

  • Определение местоположения: Система определяет точное и общее местоположение устройства, используя IP, GPS, данные сотовых вышек или историю предыдущих запросов пользователя.
  • Получение подсказок: Для query stem параллельно запрашиваются общие и локальные подсказки из соответствующих логов запросов.
  • Определение локальности: Локальная популярность определяется с помощью моделей пространственного распределения (например, bivariate Gaussian distribution), которые определяют географическую "область высокого качества" (area of high quality) для запроса, независимо от административных границ.
  • Смешивание (Blending): Blending Engine объединяет списки. Локальные подсказки могут быть повышены (promoted), если они являются уточнениями (refinement) общих подсказок или если их локальная популярность значительно превышает глобальную (превышен порог).

Актуальность для SEO

Высокая. Локальный поиск и персонализация подсказок остаются критически важными, особенно на мобильных устройствах. Описанные механизмы формируют основу того, как Google Autocomplete адаптируется к местоположению пользователя, предлагая местные бизнесы, достопримечательности и события по мере ввода запроса.

Важность для SEO

Патент имеет высокое значение (75/100) для Local SEO и управления репутацией (SERM). Он не описывает алгоритмы ранжирования, но критически важен для понимания того, как пользователи формируют локальные запросы (Query Formulation). Влияние на SEO заключается в возможности "перехватить" пользователя на этапе ввода запроса. Попадание бренда или услуги в локальные подсказки значительно увеличивает видимость и потенциальный трафик.

Детальный разбор

Термины и определения

Area of high quality (Область высокого качества)
Географическая область, где конкретный запрос имеет высокую популярность или качество. Определяется с помощью кластерного анализа логов запросов, независимо от административных границ.
Blending Engine (Механизм смешивания)
Компонент системы, который объединяет списки локальных и общих подсказок, используя их показатели качества и правила продвижения для определения финального порядка.
General Location (Общее местоположение)
Более крупный географический регион (например, страна), используемый для получения общих подсказок.
General Queries (Общие запросы/подсказки)
Поисковые подсказки, основанные на популярности в General Location.
Local Queries (Локальные запросы/подсказки)
Поисковые подсказки, основанные на популярности в Specific Location.
Query Stem (Часть запроса)
Текст, введенный пользователем в поле поиска до отправки запроса.
Quality Measure / Quality Metric (Показатель качества)
Метрика, присваиваемая каждой подсказке. В первую очередь является мерой популярности (measure of popularity) запроса в соответствующем регионе, но может также включать оценку качества результатов поиска (например, клики на результаты).
Specific Location (Точное местоположение)
Конкретное местоположение пользователя (например, город, район, координаты).
Spatial Distribution (Пространственное распределение)
Статистическая модель (например, bivariate Gaussian distribution), описывающая географическое распределение частоты использования запроса. Используется для определения area of high quality и моделирования снижения популярности по мере удаления от центра кластера.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс предоставления локализованных подсказок.

  1. Система определяет general location и specific location клиентского устройства. Важное уточнение в Claim 1: specific location определяется с использованием предыдущих запросов (prior queries) или информации профиля пользователя (user profile information).
  2. Во время получения query stem (до отправки запроса):
  3. Получается набор general queries с первым quality measure (относительно general location).
  4. Получается набор local queries со вторым quality measure (относительно specific location).
  5. Оба набора объединяются (combining), порядок определяется на основе quality measures.
  6. Объединенный список предоставляется пользователю.

Claim 4 (Зависимый от 1): Детализирует процесс получения локальных запросов.

Система идентифицирует area of high quality для локального запроса и проверяет, находится ли specific location пользователя внутри этой области. Если да, запрос включается в набор локальных подсказок.

Claim 5 и 6 (Зависимые от 4): Уточняют, как определяется area of high quality.

Область представлена spatial distribution возникновения запросов, которое может быть смоделировано с помощью bivariate Gaussian distribution. Это означает, что система моделирует популярность как кластер с центром и радиусом затухания, а не привязывается к жестким административным границам.

Claim 8 (Зависимый от 1) и Claim 32 (Независимый): Описывают стратегию смешивания: Продвижение на основе разницы в качестве.

Если запрос присутствует в обоих списках и разница между локальным и общим quality measure превышает определенный порог (threshold), этот запрос повышается (promoting) в объединенном списке.

Claim 9 (Зависимый от 1) и Claim 33 (Независимый): Описывают стратегию смешивания: Продвижение уточнений.

Если определяется, что локальный запрос является уточнением (refinement) общего запроса (например, добавление названия города к бренду), локальный запрос повышается (promoting) в объединенном списке.

Где и как применяется

Изобретение применяется в системе поисковых подсказок (Autocomplete) и относится к этапу понимания запроса.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения. Система работает в реальном времени (Query Formulation):

  1. Location Identification Engine определяет specific и general location.
  2. Query Suggestion Engine (включая Local и General подсистемы) генерирует кандидатов.
  3. Blending Engine объединяет и ранжирует кандидатов, применяя логику продвижения локальных результатов.

INDEXING – Индексирование (Офлайн-процессы)
Для работы системы необходимы предварительные вычисления:

  • Обработка логов запросов (Query Log) с привязкой к местоположению.
  • Кластерный анализ (statistical cluster analysis) для определения spatial distribution и центров популярности запросов.
  • Расчет Quality Measures для запросов в разных географических масштабах.

Входные данные:

  • Query stem (вводимый текст).
  • Данные о местоположении (IP, GPS, Cell ID).
  • История поиска пользователя (prior queries) и данные профиля.

Выходные данные:

  • Отсортированный объединенный список поисковых подсказок (Suggestion List).

На что влияет

  • Специфические запросы: Наибольшее влияние на запросы с сильным локальным интентом (поиск местных бизнесов, адресов, локальных событий, местных органов власти).
  • Конкретные ниши или тематики: Критически важно для Local SEO: рестораны, услуги, ритейл с офлайн-магазинами, недвижимость, авто.
  • Географические ограничения: Система спроектирована для работы с разными масштабами (от гиперлокального до уровня штата) и может определять зоны популярности независимо от геополитических границ, используя кластеры активности.

Когда применяется

  • Триггеры активации: Алгоритм активируется при вводе текста в строку поиска (генерация Autocomplete).
  • Условия продвижения (Promotion): Локальная подсказка продвигается, если: (1) разница между ее локальной и глобальной популярностью превышает порог; ИЛИ (2) она является уточнением глобальной подсказки.
  • Исключения: В описании патента упоминается, что если локальные данные слишком разрежены или зашумлены (из-за малой популяции), система может предпочесть более надежные общие подсказки.

Пошаговый алгоритм

Процесс А: Обработка ввода пользователя в реальном времени

  1. Определение местоположения: Система определяет specific location и general location клиентского устройства.
  2. Получение ввода: Система получает query stem.
  3. Запрос общих подсказок: General Query Suggestion Engine получает список подсказок и их общие Quality Measures.
  4. Запрос локальных подсказок: Local Query Suggestion Engine проверяет, попадает ли specific location пользователя в area of high quality (используя spatial distribution) для кандидатов, и получает их локальные Quality Measures.
  5. Смешивание (Blending): Blending Engine объединяет списки, применяя правила:
    • Базовое ранжирование: Сортировка по Quality Measures.
    • Правило Порога (Threshold Boosting): Если запрос есть в обоих списках и разница (Локальное Качество - Общее Качество) > Порог, запрос повышается.
    • Правило Уточнения (Refinement Boosting): Если локальный запрос является уточнением общего, локальный запрос повышается (например, ставится сразу под общим).
  6. Презентация: Объединенный список отображается пользователю.

Процесс Б: Офлайн-анализ географии запросов

  1. Сбор данных: Сбор логов запросов с привязкой к местоположению.
  2. Кластеризация: Применение статистического кластерного анализа для идентификации географических кластеров популярности запросов.
  3. Моделирование распределения: Для каждого кластера определяется центр и строится модель Spatial Distribution (например, bivariate Gaussian distribution), где качество запроса уменьшается по мере удаления от центра. Это определяет area of high quality.
  4. Расчет метрик: Расчет базовых Quality Measures для использования в реальном времени.

Какие данные и как использует

Данные на входе

  • Поведенческие факторы: Логи запросов (Query Logs) – основной источник данных. Анализируется частота отправки запросов (frequency) и местоположение. Также могут учитываться взаимодействия с результатами (клики, выбор ресурсов) для оценки качества запроса.
  • Географические факторы: IP-адреса, GPS-координаты, данные о близости к сотовым вышкам.
  • Пользовательские факторы: История предыдущих запросов пользователя (prior queries) и информация из профиля (user profile information) используются для уточнения местоположения (Claim 1).

Какие метрики используются и как они считаются

  • Quality Measure (Показатель качества): Основная метрика для ранжирования, преимущественно основанная на популярности (Measure of popularity).
  • Measure of Popularity (Мера популярности): Рассчитывается как отношение. Пример из патента:

Выводы

  1. Локализация Autocomplete – это сложное смешивание: Google не просто подставляет локальные данные, а использует Blending Engine для балансировки глобальной популярности (надежность) и локальной популярности (релевантность).
  2. Определение локальности не привязано к границам: Ключевой механизм – использование кластерного анализа и Spatial Distribution (например, Гауссовского распределения) для определения area of high quality. Это позволяет моделировать популярность независимо от административных границ.
  3. Агрессивное продвижение локальных подсказок: Система имеет два четких триггера для продвижения (promoting) локальных подсказок: (1) если запрос значительно популярнее локально, чем глобально (превышение порога); (2) если локальный запрос является уточнением (refinement) глобального.
  4. Популярность – ключевая метрика: Quality Measure для подсказок в первую очередь основана на частоте использования запроса (Measure of popularity) в соответствующем регионе.
  5. История поиска используется для локализации: Патент подтверждает (Claim 1), что предыдущие запросы пользователя и данные профиля используются для определения его точного местоположения, если технические данные (GPS/IP) недоступны или для уточнения.

Практика

Best practices (это мы делаем)

  • Стимулирование локального брендового спроса: Для попадания в локальные подсказки критически важно, чтобы пользователи в конкретном регионе часто искали ваш бренд или услугу. Используйте локальный маркетинг, PR и офлайн-активности для повышения узнаваемости и стимулирования прямых поисковых запросов в целевой географической зоне. Это повышает локальный Quality Measure.
  • Оптимизация под уточнения (Refinements): Активно работайте над популяризацией запросов в формате "Бренд + Город" или "Услуга + Район". Система распознает их как локальные уточнения (refinements) общих запросов и может продвигать их в подсказках (Claim 9). Создавайте контент и структуру сайта, соответствующие этим уточнениям.
  • Мониторинг локальных подсказок: Регулярно анализируйте поисковые подсказки в целевых регионах (используя эмуляцию локации). Это дает прямое понимание того, какие запросы Google считает локально популярными (имеющими area of high quality в этом регионе) и помогает адаптировать семантическое ядро.
  • Построение локальной сущности: Убедитесь, что Google четко ассоциирует ваш бизнес (сущность) с конкретной территорией, в том числе через Google Business Profile. Это помогает системе корректно идентифицировать ваш бизнес при обработке локальных запросов.

Worst practices (это делать не надо)

  • Накрутка популярности запросов: Попытки искусственно завысить частоту локальных запросов с помощью ботов неэффективны. Система использует сложные модели Spatial Distribution и кластерный анализ, которые помогают отличить органический интерес от манипуляций. Также система может отфильтровать локальные данные, если они выглядят ненадежными или зашумленными.
  • Игнорирование локального контекста: Фокус только на общенациональном продвижении без учета локальной специфики приведет к потере видимости в Autocomplete на местном уровне, так как система активно продвигает локально релевантные подсказки.
  • Ориентация только на административные границы: Не ограничивайте оптимизацию только названием города. Поскольку система использует кластеры популярности (area of high quality), важно быть релевантным в фактической зоне обслуживания, которая может охватывать несколько городов или только часть одного большого города.

Стратегическое значение

Патент подтверждает, что влияние в поиске начинается на этапе формирования запроса (Query Formulation). Autocomplete – это первый фильтр намерений пользователя. Стратегическое значение для SEO заключается в необходимости построения реальной локальной авторитетности и узнаваемости. Популярность в Query Logs с привязкой к конкретной географии является ключевым фактором для влияния на Google Suggest. Это смещает фокус с традиционной оптимизации на более широкие маркетинговые усилия по формированию спроса на локальном уровне.

Практические примеры

Сценарий 1: Продвижение локального ресторана (на основе порогов)
(Основано на примере FIG. 4C из патента)

  1. Ситуация: Пользователь в Сан-Франциско вводит "Gar".
  2. Общие подсказки (General): "Garmin" (Score 0.13), "Garnet Hill" (0.105). Известный ресторан "Gary Danko" имеет низкую глобальную популярность (Score 0.002).
  3. Локальные подсказки (Local): В Сан-Франциско "Gary Danko" очень популярен (Score 0.12).
  4. Применение алгоритма: Blending Engine сравнивает локальную (0.12) и глобальную (0.002) популярность. Разница значительно превышает установленный порог (например, 0.08, как указано в патенте).
  5. Результат: "Gary Danko" агрессивно продвигается (promoting) в объединенном списке подсказок для этого пользователя, опережая многие глобально популярные запросы.

Сценарий 2: Показ филиала магазина (на основе уточнения)
(Основано на примере FIG. 4B из патента)

  1. Ситуация: Пользователь в Саннивейл вводит "Hom".
  2. Общие подсказки (General): "Home Depot" (Score 100), "Home Depot Center" (90).
  3. Локальные подсказки (Local): "Home Depot Sunnyvale" (100), "Homestead High School" (82).
  4. Применение алгоритма: Blending Engine распознает "Home Depot Sunnyvale" как уточнение (refinement) общего запроса "Home Depot".
  5. Результат: Система продвигает "Home Depot Sunnyvale" в списке, например, размещая его сразу под "Home Depot", чтобы облегчить пользователю локальный поиск. Также "Homestead High School" может быть продвинут как высокоспецифичный локальный запрос.

Вопросы и ответы

Что является основной метрикой качества (Quality Measure) для подсказок согласно патенту?

Основной метрикой является популярность (measure of popularity) – частота использования конкретного запроса по отношению к другим запросам с тем же префиксом (Query Stem). Эта популярность рассчитывается отдельно для общего местоположения (например, страны) и конкретного местоположения пользователя. Также может учитываться качество результатов поиска по этому запросу (например, клики).

Как Google определяет, что запрос является «локальным», не используя границы городов?

Google анализирует логи запросов и использует статистический кластерный анализ для выявления географических скоплений, где запрос часто используется. На основе этих кластеров строится модель пространственного распределения (Spatial Distribution), например, Гауссовское распределение. Это определяет «Область высокого качества» (Area of high quality) как "тепловое пятно" популярности, независимо от административных границ.

Как именно смешиваются локальные и общие подсказки? Всегда ли локальные выше?

Не всегда. Blending Engine использует несколько стратегий. Базовая стратегия — ранжирование по Quality Measure. Однако локальные подсказки активно продвигаются (promoting) в двух случаях: если локальная популярность значительно выше глобальной (превышает порог) или если локальная подсказка является уточнением (refinement) общего запроса (например, "Бренд + Город").

Может ли Google определить мое местоположение, если GPS выключен и я использую VPN?

Да, может. В Claim 1 патента явно указано, что система использует историю предыдущих запросов (prior queries) с устройства и информацию профиля пользователя для определения Specific Location. Если вы ранее искали локальные объекты без VPN или вошли в свой аккаунт, система может использовать эти данные для определения вашего вероятного местоположения.

Как SEO-специалист может повлиять на локальные поисковые подсказки?

Прямое влияние ограничено, но косвенное значительно. Основная стратегия — повышение реальной популярности и узнаваемости бренда в целевом географическом регионе. Необходимо стимулировать пользователей в этой локации искать вашу компанию. Это увеличивает локальный Quality Measure в логах Google и повышает шанс попадания в Autocomplete.

Влияет ли этот патент на ранжирование в основной выдаче (SERP)?

Нет, патент описывает исключительно работу Autocomplete до отправки запроса (этап QUNDERSTANDING). Он влияет на то, какой запрос пользователь в итоге отправит (формирование спроса), но не описывает, как будут ранжироваться результаты для этого запроса (этап RANKING).

Что такое бивариантное Гауссово распределение (bivariate Gaussian distribution) в этом контексте?

Это статистическая модель, используемая для описания Spatial Distribution. Она позволяет смоделировать, как популярность запроса убывает по мере удаления от центра кластера (наиболее популярной точки). Это помогает системе оценить локальную популярность запроса в текущей точке пользователя, даже если он не находится точно в центре кластера.

Что произойдет, если в моем регионе мало данных о запросах?

Патент учитывает это. Если объем локальных данных слишком мал или ненадежен (idiosyncratic search habits), Blending Engine предпочтет общие подсказки (General Query Suggestions), так как они основаны на большем объеме данных и статистически более достоверны.

Учитывается ли плотность населения при расчете популярности?

Да, в описании патента упоминается такая возможность. Запрос, отправленный 100 раз в малонаселенном районе, может считаться более качественным (иметь более высокий Quality Measure), чем тот же запрос, отправленный 100 раз в густонаселенном мегаполисе, так как он отражает более сильный относительный локальный интерес.

Как использовать информацию из патента для анализа конкурентов?

Анализируя Autocomplete в разных точках города, можно понять географию популярности конкурентов. Если конкурент появляется в подсказках в определенном районе, это значит, что Google идентифицировал area of high quality для его брендовых запросов в этом месте. Это дает ценную информацию о том, где конкурент наиболее узнаваем и активен.

Похожие патенты

Как Google использует физическое местоположение пользователя и категории ближайших бизнесов (POI) для адаптации поисковых подсказок
Google использует физическое местоположение пользователя для адаптации поисковых подсказок (Autocomplete). Система определяет категории ближайших точек интереса (POI), например, «электроника» или «продукты». Затем она предлагает запросы, которые статистически чаще задают пользователи, находящиеся рядом с бизнесами этой категории. Это позволяет адаптировать подсказки к текущему контексту и намерениям пользователя.
  • US9111011B2
  • 2015-08-18

  • Local SEO

  • Персонализация

  • Семантика и интент

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

  • Персонализация

  • Поведенческие сигналы

  • Local SEO

Как Google определяет локальный интент и предлагает уточнить запрос до его отправки в поиск
Google использует вероятностную модель, основанную на поведении пользователей, чтобы определить, имеет ли вводимый запрос локальный интент. Если вероятность высока, система предлагает пользователю добавить уточняющую информацию (например, местоположение) ещё до того, как запрос будет отправлен в поисковую систему. Это позволяет сразу формировать более точную и локализованную выдачу.
  • US8484190B1
  • 2013-07-09

  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы

Как Google объединяет персональную историю поиска и популярные запросы для формирования подсказок (Autocomplete)
Google формирует поисковые подсказки (Autocomplete), комбинируя два источника данных: запросы, которые пользователь вводил ранее (персональная история), и запросы, популярные среди сообщества пользователей. Система ранжирует эти подсказки, учитывая частоту и новизну персональных запросов, и визуально выделяет персональные подсказки от общих.
  • US8639679B1
  • 2014-01-28

  • Персонализация

  • Поведенческие сигналы

Как Google автоматически создает и ранжирует шаблоны запросов с сущностями для улучшения поисковых подсказок (Autocomplete)
Google использует систему для автоматического обнаружения паттернов в поисковых запросах, которые включают фиксированные термины и сущности из определенной категории (например, «рестораны в [городе]»). Система генерирует шаблоны запросов, оценивает их качество на основе частоты использования, разнообразия сущностей и их распределения, а затем использует эти шаблоны для формирования более точных и структурированных поисковых подсказок в реальном времени.
  • US9529856B2
  • 2016-12-27

  • Knowledge Graph

  • Семантика и интент

  • Поведенческие сигналы

Популярные патенты

Как Google корректирует позиционную предвзятость (Position Bias) при обучении моделей ранжирования на кликах пользователей
Google использует механизм для устранения позиционной предвзятости (Position Bias) при обучении моделей ранжирования (Learning to Rank). Система анализирует, на какой позиции находился кликнутый результат, и присваивает этому клику вес важности. Клики по нижним позициям получают больший вес, чем клики по ТОП-1. Это позволяет модели учиться определять истинную релевантность, а не просто копировать существующий порядок выдачи.
  • US20210125108A1
  • 2021-04-29

  • Поведенческие сигналы

  • SERP

Как Google использует визуальный анализ кликов по картинкам для понимания интента запроса и переранжирования выдачи
Google анализирует визуальное содержимое изображений, которые пользователи чаще всего выбирают в ответ на определенный запрос. На основе этого анализа (наличие лиц, текста, графиков, доминирующих цветов) система определяет категорию запроса (например, «запрос о конкретном человеке» или «запрос на определенный цвет»). Эти категории затем используются для переранжирования будущих результатов поиска, повышая изображения, которые визуально соответствуют выявленному интенту.
  • US9836482B2
  • 2017-12-05

  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google создает и наполняет Панели Знаний (Knowledge Panels), используя шаблоны сущностей и популярность фактов
Google использует систему для отображения Панелей Знаний (Knowledge Panels) рядом с результатами поиска. Когда запрос относится к конкретной сущности (человеку, месту, компании), система выбирает соответствующий шаблон и наполняет его контентом из разных источников. Выбор фактов для отображения основан на том, как часто пользователи искали эту информацию в прошлом.
  • US9268820B2
  • 2016-02-23

  • Knowledge Graph

  • SERP

  • Семантика и интент

Как Google использует распределение кликов по разным типам запросов для оценки общего качества сайта (Website Quality Score)
Google оценивает качество сайта не по общему CTR, а по тому, в ответ на какие запросы он получает клики. Система сегментирует пользовательский фидбек (клики, CTR) по различным параметрам запроса (например, конкурентность, длина, популярность). Сайт считается качественным, если он получает много кликов в ответ на высококонкурентные и популярные запросы, а не только на низкочастотные или нечеткие.
  • US8615514B1
  • 2013-12-24

  • Поведенческие сигналы

Как Google использует визуальное расположение новостей на главных страницах СМИ для ранжирования в Google News
Google анализирует главные страницы авторитетных новостных сайтов («Hub Pages»), чтобы определить важность новостей. Система оценивает «визуальную заметность» (Prominence) ссылки на статью — ее расположение (выше/ниже), размер шрифта, наличие картинки и сниппета. Чем заметнее ссылка на сайте СМИ, тем выше статья ранжируется в агрегаторах новостей.
  • US8375073B1
  • 2013-02-12

  • EEAT и качество

  • SERP

  • Ссылки

Как Google генерирует блок "Похожие вопросы" (People Also Ask) на основе анализа кликов и поведения пользователей
Google анализирует топовые результаты по исходному запросу и определяет "Тематические запросы" (Topic Sets) — прошлые запросы, по которым пользователи кликали на эти результаты. Затем система ищет популярные вопросы, соответствующие этим темам, фильтрует дубликаты на основе общности кликов и показывает их в блоке PAA для дальнейшего исследования темы.
  • US9213748B1
  • 2015-12-15

  • SERP

  • Семантика и интент

  • Поведенческие сигналы

Как Google определяет и ранжирует вертикали поиска (Web, Images, News, Local) на основе интента запроса и профиля пользователя
Патент описывает фундаментальный механизм Универсального Поиска (Universal Search). Система генерирует результаты из разных индексов (Web, Картинки, Новости, Карты) и вычисляет «Оценку Вероятности» (Likelihood Value) для каждой категории. Эта оценка определяет, какая вертикаль наиболее релевантна интенту запроса. Для расчета используются как агрегированные данные о поведении всех пользователей по схожим запросам, так и индивидуальный профиль пользователя.
  • US7966309B2
  • 2011-06-21

  • Семантика и интент

  • Персонализация

  • SERP

Как Google предсказывает ваш следующий запрос на основе контента, который вы просматриваете, и истории поиска других пользователей
Google использует систему контекстной информации, которая анализирует контент на экране пользователя (например, статью или веб-страницу) и предсказывает, что пользователь захочет искать дальше. Система не просто ищет ключевые слова на странице, а использует исторические данные о последовательностях запросов (Query Logs). Она определяет, что другие пользователи искали после того, как вводили запросы, связанные с текущим контентом, и предлагает эти последующие запросы в качестве рекомендаций.
  • US20210232659A1
  • 2021-07-29

  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация

Как Google динамически переоценивает значимость факторов ранжирования, основываясь на их надежности в контексте конкретной выдачи
Google использует механизм для повышения качества ранжирования путем анализа надежности (Trustworthiness) различных факторов, влияющих на позицию документа. Если система обнаруживает значительную разницу в надежности сигналов среди результатов поиска, она снижает влияние менее достоверных факторов. Это гарантирует, что документы, получившие высокие оценки за счет ненадежных или легко манипулируемых сигналов, не будут ранжироваться выше документов с более достоверными показателями качества и релевантности.
  • US9623119B1
  • 2017-04-18

  • EEAT и качество

  • Поведенческие сигналы

  • SERP

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