Google использует механизм адаптации интерфейса в вертикальном поиске (например, Google Books или Shopping). Если система уверена, что результат №1 значительно релевантнее №2, он отображается заметно крупнее. Патент детализирует факторы оценки качества объекта (Quality Information), такие как репутация автора/бренда, продажи, внешнее признание и ссылочный вес связанных веб-сайтов, что дает ключевые инсайты для E-E-A-T.

Описание

Какую проблему решает

Патент решает задачу оптимизации пользовательского интерфейса (UX) в вертикальном поиске (на примере поиска книг). Цель — улучшить опыт пользователя при запросах с четким интентом (когда ищется конкретная книга или товар – Known-Item Search). Если система с высокой уверенностью определяет искомый объект, стандартное отображение (сетка или список) заменяется на формат, который визуально выделяет этот объект для ускорения взаимодействия. Также решается задача информирования пользователя, если искомый объект недоступен для покупки или загрузки.

Что запатентовано

Запатентована система динамического форматирования поисковой выдачи на основе анализа распределения оценок релевантности (Relevance Scores). Если разница (дельта) между оценками первого и второго результатов превышает определенный порог, система активирует режим заметного отображения (Prominent Display) для первого результата. Также описан механизм, который может заметно отобразить недоступный объект, если он значительно релевантнее всех доступных альтернатив.

Как это работает

Система работает на этапе формирования выдачи:

  • Ранжирование и Оценка: Рассчитываются Relevance Scores для книг. Эти оценки включают как соответствие запросу, так и независимую от запроса информацию о качестве книги (Book Quality Information).
  • Анализ уверенности: Система сравнивает оценку первого результата (R1) с оценкой второго (R2).
  • Триггер отображения: Если R1 значительно превышает R2 (например, соотношение R1/R2 или разница R1-R2 больше порога), система считает интент ясным.
  • Адаптация SERP: Выдача форматируется так, чтобы R1 занимал больше визуального пространства (например, отдельную строку с расширенной информацией).
  • Обработка недоступности: Система проверяет, существует ли недоступная книга (U1), которая значительно релевантнее лучшей доступной (A1). Если да, то U1 отображается заметно с пометкой о недоступности.

Актуальность для SEO

Высокая. Принципы адаптации интерфейса на основе уверенности в интенте являются фундаментальными для современного поиска и активно используются во всех вертикалях Google (Shopping, Local, Books) и основном поиске (Knowledge Panels, Featured Snippets). Кроме того, детализация факторов Book Quality Information остается крайне актуальной для понимания оценки авторитетности (E-E-A-T).

Важность для SEO

Патент имеет ограниченное прямое влияние на стандартное SEO для веб-поиска, так как описывает UI вертикали. Однако он имеет высокое стратегическое значение для понимания того, как Google оценивает качество и авторитетность сущностей (авторов, брендов, продуктов). Детализация Book Quality Information дает ценные и конкретные инсайты для построения E-E-A-T и оптимизации в вертикальных системах (Google Shopping, Google Books).

Детальный разбор

Термины и определения

Available/Unavailable Books (Доступные/Недоступные книги)
Книги, которые доступны (или недоступны) для скачивания или покупки пользователем через данный сервис.
Book Quality Information (Информация о качестве книги)
Набор сигналов для оценки авторитетности или легитимности книги, не зависящий от запроса. Аналог E-E-A-T или PageRank для объекта. Является компонентом Relevance Score. Включает репутацию автора/издателя, продажи, ссылочный вес связанных сайтов и т.д.
Book (Книга)
Используется широко и включает печатные и электронные книги, журналы, газеты и другие читаемые материалы.
Prominence Detection Component (Компонент определения заметности)
Модуль, анализирующий Relevance Scores и определяющий необходимость активации Prominent Display на основе порогов уверенности.
Prominent Display / Presentation (Заметное отображение)
Формат отображения результата, при котором ему выделяется больше визуального пространства или предоставляется больше информации по сравнению со стандартным отображением.
Relevance Score (Оценка релевантности)
Финальная числовая оценка, определяющая позицию книги в поиске. Учитывает соответствие запросу и Book Quality Information.
Threshold Value (Пороговое значение)
Заданное значение (для разницы или соотношения оценок), при превышении которого активируется Prominent Display.

Ключевые утверждения (Анализ Claims)

Патент описывает два основных сценария модификации выдачи.

Сценарий 1: Выделение высокорелевантного доступного результата (Claim 1, Независимый пункт)

  1. Система получает запрос и идентифицирует набор релевантных книг. Их Relevance Scores основаны на Book Quality Information.
  2. Определяется, следует ли заметно отображать первую книгу (Book 1). Решение принимается на основе соотношения между наивысшей оценкой (Score 1) и второй наивысшей оценкой (Score 2).
  3. Если решение положительное, SERP форматируется так, чтобы заметно представить Book 1 (например, Book 1 в первой строке сетки, остальные — во второй).

Claim 2 и 3 (Зависимые) детализируют условия срабатывания (пороги уверенности):

  • Заметное отображение активируется, если соотношение (Ratio) Score 1 / Score 2 превышает порог (Claim 2). В тексте патента приведен пример порога 10.
  • ИЛИ, если разница (Difference) Score 1 - Score 2 превышает порог (Claim 3).

Сценарий 2: Отображение высокорелевантного недоступного результата (Claim 15, Независимый пункт)

  1. Система идентифицирует доступные книги (A) и хотя бы одну недоступную книгу (U).
  2. Определяется, следует ли заметно отображать недоступную книгу (U1). Решение принимается на основе соотношения между лучшей оценкой доступной книги (Score A1) и оценкой недоступной книги (Score U1).
  3. Если решение положительное (т.е. U1 значительно релевантнее A1), SERP форматируется так, чтобы заметно представить U1.

Claim 16 (Зависимый) уточняет, что при этом отображается сообщение о недоступности книги.

Claim 17 (Зависимый) описывает комбинированную логику: если Сценарий 2 не активирован, система проверяет условия Сценария 1.

Где и как применяется

Изобретение применяется в рамках вертикального поиска (например, Google Books, Google Shopping) и затрагивает несколько этапов.

INDEXING – Индексирование и извлечение признаков
На этом этапе система рассчитывает и сохраняет Book Quality Information (независимые от запроса метрики качества) для всех объектов в индексе. Также определяется статус доступности.

RANKING – Ранжирование
Система рассчитывает Relevance Scores в ответ на запрос, используя как соответствие запросу, так и проиндексированные данные Book Quality Information.

RERANKING / METASEARCH (Уровень Представления)
Основное применение патента. Это алгоритм форматирования выдачи, работающий поверх результатов ранжирования.

  1. Анализ оценок: Prominence Detection Component анализирует финальные Relevance Scores.
  2. Принятие решения: Компонент сравнивает оценки топовых результатов (доступных и недоступных) с порогами уверенности.
  3. Форматирование: Search Formatting Component генерирует финальный вид SERP, применяя стандартное или заметное (Prominent) отображение.

Входные данные:

  • Наборы релевантных доступных и недоступных книг и их Relevance Scores.
  • Пороговые значения (Ratio Threshold, Difference Threshold).

Выходные данные:

  • Отформатированный документ SERP с динамической структурой.

На что влияет

  • Типы контента: Влияет на отображение объектов в специализированных вертикалях (книги, товары, приложения).
  • Специфические запросы: Наибольшее влияние на навигационные или транзакционные запросы с четким интентом (например, точное название книги или модель товара), где система может с высокой уверенностью определить цель поиска. Меньшее влияние на широкие тематические запросы.

Когда применяется

Специальное (заметное) отображение активируется только при выполнении строгих условий (триггеров):

  • Триггер 1 (Доступный результат): Когда Relevance Score первого доступного результата (A1) значительно превышает Relevance Score второго доступного результата (A2). Например, A1/A2 > Порог 1.
  • Триггер 2 (Недоступный результат): Когда Relevance Score лучшего недоступного результата (U1) значительно превышает Relevance Score лучшего доступного результата (A1). Например, U1/A1 > Порог 2.

Пошаговый алгоритм

Процесс анализа и форматирования выдачи (комбинированная логика, FIG. 11 патента):

  1. Получение данных ранжирования: Система получает результаты: лучшую доступную книгу (A1), вторую лучшую доступную (A2) и лучшую недоступную книгу (U1) с их оценками.
  2. Проверка недоступности (Сравнение U1 и A1): Система сравнивает Score U1 и Score A1 с Порогом 1.
    • Если U1 значительно релевантнее A1: Перейти к шагу 3.
    • Если нет: Перейти к шагу 4.
  3. Форматирование (Недоступность): Система форматирует выдачу, заметно отображая U1 с сообщением о недоступности. Процесс завершается.
  4. Проверка заметности (Сравнение A1 и A2): Система сравнивает Score A1 и Score A2 с Порогом 2.
    • Если A1 значительно релевантнее A2: Перейти к шагу 5.
    • Если нет: Перейти к шагу 6.
  5. Форматирование (Заметность): Система форматирует выдачу, заметно отображая A1 (например, в отдельной строке с кнопкой покупки). Процесс завершается.
  6. Стандартное форматирование: Система форматирует выдачу стандартным образом (сетка). Процесс завершается.

Какие данные и как использует

Данные на входе

Патент детально описывает факторы, используемые для расчета Book Quality Information (независимый от запроса показатель качества), который влияет на Relevance Score. Это ключевые данные для понимания E-E-A-T.

Факторы Качества (Book Quality Information):

  • Репутационные факторы (Сущности):
    • Издатель: Книги известных или крупных издательств получают более высокий балл.
    • Автор: Книги плодовитых или известных авторов получают более высокий балл.
  • Внешние сигналы авторитетности и признания:
    • Включение в списки бестселлеров.
    • Наличие рецензий от известных рецензентов.
    • Институциональное признание: Данные о наличии и циркуляции в библиотеках (Library holding/circulation information).
  • Коммерческие факторы:
    • Высокий объем продаж (Sales Volume). Упоминается возможность учета временного окна (акцент на недавних продажах).
  • Ссылочные факторы (Link-based scores): Учитываются ссылочные метрики связанных веб-ресурсов. Система идентифицирует веб-сайт издателя или автора и использует его ссылочный вес для влияния на оценку качества книги.
  • Поведенческие факторы (Book Access Information):
    • Количество доступов или выборов книги из результатов поиска.
    • Время, которое пользователи тратят на взаимодействие с книгой (просмотр/чтение).
  • Технические/Контентные факторы: Дата публикации или количество опубликованных изданий.

Другие факторы, влияющие на Relevance Score:

  • Контентные факторы: Соответствие запросу названия, автора, описания, жанра.
  • Географические факторы: Relevance Score может быть повышен, если книга имеет высокий объем продаж в регионе пользователя.

Какие метрики используются и как они считаются

  • Book Quality Score: Агрегированная метрика качества на основе факторов Book Quality Information. Может рассчитываться для книги или издания.
  • Relevance Score: Финальная оценка ранжирования, комбинирующая соответствие запросу и Book Quality Score.
  • Пороги уверенности (Thresholds): Используются для активации заметного отображения. Патент упоминает два метода расчета:
    • Ratio Threshold (Отношение): Score1/Score2>ThresholdScore_1 / Score_2 > Threshold. (Пример в патенте: 10).
    • Difference Threshold (Разница): Score1−Score2>ThresholdScore_1 - Score_2 > Threshold.

Выводы

  1. Уверенность системы как триггер изменения UI: Google анализирует распределение Relevance Scores для определения своей уверенности в интенте. Значительный разрыв (дельта) между R1 и R2 сигнализирует о высокой уверенности и запускает адаптацию интерфейса (Prominent Display).
  2. Специфичность для вертикального поиска: Основной механизм форматирования относится к уровню представления в вертикальном поиске (Books, Shopping) и направлен на улучшение UX и конверсии при четком интенте.
  3. Детализация сигналов авторитетности (E-E-A-T): Патент предоставляет исключительно ценный список факторов Book Quality Information. Это конкретные примеры того, что Google считает показателями качества и авторитетности: репутация сущностей (автор, издатель), коммерческий успех (продажи), признание экспертами (рецензии) и институциональное признание (библиотеки).
  4. Важность ссылочного веса связанных сущностей: Критически важный инсайт: ссылочный вес (Link-based scores) веб-сайтов, связанных с объектом (сайты автора или издателя), напрямую влияет на оценку качества самого объекта (книги) в поиске.
  5. Использование поведенческих факторов: Патент подтверждает использование данных о взаимодействии пользователей (клики, время доступа) для оценки качества контента внутри вертикали.

Практика

Best practices (это мы делаем)

Хотя патент специфичен для книг, его акцент на Book Quality Information дает ключевые стратегические направления для построения E-E-A-T и оптимизации в E-commerce.

  • Усиление авторитетности Авторов/Брендов (E-E-A-T): Активно работайте над публичным профилем авторов контента или брендов товаров. Патент подтверждает, что репутация создателя/производителя является прямым сигналом качества.
  • Оптимизация и продвижение связанных веб-ресурсов: Необходимо уделять внимание SEO и линкбилдингу официальных сайтов авторов, брендов или компаний. Патент прямо указывает, что Link-based scores этих сайтов влияют на оценку качества связанных с ними объектов (книг/товаров).
  • Использование институционального признания: Наличие работ автора в библиотечных каталогах или товаров в авторитетных рейтингах является сильным сигналом качества. Отслеживайте и поощряйте такое присутствие.
  • Подтверждение популярности и успеха: Данные о продажах, попадание в списки бестселлеров и положительные поведенческие сигналы являются факторами качества. Демонстрируйте популярность контента или продукта.
  • Качество данных в фидах (для E-commerce): Обеспечьте полноту и точность метаданных в фидах для Google Shopping/Merchant Center, чтобы система могла корректно идентифицировать объект и связать его с сигналами качества.

Worst practices (это делать не надо)

  • Игнорирование профиля автора/бренда: Публикация контента или продажа товаров без работы над авторитетностью стоящих за ними сущностей снижает потенциальную оценку качества.
  • Слабые официальные сайты сущностей: Иметь известного автора или бренд, но при этом слабый официальный сайт с низким ссылочным весом, означает потерю потенциального преимущества от Link-based scores.
  • Фокус только на оптимизации фида/метаданных: Полагаться только на текстовую оптимизацию без работы над внешними сигналами качества (рецензии, продажи, ссылки на сайт бренда) недостаточно для доминирования в вертикальном поиске.

Стратегическое значение

Патент подтверждает стратегию Google по использованию внешних, не зависящих от запроса сигналов авторитетности для оценки качества объектов. Он дает конкретные примеры того, что считается авторитетом, что можно экстраполировать на оценку E-E-A-T в целом. Стратегически важно строить авторитет сущностей (авторов, компаний, брендов), стоящих за контентом или продуктом, используя все доступные каналы, включая PR, линкбилдинг официальных ресурсов и стимулирование популярности продукта.

Практические примеры

Сценарий 1: Построение E-E-A-T для автора экспертного сайта

  1. Задача: Повысить авторитетность автора для улучшения ранжирования сайта.
  2. Применение инсайтов из патента (Book Quality Information):
    • Репутация: Стимулировать автора к публикации работ в авторитетных издательствах (аналог известного издателя).
    • Внешнее признание: Обеспечить получение рецензий на эти публикации от экспертов (аналог известных рецензентов).
    • Институциональное признание: Убедиться, что публикации индексируются в академических базах и библиотечных каталогах (аналог Library holding).
    • Оптимизация связанного сайта: Создать и оптимизировать профессиональный сайт автора. Наращивать его ссылочный профиль для повышения link-based score.
  3. Ожидаемый результат: Google распознает автора как авторитетную сущность с сильными внешними сигналами качества, что повышает оценку E-E-A-T контента на продвигаемом сайте.

Сценарий 2: Оптимизация товара для Google Shopping

  1. Задача: Максимизировать видимость популярного товара по модельному запросу.
  2. Применение инсайтов из патента: Усилить Product Quality Information путем стимулирования продаж (для попадания в "популярные товары"), сбора отзывов (аналог рецензий) и усиления сайта бренда (для повышения link-based score).
  3. Ожидаемый результат: Relevance Score товара значительно превышает оценки конкурентов. Google Shopping активирует аналог Prominent Display (например, выделенный блок или Product Knowledge Panel), максимизируя CTR.

Вопросы и ответы

Какова основная ценность этого патента для SEO-специалиста, если он описывает только поиск по книгам?

Основная ценность заключается в подробном описании факторов, составляющих Book Quality Information. Это дает четкое представление о том, какие сигналы Google использует для оценки авторитетности опубликованных работ, авторов и издателей. Эти сигналы напрямую коррелируют с концепцией E-E-A-T и могут быть использованы для усиления авторитетности экспертов и брендов в любой тематике.

Какие факторы качества (Book Quality Information) упоминаются в патенте?

Патент перечисляет: репутацию издательства и автора; коммерческий успех (объем продаж, списки бестселлеров); внешнее признание (рецензии известных критиков, наличие в библиотеках); поведенческие факторы (время просмотра, частота доступа); а также ссылочный вес (Link-based scores) связанных веб-сайтов автора или издателя.

Что означает упоминание "Link-based scores" в контексте качества книг или товаров?

Это критически важный момент. Патент указывает, что система может определить веб-сайт автора или издателя (бренда) и использовать его ссылочный вес (авторитетность в вебе) для влияния на оценку качества самой книги или товара. Это подтверждает, что авторитетность связанных веб-ресурсов напрямую влияет на ранжирование объектов в вертикальных поисках Google.

Как я могу использовать это в своей SEO-стратегии?

Необходимо комплексно подходить к построению авторитетности. Если вы продвигаете контент или продукт, связанный с определенным автором или брендом, вы обязаны работать над SEO и ссылочным профилем их официальных сайтов. Сильный ссылочный профиль официального сайта сущности усиливает E-E-A-T и может повысить Quality Score связанных объектов.

Как система определяет, что результат нужно показать заметно (Prominent Display)?

Система измеряет свою уверенность в интенте пользователя. Это делается путем сравнения оценки релевантности первого результата (R1) и второго (R2). Если разрыв между ними значителен (например, R1 в 10 раз больше R2, как указано в примере в патенте), система считает интент ясным и активирует заметное отображение для R1.

Что такое "данные о наличии в библиотеках" и как они влияют на E-E-A-T?

Патент упоминает "Library holding or circulation information". Наличие книги в библиотеках служит сильным сигналом институционального признания и качества. Для SEO это означает, что упоминания или цитирование вашего контента/авторов в академических, правительственных или библиотечных ресурсах (например, Google Scholar, .gov, .edu) является мощным фактором авторитетности.

Что происходит, если самая релевантная книга или товар недоступны?

Патент описывает механизм обработки недоступности. Если недоступный объект (U1) значительно релевантнее лучшего доступного объекта (A1), система заметно отобразит U1, но добавит сообщение о том, что он недоступен. Это делается для управления ожиданиями пользователя и подтверждения того, что система поняла запрос.

Могут ли поведенческие факторы влиять на качество книги или товара?

Да, патент явно упоминает Book Access Information. Учитывается, как часто объект выбирают из результатов поиска и сколько времени пользователи тратят на взаимодействие с ним. Это стандартный подход Google к использованию данных о взаимодействии для оценки качества контента или продукта.

Применим ли этот патент к Google Shopping?

Хотя патент описывает книги, его принципы универсальны и с высокой вероятностью применяются в Google Shopping. Book Quality Information становится Product Quality Information, авторы становятся брендами. Логика выделения доминирующего товара при четком интенте также актуальна для E-commerce.

Меняется ли вес факторов качества со временем?

Да. Патент упоминает, что данные, например, о продажах, могут фильтроваться по временному окну, придавая больший вес свежим данным. Это указывает на то, что Quality Score является динамической метрикой, требующей постоянного поддержания актуальности и популярности объекта.

Похожие патенты

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 визуально выделяет популярные профили в поиске и использует частоту запросов для борьбы с фейковыми аккаунтами
Google использует данные о популярности (количество связей) и качестве (вовлеченность) профилей пользователей, чтобы визуально выделить наиболее авторитетные результаты при поиске людей или брендов. Если один профиль значительно популярнее других, он отображается крупнее. Система также динамически регулирует порог качества в зависимости от частоты запроса: чем популярнее имя, тем выше требования к профилю для его отображения, что помогает бороться со спамом.
  • US8935245B1
  • 2015-01-13

  • SERP

  • Антиспам

  • EEAT и качество

Как Google переносит данные о поведении пользователей из основного веб-поиска для улучшения ранжирования в вертикальных поисках (Книги, Товары)
Google использует механизм для решения проблемы «холодного старта» в специализированных или новых поисковых вертикалях. Система идентифицирует один и тот же объект (например, товар или книгу по уникальному идентификатору) в разных корпусах. Затем она заимствует данные о релевантности (клики, время просмотра) из высокопосещаемого общего веб-поиска для корректировки ранжирования в вертикальном поиске, пока не накопит достаточно собственных данных.
  • US8396865B1
  • 2013-03-12

  • Поведенческие сигналы

  • Google Shopping

  • SERP

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

  • Поведенческие сигналы

  • SERP

  • Семантика и интент

Как Google динамически корректирует веса факторов ранжирования для каждого запроса на основе анализа выдачи
Google использует этот механизм для динамической адаптации алгоритма ранжирования к специфике конкретного запроса. Система анализирует, какие факторы оказали наибольшее влияние на формирование первичной выдачи по сравнению с историческими данными. Если влияние факторов отличается от нормы, система корректирует их веса и проводит повторное ранжирование (Re-scoring) для обеспечения оптимального результата.
  • US10339144B1
  • 2019-07-02

  • SERP

Популярные патенты

Как Google использует исторические данные о поведении пользователей для сохранения эффективных синонимов
Google постоянно обновляет модели, определяющие синонимы для расширения запросов. Этот патент описывает защитный механизм: если новая модель отключает синоним, который исторически давал хорошие результаты (пользователи были довольны выдачей), система автоматически вернет этот синоним в работу, опираясь на накопленные данные о поведении пользователей.
  • US8762363B1
  • 2014-06-24

  • Семантика и интент

  • Поведенческие сигналы

  • SERP

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 определяет скрытый интент сессии, используя универсальные уточняющие слова, и переранжирует выдачу
Google идентифицирует универсальные слова-модификаторы (например, «фото», «отзывы», «pdf»), которые пользователи часто добавляют к разным запросам. Если такое слово появляется в сессии, система определяет скрытый интент пользователя. Затем Google переранжирует выдачу, основываясь на том, какие документы исторически предпочитали пользователи с таким же интентом, адаптируя результаты под контекст сессии.
  • US8868548B2
  • 2014-10-21

  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация

Как Google динамически фильтрует выдачу, уточняя интент пользователя после клика по результату
Google использует механизм для обработки неоднозначных запросов. Если выдача содержит результаты, относящиеся к разным сущностям (например, «Ягуар» как животное и как автомобиль), клик пользователя по одному из результатов сигнализирует о его интересе к конкретной сущности. При возврате на страницу выдачи система модифицирует SERP, скрывая или понижая результаты, связанные с нерелевантными сущностями, и фокусируя выдачу на выбранном интенте.
  • US9355158B2
  • 2016-05-31

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google использует LLM для генерации поисковых сводок (SGE), основываясь на контенте веб-сайтов, и итеративно уточняет ответы
Google использует Большие Языковые Модели (LLM) для создания сводок (AI-ответов) в результатах поиска. Для повышения точности и актуальности система подает в LLM не только запрос, но и контент из топовых результатов поиска (SRDs). Патент описывает, как система выбирает источники, генерирует сводку, проверяет факты, добавляет ссылки на источники (linkifying) и аннотации уверенности. Кроме того, система может динамически переписывать сводку, если пользователь взаимодействует с одним из источников.
  • US11769017B1
  • 2023-09-26

  • EEAT и качество

  • Ссылки

  • SERP

Как Google использует модель предвзятости представления (Presentation Bias), чтобы отделить клики по релевантности от кликов по позиции
Google использует механизм для интерпретации поведения пользователей (CTR), который учитывает, как именно представлены результаты поиска. Система рассчитывает ожидаемый CTR для конкретной позиции и визуального оформления (сниппет, выделение). Чтобы получить буст от поведенческих факторов, реальный CTR документа должен значительно превышать этот ожидаемый уровень. Это позволяет отфильтровать клики, обусловленные высокой позицией или привлекательным сниппетом, и выделить сигналы истинной релевантности.
  • US8938463B1
  • 2015-01-20

  • Поведенческие сигналы

  • SERP

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 персонализирует мобильную выдачу, повышая в ранжировании приложения, которые пользователь часто использует (Affinity Score)
Google рассчитывает «Affinity Score» для мобильных приложений на основе того, как часто и долго пользователь их использует (относительное вовлечение). При поиске с мобильного устройства система повышает в ранжировании результаты (deep links), ведущие в приложения с высоким Affinity Score, делая выдачу более персонализированной.
  • US10248698B2
  • 2019-04-02

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google выбирает сущность для Панели Знаний и решает, когда ее показывать, основываясь на топикальности SERP и CTR
Google использует этот механизм для решения двух задач: выбора наиболее релевантной сущности для Панели Знаний при неоднозначном запросе и определения необходимости показа самой панели. Система анализирует, насколько сущности соответствуют контенту топовых результатов поиска (Topicality Score). Показ панели активируется, если у органических результатов низкий CTR (что указывает на неудовлетворенность пользователей) или если у Google достаточно данных для ее заполнения.
  • US10922326B2
  • 2021-02-16

  • Knowledge Graph

  • SERP

  • Семантика и интент

Как Google позволяет вебмастерам управлять весом и интерпретацией исходящих ссылок через атрибуты тега (Основа nofollow)
Google запатентовал механизм, позволяющий вебмастерам добавлять в теги ссылок () специальные пары "параметр=значение" (например, rel=nofollow или linkweight=0.5). Эта информация используется краулером и поисковой системой для изменения способа обработки ссылки, например, для корректировки передаваемого веса (PageRank) или блокировки ее учета.
  • US7979417B1
  • 2011-07-12

  • Ссылки

  • Краулинг

  • Техническое SEO