Google может генерировать «Синтетический Описательный Текст» для страницы, анализируя контент и структуру сайтов, которые на нее ссылаются. Система создает структурные шаблоны для извлечения релевантного текста (например, заголовков или абзацев рядом со ссылкой), который затем используется как мощный сигнал ранжирования. Этот механизм позволяет лучше понять содержание страницы, особенно если традиционный анкорный текст низкого качества или отсутствует.

Описание

Какую проблему решает

Патент решает проблему оценки релевантности ресурсов, когда традиционные сигналы, такие как анкорный текст (anchor text), являются низкокачественными, неинформативными (например, «читать здесь») или отсутствуют. Также решается задача ранжирования релевантных ресурсов, которые сами могут не содержать терминов из запроса пользователя. Цель — улучшить качество поиска путем генерации высококачественного описательного текста для целевого ресурса на основе контекста и структуры ссылающейся страницы.

Что запатентовано

Запатентована система генерации и использования Synthetic Descriptive Text (Синтетического Описательного Текста) для ранжирования. Система анализирует страницы, ссылающиеся на целевой ресурс, и извлекает из них текст, который описывает этот ресурс, даже если текст находится за пределами самого анкора ссылки. Этот процесс основан на идентификации структурных шаблонов (Templates) на ссылающихся страницах. Извлеченный текст сохраняется в индексе и используется для корректировки оценки ранжирования целевого ресурса.

Как это работает

Процесс делится на два этапа: генерация текста (индексирование/офлайн) и ранжирование (онлайн).

Генерация:

  1. Система определяет Seed Queries (запросы, по которым пользователи часто кликают на ресурс).
  2. Анализируются ссылающиеся страницы. Система ищет, где именно термины из Seed Queries появляются на этих страницах (например, в теге Title, H1).
  3. На основе этих структурных паттернов создаются Шаблоны (Templates).
  4. Шаблоны применяются для извлечения текста из других похожих ссылающихся страниц. Этот текст становится Synthetic Descriptive Text и ассоциируется с целевыми ресурсами в индексе.

Ранжирование:

  1. При получении запроса система рассчитывает релевантность синтетического текста запросу (Query-Dependent Score).
  2. Также учитывается оценка качества самого текста, основанная на качестве шаблона и ссылающегося сайта (Query-Independent Score).
  3. Эти оценки объединяются в Synthetic Descriptive Text Score, который корректирует итоговый Ranking Score ресурса.

Актуальность для SEO

Высокая. Понимание контекста ссылок и переход от анализа исключительно анкорного текста к анализу всего контента ссылающейся страницы является ключевым направлением развития поиска (особенно с развитием NLP и семантического анализа). Этот патент описывает конкретный, масштабируемый механизм использования околоссылочного и структурного контекста для определения релевантности. Участие Пола Хаара (Paul Haahr) подчеркивает значимость механизма для ядра ранжирования.

Важность для SEO

Патент имеет высокое значение (8/10). Он демонстрирует, что Google активно использует контент ссылающейся страницы ЗА ПРЕДЕЛАМИ анкорного текста для ранжирования целевой страницы. Это означает, что контекст размещения ссылки (например, заголовок раздела, Title ссылающейся страницы) может напрямую влиять на ранжирование вашего сайта по запросам, которых нет ни в анкоре, ни даже на вашей странице. Стратегии линкбилдинга должны учитывать не только авторитетность донора и анкор, но и структурное расположение ссылки и релевантность окружающего контента.

Детальный разбор

Термины и определения

Synthetic Descriptive Text (Синтетический Описательный Текст)
Текст, извлеченный из ссылающегося ресурса (Linking Resource), который используется для описания целевого ресурса (Target Resource). Генерируется путем применения шаблона (Template) и используется как сигнал ранжирования.
Seed Query (Посевной Запрос)
Запрос, ассоциированный с целевым ресурсом на основе поведения пользователей (например, запросы, по которым часто кликают на данный ресурс). Используются для обучения системы и генерации шаблонов.
Template (Шаблон)
Набор правил и структурных идентификаторов (например, HTML-тегов), который определяет, какой текст и откуда нужно извлечь из ссылающегося ресурса. Генерируется на основе анализа расположения терминов из Seed Queries.
Linking Resource (Ссылающийся ресурс)
Ресурс (например, веб-страница), который содержит ссылку на целевой ресурс.
Target Resource (Целевой ресурс)
Ресурс, на который ведет ссылка.
Query-Independent Score (Оценка, не зависящая от запроса)
Метрика качества конкретного фрагмента Synthetic Descriptive Text. Рассчитывается на основе трех компонентов: Template Score, Linking Score и Target Score.
Query-Dependent Score (Оценка, зависящая от запроса)
Метрика релевантности конкретного фрагмента Synthetic Descriptive Text текущему поисковому запросу пользователя.
Template Score (Оценка шаблона)
Компонент Query-Independent Score. Метрика качества и надежности шаблона. Учитывает, насколько специфичен и надежен шаблон.
Linking Score (Оценка ссылающегося источника)
Компонент Query-Independent Score. Метрика качества группы ссылающихся ресурсов (сайта). Учитывает популярность (клики) и разнообразие исходящих ссылок.
Target Score (Оценка целевого ресурса)
Компонент Query-Independent Score. Метрика валидации, проверяющая соответствие синтетического текста контенту целевого ресурса.
Embedded Coding Fragments (Встроенные фрагменты кода)
Структурные элементы (например, HTML-теги и их содержимое) на ссылающейся странице, используемые для генерации шаблонов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод использования синтетического текста при ранжировании.

  1. Система получает запрос и набор результатов с начальными оценками (initial scores).
  2. Определяется, что конкретный ресурс ассоциирован с Synthetic Descriptive Text, извлеченным из других (ссылающихся) ресурсов.
  3. Уточняется механизм генерации: текст извлекается применением Template. Шаблон выводится на основе анализа триплетов (Ссылающийся ресурс, Целевой ресурс, Seed Query) и идентификации местоположения терминов Seed Query в ссылающихся ресурсах.
  4. Для каждого фрагмента текста вычисляется Query-Dependent Score (релевантность запросу).
  5. Для каждого фрагмента вычисляется Template Score (качество шаблона).
  6. Вычисляется итоговый Synthetic Descriptive Text Score на основе этих оценок.
  7. Начальная оценка ранжирования ресурса корректируется на основе Synthetic Descriptive Text Score.

Claim 3 (Зависимый от 1): Детализирует расчет итоговой оценки.

Итоговый Synthetic Descriptive Text Score рассчитывается путем комбинирования Query-Dependent Scores и Query-Independent Scores (которые вычисляются из Template Score).

Claim 4 (Зависимый от 3): Детализирует расчет Query-Independent Score.

Эта оценка также учитывает Linking Score, который основан на характеристиках группы ссылающихся ресурсов (качество донора).

Claim 5 (Зависимый от 3): Детализирует расчет Query-Independent Score.

Эта оценка также учитывает Target Score, который основан на характеристиках целевого ресурса (подтверждение релевантности текста контенту страницы).

Claims 6-9 (Зависимые от 1): Детализируют факторы, влияющие на Template Score.

Template Score зависит от: количества различных фрагментов кода (embedded coding fragments), использованных для генерации шаблона (Claim 6); общего количества фрагментов текста, сгенерированных этим шаблоном (Claim 7); является ли шаблон самым высокопроизводительным (highest-performing) на данном ссылающемся ресурсе (Claim 8); количества различных целевых ресурсов, для которых шаблон генерирует текст (Claim 9).

Где и как применяется

Изобретение затрагивает два ключевых этапа поиска: Индексирование (для генерации данных) и Ранжирование (для их использования).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основной офлайн-процесс генерации данных:

  • Анализ логов поведения пользователей для определения Seed Queries.
  • Анализ ссылочного графа и структуры ссылающихся страниц (Linking Resources).
  • Генерация и валидация Templates.
  • Извлечение Synthetic Descriptive Text и его ассоциация с целевыми ресурсами (Target Resources) в индексе.
  • Предварительный расчет Query-Independent Scores (включая Template Score, Linking Score, Target Score) и их сохранение в индексе.

RANKING – Ранжирование
На этом этапе (в реальном времени) происходит использование сгенерированного текста (вероятно, на стадиях L2/L3 ранжирования):

  • Идентификация кандидатов, имеющих Synthetic Descriptive Text.
  • Расчет Query-Dependent Score (релевантность текста текущему запросу).
  • Комбинирование Query-Dependent Score с предварительно рассчитанным Query-Independent Score.
  • Вычисление финального Synthetic Descriptive Text Score.
  • Корректировка (Adjusting) начальной оценки ранжирования ресурса.

На что влияет

  • Типы контента: Наибольшее влияние оказывается на сайты, которые часто получают ссылки со структурированных страниц (каталоги, списки, директории, библиографии, агрегаторы). Также сильно влияет на ресурсы с неинформативными анкорами (например, ссылки типа «читать далее», URL или ссылки с изображений без alt-текста).
  • Специфические запросы: Позволяет ресурсам ранжироваться по запросам, термины которых отсутствуют на самой странице и в традиционном анкор-листе, но присутствуют в контексте на ссылающихся страницах.

Когда применяется

  • Условия генерации (Индексирование): Генерация запускается, когда система идентифицирует группу структурно похожих ссылающихся страниц (например, на одном домене), которые ссылаются на достаточное количество ресурсов, имеющих Seed Queries.
  • Условия применения (Ранжирование): Алгоритм применяется, когда для целевого ресурса был сгенерирован и сохранен в индексе Synthetic Descriptive Text, и этот текст соответствует текущему запросу.

Пошаговый алгоритм

Процесс А: Генерация Синтетического Текста (Индексирование/Офлайн)

  1. Идентификация ресурсов: Система определяет группу структурно похожих ссылающихся ресурсов и целевые ресурсы, на которые они ссылаются.
  2. Определение Посевных Запросов (Seed Queries): Для части целевых ресурсов извлекаются Seed Queries (запросы, которые приводили к кликам на эти ресурсы).
  3. Анализ местоположения терминов: Система анализирует, где именно термины из Seed Queries появляются в соответствующих ссылающихся ресурсах (например, в теге <h1>, <title>).
  4. Генерация кандидатов в Шаблоны: На основе информации о расположении создаются кандидаты в шаблоны. Например, если Seed Query "Дороти Паркер" найден в структуре <h1>Дороти Паркер - Биография</h1>, создается шаблон: извлечь текст из <h1>[...] - Биография</h1>. Шаблоны могут использовать литералы или wildcards.
  5. Выбор Шаблонов: Кандидаты фильтруются и выбираются наиболее надежные шаблоны (например, те, что сгенерированы на основе большого числа различных Seed Queries).
  6. Применение Шаблонов и Извлечение Текста: Выбранные шаблоны применяются ко всем ресурсам в группе. Текст, соответствующий структуре шаблона, извлекается как Synthetic Descriptive Text.
  7. Расчет Query-Independent Score: Для каждого фрагмента текста рассчитывается оценка качества (см. Процесс В).
  8. Ассоциация Текста: Извлеченный текст и его оценка ассоциируются с целевыми ресурсами в индексе.

Процесс В: Расчет Query-Independent Score (Индексирование/Офлайн)

  1. Расчет Template Score: Оценивается качество шаблона. Оценка повышается, если шаблон надежен (основан на множестве примеров) и специфичен (не генерирует одинаковый текст для разных ресурсов).
  2. Расчет Linking Score: Оценивается качество группы ссылающихся ресурсов. Оценка повышается, если на эти ресурсы часто кликают пользователи или если они ссылаются на множество разных веб-сайтов.
  3. Расчет Target Score: Проверяется соответствие синтетического текста целевому ресурсу. Оценка повышается, если термины из текста встречаются на целевой странице.
  4. Вычисление Итоговой Оценки: Template Score, Linking Score и Target Score комбинируются (например, перемножаются или суммируются после нормализации) для получения Query-Independent Score.

Процесс С: Использование Синтетического Текста (Ранжирование/Онлайн)

  1. Получение запроса и кандидатов: Система получает запрос и начальный набор результатов с их Initial Scores.
  2. Извлечение данных: Для ресурса-кандидата из индекса извлекаются ассоциированные фрагменты Synthetic Descriptive Text и их Query-Independent Scores.
  3. Расчет Query-Dependent Score: Для каждого фрагмента текста вычисляется степень его соответствия поисковому запросу.
  4. Генерация Synthetic Descriptive Text Score: Query-Dependent Score и Query-Independent Score комбинируются для каждого фрагмента. Затем эти комбинированные оценки агрегируются для получения итоговой оценки ресурса.
  5. Корректировка Ранжирования: Initial Score ресурса корректируется на основе Synthetic Descriptive Text Score.

Какие данные и как использует

Данные на входе

  • Поведенческие факторы (Ключевые): Используются для генерации Seed Queries (какие запросы приводят к кликам на ресурс). Также используются для расчета Linking Score (как часто кликают на ссылающиеся ресурсы).
  • Структурные факторы: Структура (HTML-теги, иерархия) ссылающихся ресурсов критически важна для генерации Шаблонов и извлечения текста. Анализируются Embedded Coding Fragments, включая <title>, <h1> и другие элементы.
  • Ссылочные факторы: Анализируется ссылочный граф. Разнообразие исходящих ссылок (link diversity) с донора используется для расчета Linking Score.
  • Контентные факторы: Контент ссылающихся ресурсов используется для извлечения текста. Контент целевых ресурсов используется для валидации извлеченного текста (расчет Target Score).

Какие метрики используются и как они считаются

Система использует многоуровневую модель оценки:

1. Synthetic Descriptive Text Score (Итоговая оценка)

  • Агрегация комбинированных оценок всех фрагментов текста для ресурса. Комбинация = F(Query-Independent Score, Query-Dependent Score).

2. Query-Dependent Score (Зависит от запроса)

  • Мера сходства между текстом запроса и синтетическим текстом (например, отношение пересечения терминов к объединению терминов).
  • Может быть понижен, если у ресурса слишком много «лишних» (нерелевантных запросу) фрагментов синтетического текста.

3. Query-Independent Score (Не зависит от запроса)

  • Оценка качества фрагмента текста. Комбинация (например, взвешенная сумма или произведение после нормализации) следующих компонентов:

3.1. Template Score (Оценка Шаблона):

  • Надежность: Повышается, если шаблон основан на большом количестве различных embedded coding fragments.
  • Специфичность: Понижается, если шаблон генерирует текст для слишком большого числа различных целевых ресурсов или генерирует одинаковый текст для разных ресурсов.
  • Эффективность: Повышается, если это лучший (highest-performing) шаблон на данном ссылающемся ресурсе.

3.2. Linking Score (Оценка Ссылающегося Источника):

  • Популярность: Повышается, если группа ссылающихся ресурсов (сайт) часто выбирается пользователями в поиске (имеет трафик).
  • Разнообразие: Повышается, если группа ссылается на множество разных веб-сайтов (признак редакционного качества).

3.3. Target Score (Оценка Целевого Ресурса):

  • Валидация контента: Повышается, если термины из синтетического текста встречаются в самом целевом ресурсе. Учитывается количество и частота совпадений.

Выводы

  1. Контекст ссылки функционирует как «Синтетический Анкор»: Патент подтверждает, что Google активно использует контент ссылающейся страницы за пределами анкора для определения релевантности целевой страницы. Текст вокруг ссылки, заголовки разделов или даже Title донора могут стать сигналами ранжирования.
  2. Структура и семантика донора имеют значение: Система полагается на структурный анализ (HTML/DOM) для генерации Templates. Текст, расположенный в значимых структурных элементах (H1, Title) на ссылающейся странице, с большей вероятностью будет извлечен и использован.
  3. Поведенческие факторы обучают систему: Механизм основан на машинном обучении, использующем Seed Queries (данные о кликах). Google учится определять, какие части ссылающейся страницы содержат наиболее ценную информацию, основываясь на поведении пользователей.
  4. Многофакторная оценка качества контекста: Google не доверяет слепо извлеченному тексту. Используется сложная оценка качества (Query-Independent Score), которая включает надежность шаблона (Template Score), качество ссылающегося сайта (Linking Score) и проверку на соответствие целевой странице (Target Score).
  5. Авторитетность и трафик донора критичны: Linking Score напрямую учитывает популярность ссылающегося сайта у пользователей. Синтетический текст с авторитетного и посещаемого сайта будет иметь значительно больший вес.

Практика

Best practices (это мы делаем)

  • Фокус на контекстуальном размещении ссылок: При линкбилдинге приоритет отдается ссылкам, размещенным в максимально релевантном контексте. Необходимо стремиться к тому, чтобы структурные элементы вокруг ссылки (заголовок раздела H2/H3, текст абзаца до и после ссылки) точно описывали ваш контент.
  • Приоритет доноров с трафиком и редакционным качеством: Согласно расчету Linking Score, ссылки с сайтов, которые получают много кликов (имеют трафик) и которые ссылаются на разнообразные ресурсы (признак редакционного контента, а не PBN/линк-фермы), передают больший вес через Synthetic Descriptive Text.
  • Анализ структуры доноров: При анализе потенциальных доноров оценивайте, насколько четко структурирован их контент. Сайты с ясной иерархией и описательными заголовками могут передавать более качественный Synthetic Descriptive Text (выше Template Score).
  • Обеспечение соответствия контента (Target Score): Убедитесь, что контент вашей страницы соответствует тому контексту, в котором вы получаете ссылки. Если система извлечет синтетический текст, но не найдет подтверждения на вашей странице (низкий Target Score), вес текста будет минимальным.
  • Стимулирование структурированных упоминаний: Ссылки из качественных каталогов, рейтингов или обзоров, где ваш ресурс четко выделен (например, Название, Описание, Ссылка), идеально подходят для генерации надежных шаблонов и извлечения качественного текста.

Worst practices (это делать не надо)

  • Изолированный фокус на анкорном тексте: Стратегии, основанные исключительно на манипуляции анкорами без учета контекста размещения. Система может использовать окружающий контекст как основной сигнал релевантности от ссылки.
  • Ссылки из неструктурированного или автоматически сгенерированного контента: Ссылки из «каши» текста или со страниц с запутанной структурой не позволят системе сгенерировать надежные шаблоны и извлечь качественный синтетический текст.
  • Покупка ссылок на сайтах с низким разнообразием исходящих ссылок (Link Farms/PBN): Система понижает Linking Score для сайтов, которые ссылаются на ограниченное число внешних ресурсов или имеют мало трафика, что делает такие ссылки менее эффективными.
  • Несоответствие контекста ссылки и контента (Context-Bait): Получение ссылок из контекста, который не соответствует содержанию целевой страницы. Это приведет к низкому Target Score.

Стратегическое значение

Этот патент подчеркивает эволюцию Google в анализе ссылок от механистического учета анкоров к глубокому семантическому и структурному анализу контекста ссылающейся страницы. Стратегически это означает, что линкбилдинг все больше сближается с Content Marketing и Digital PR. Целью является получение редакционных ссылок в высококачественном, релевантном и хорошо структурированном контенте на посещаемых ресурсах. Система стремится понять, почему автор поставил ссылку и что он сказал о целевом ресурсе.

Практические примеры

Сценарий: Ранжирование страницы товара по обзору

  1. Целевой ресурс (Target): Страница технических спецификаций смартфона «Galaxy Z9». На странице мало текста.
  2. Ссылающийся ресурс (Linking): Авторитетный технологический блог (высокий Linking Score) публикует обзор.
  3. Ссылка и контекст: В обзоре есть раздел:
    <h2>Камера Galaxy Z9: Революция в мобильной фотографии</h2>
    <p>Основное преимущество — это 200МП сенсор с 10-кратным оптическим зумом. Подробные характеристики <a href="...">здесь</a>.</p>
  4. Генерация Synthetic Descriptive Text: Система применяет шаблоны. Шаблон 1 извлекает текст из <h2> над ссылкой. Шаблон 2 извлекает текст из предложения, содержащего ссылку.
  5. Извлеченный текст: «Камера Galaxy Z9: Революция в мобильной фотографии», «200МП сенсор с 10-кратным оптическим зумом».
  6. Результат: Страница спецификаций «Galaxy Z9» получает буст по запросам «смартфон с оптическим зумом 10х» и «камера 200МП», несмотря на то что анкор был «здесь».

Вопросы и ответы

Чем Synthetic Descriptive Text отличается от обычного анкорного текста?

Анкорный текст — это кликабельный текст самой ссылки. Synthetic Descriptive Text — это текст, извлеченный из контента ссылающейся страницы ЗА пределами анкора. Он может быть взят из заголовка раздела, где находится ссылка, из предложения рядом со ссылкой или даже из Title ссылающейся страницы, на основе структурных шаблонов, идентифицированных Google.

Что такое Seed Queries и почему они важны?

Seed Queries — это запросы, по которым пользователи часто переходят на определенную страницу из поиска (поведенческие данные). Они критически важны, так как служат обучающими данными для этого алгоритма. Google анализирует, где термины из этих успешных запросов появляются на ссылающихся страницах, чтобы научиться автоматически извлекать релевантный контекст (создавать Templates).

Как Google оценивает качество извлеченного синтетического текста?

Качество оценивается метрикой Query-Independent Score, которая состоит из трех компонентов: Template Score (насколько надежен шаблон извлечения), Linking Score (насколько авторитетен ссылающийся сайт) и Target Score (насколько текст соответствует содержанию целевой страницы). Текст с низкокачественного сайта или извлеченный ненадежным шаблоном получит низкую оценку.

Означает ли этот патент, что анкорный текст больше не важен?

Нет, анкорный текст остается важным сигналом. Однако этот патент показывает, что Google имеет развитые механизмы для компенсации недостатков анкорного текста. Если анкор неинформативен, система будет больше полагаться на Synthetic Descriptive Text. Лучшая стратегия — когда и анкор, и окружающий контекст релевантны и качественны.

Что такое Linking Score и как повлиять на него при линкбилдинге?

Linking Score оценивает качество ссылающегося сайта (донора). Он учитывает популярность сайта у пользователей (частоту кликов из поиска) и разнообразие его исходящих ссылок. Чтобы максимизировать этот показатель, следует получать ссылки с авторитетных, посещаемых сайтов, которые ведут естественную ссылочную политику (не являются линк-фермами или PBN).

Влияет ли структура HTML на извлечение синтетического текста?

Да, напрямую. Шаблоны (Templates) генерируются на основе структурных элементов (Embedded Coding Fragments), таких как заголовки (H1, H2) или теги параграфов. Ссылки из хорошо структурированного контента с большей вероятностью предоставят качественный Synthetic Descriptive Text, извлеченный с помощью надежных шаблонов.

Может ли страница ранжироваться по терминам, которых нет ни на ней, ни в анкорах?

Да, это одно из ключевых применений этого механизма. Если термины присутствуют в Synthetic Descriptive Text, извлеченном из высококачественного контекста на авторитетном сайте, целевая страница может ранжироваться по этим терминам, даже если они отсутствуют в её собственном контенте и входящих анкорах.

Что такое Target Score и как его улучшить?

Target Score проверяет, соответствует ли извлеченный синтетический текст содержанию целевой страницы (например, встречаются ли там те же термины). Для его улучшения необходимо убедиться, что контекст, из которого вы получаете ссылки, действительно соответствует тому, что находится на вашей странице. Это мера валидации и защиты от нерелевантного контекста.

Как этот патент влияет на ссылки-изображения или PDF-файлы?

Этот механизм очень полезен для таких ресурсов. Поскольку у них мало собственного текста или нет традиционного анкора (кроме alt-атрибута у изображений), система может извлечь Synthetic Descriptive Text из текста, окружающего ссылку на этот ресурс (например, из подписи или описания в статье), тем самым определяя его релевантность.

Применяется ли этот механизм к внутренним ссылкам?

Патент упоминает возможность исключения внутренних ссылок (ссылок внутри одной группы ресурсов) на этапе идентификации целевых ресурсов. Однако базовая технология анализа структуры ссылающейся страницы для понимания контекста ссылки с высокой вероятностью может применяться Google и для анализа внутренних ссылок, поэтому важно поддерживать четкую структуру и релевантный контекст при внутренней перелинковке.

Похожие патенты

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

  • Ссылки

  • Структура сайта

  • Семантика и интент

Как Google генерирует синтетические запросы, анализируя шаблоны и структуру HTML на сайте
Google использует структурное сходство между страницами на одном сайте для генерации новых, "синтетических" запросов. Система анализирует, в каких HTML-элементах (например, или <h1>) находятся термины из уже известных эффективных запросов. Затем она создает шаблон и применяет его к другим похожим страницам этого же сайта для извлечения новых фраз, улучшая понимание шаблонного контента.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8346792B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2013-01-01</li> </ul> <ul class="options-list"> <li><p>Структура сайта</p></li> <li><p>Семантика и интент</p></li> <li><p>SERP</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US9971746B2/">Как Google использует внутренние ссылки и структуру DOM для генерации шаблонов сайта и извлечения структурированных сниппетов</a> <div class="text">Google анализирует повторяющиеся блоки внутренних ссылок (например, списки товаров). Если текст возле ссылки на исходной странице совпадает с текстом на целевой странице, Google определяет DOM-структуру этого текста и создает шаблон домена. Этот шаблон позволяет автоматически извлекать ключевую информацию (например, цену и характеристики) для сниппетов со всех однотипных страниц сайта, даже без микроразметки.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US9971746B2<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2018-05-15</li> </ul> <ul class="options-list"> <li><p>Структура сайта</p></li> <li><p>SERP</p></li> <li><p>Ссылки</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US8495483B1/">Как Google использует околоссылочный текст и заголовки (Web Quotes) для индексирования страниц и генерации сниппетов</a> <div class="text">Google анализирует текст на страницах, ссылающихся на целевой документ, извлекая «Web Quotes». Это не только текст абзаца, окружающего ссылку, но и текст из ближайших заголовков. Эти цитаты ранжируются по качеству ссылающегося источника (например, PageRank) и используются для индексирования целевой страницы (даже если этих слов на ней нет) и для формирования сниппета в результатах поиска.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8495483B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2013-07-23</li> </ul> <ul class="options-list"> <li><p>Индексация</p></li> <li><p>Ссылки</p></li> <li><p>SERP</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US7308643B1/">Как Google извлекает, обрабатывает и индексирует анкорный текст, контекст и атрибуты входящих ссылок для ранжирования целевых страниц</a> <div class="text">Фундаментальный патент, описывающий инфраструктуру Google для обработки ссылок. Система извлекает анкорный текст, окружающий контекст и атрибуты форматирования (аннотации) из исходных страниц и инвертирует эти данные в структуру "Sorted Anchor Map". Это позволяет индексировать целевую страницу по тексту ссылок, указывающих на нее, используя эту внешнюю информацию как сигнал релевантности.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US7308643B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2007-12-11</li> </ul> <ul class="options-list"> <li><p>Ссылки</p></li> <li><p>Индексация</p></li> <li><p>Техническое SEO</p></li> </ul> </div> </div> </div> </div> </div> <div class="features-widget ls-widget" id="similar"> <div class="widget-title"> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-vector-square-icon lucide-vector-square"><path d="M19.5 7a24 24 0 0 1 0 10"/><path d="M4.5 7a24 24 0 0 0 0 10"/><path d="M7 19.5a24 24 0 0 0 10 0"/><path d="M7 4.5a24 24 0 0 1 10 0"/><rect x="17" y="17" width="5" height="5" rx="1"/><rect x="17" y="2" width="5" height="5" rx="1"/><rect x="2" y="17" width="5" height="5" rx="1"/><rect x="2" y="2" width="5" height="5" rx="1"/></svg> <h2>Популярные патенты</h2> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US9009146B1/">Как Google использует данные о поведении пользователей по похожим запросам для ранжирования новых или редких запросов</a> <div class="text">Google использует механизм для улучшения ранжирования запросов, по которым недостаточно данных о поведении пользователей (например, кликов). Система находит исторические запросы, семантически похожие на исходный, и «заимствует» их поведенческие данные. Степень сходства рассчитывается с учетом важности терминов, синонимов и порядка слов. Эти заимствованные данные используются для корректировки рейтинга документов по исходному запросу.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US9009146B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2015-04-14</li> </ul> <ul class="options-list"> <li><p>Поведенческие сигналы</p></li> <li><p>Семантика и интент</p></li> <li><p>SERP</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US8244749B1/">Как Google использует данные сессий и разнообразие результатов для генерации блока "Связанные запросы"</a> <div class="text">Google анализирует поисковые сессии пользователей, чтобы найти запросы, которые часто следуют за одним и тем же предшествующим запросом (родственные запросы). Затем система фильтрует эти потенциальные "Связанные запросы", чтобы убедиться, что они предлагают разнообразные результаты по сравнению с исходным запросом и другими предложениями, помогая пользователям исследовать смежные, но отличные темы.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8244749B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2012-08-14</li> </ul> <ul class="options-list"> <li><p>Семантика и интент</p></li> <li><p>Персонализация</p></li> <li><p>Поведенческие сигналы</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US9053177B1/">Как Google выбирает Sitelinks, анализируя визуальное расположение и структуру DOM навигационных меню</a> <div class="text">Google использует механизм для генерации Sitelinks путем рендеринга страницы и анализа DOM-структуры. Система определяет визуальное расположение (координаты X, Y) гиперссылок и группирует их на основе визуальной близости и общих родительских элементов. Sitelinks выбираются исключительно из доминирующей группы (например, главного меню), а ссылки из других групп игнорируются.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US9053177B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2015-06-09</li> </ul> <ul class="options-list"> <li><p>SERP</p></li> <li><p>Ссылки</p></li> <li><p>Структура сайта</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US11157488B2/">Как Google использует обучение с подкреплением (Reinforcement Learning) для оптимизации ранжирования и переписывания запросов на основе успешности поисковых сессий</a> <div class="text">Google использует систему Reinforcement Learning для динамической адаптации поисковых процессов. Система анализирует поисковые сессии (последовательности запросов и кликов) и учится оптимизировать выдачу, чтобы пользователь быстрее находил нужный результат. Это достигается путем корректировки весов факторов ранжирования, переписывания запросов или даже обновления индекса на лету для конкретных ситуаций.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US11157488B2<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2021-10-26</li> </ul> <ul class="options-list"> <li><p>Индексация</p></li> <li><p>Поведенческие сигналы</p></li> <li><p>Семантика и интент</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US20250005303A1/">Как Google использует контент веб-страниц для генерации, верификации и адаптации AI-ответов в поиске (SGE/AI Overviews)</a> <div class="text">Google использует Большие Языковые Модели (LLM) для создания генеративных сводок (AI Overviews/SGE). Для обеспечения точности система не полагается только на знания LLM, а обрабатывает контент из актуальных результатов поиска (SRDs). Патент описывает архитектуру этого процесса: как выбираются источники, как генерируется сводка на их основе (Grounding), как проверяется информация для добавления ссылок (Verification), и как ответ адаптируется под контекст и действия пользователя.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US20250005303A1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2025-01-02</li> </ul> <ul class="options-list"> <li><p>SERP</p></li> <li><p>EEAT и качество</p></li> <li><p>Персонализация</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US8762363B1/">Как Google использует исторические данные о поведении пользователей для сохранения эффективных синонимов</a> <div class="text">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.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8762363B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2014-06-24</li> </ul> <ul class="options-list"> <li><p>Семантика и интент</p></li> <li><p>Поведенческие сигналы</p></li> <li><p>SERP</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US8442984B1/">Как Google обучает ИИ-модели для автоматической оценки качества сайтов на основе данных асессоров и предвзятой выборки</a> <div class="text">Патент Google, описывающий фундаментальную методологию создания систем оценки качества сайтов. Google использует машинное обучение (например, SVM), чтобы найти корреляции между оценками асессоров и измеримыми сигналами сайта (PageRank, клики). Для повышения точности применяется метод «предвзятой выборки» (Biased Sampling): система намеренно собирает больше оценок для сайтов среднего качества («сложных случаев»), чем для очевидно плохих или хороших.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8442984B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2013-05-14</li> </ul> <ul class="options-list"> <li><p>SERP</p></li> <li><p>EEAT и качество</p></li> <li><p>Поведенческие сигналы</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US8498984B1/">Как Google использует позиционный CTR (Selection Rate) для ранжирования и группировки вертикалей в Универсальном поиске</a> <div class="text">Google использует механизм для структурирования поисковой выдачи путем группировки результатов по категориям (вертикалям), таким как Новости, Видео или Веб. Система определяет порядок этих категорий, основываясь на ожидаемой частоте кликов (Selection Rate/CTR) тех позиций, которые занимают результаты категории в исходном смешанном ранжировании. Это определяет структуру Универсального поиска (Universal Search).</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8498984B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2013-07-30</li> </ul> <ul class="options-list"> <li><p>SERP</p></li> <li><p>Поведенческие сигналы</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US8745067B2/">Как Google агрегирует, оценивает и ранжирует комментарии, отзывы и упоминания о веб-странице из разных источников</a> <div class="text">Google собирает комментарии, отзывы и посты в блогах, относящиеся к определенной веб-странице. Система использует сложные алгоритмы для определения основной темы упоминаний (особенно если в них несколько ссылок) и ранжирует эти комментарии на основе авторитетности автора, свежести, качества языка и обратной связи пользователей, чтобы представить наиболее полезные мнения.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8745067B2<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2014-06-03</li> </ul> <ul class="options-list"> <li><p>EEAT и качество</p></li> <li><p>Свежесть контента</p></li> <li><p>Семантика и интент</p></li> </ul> </div> </div> </div> </div> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="http://seohardcore.ru/patents/google/US9098582B1/">Как Google определяет язык и языковую релевантность страницы, анализируя контекст входящих и исходящих ссылок</a> <div class="text">Google использует контекст входящих и исходящих ссылок для определения языковой релевантности ресурса. Система анализирует язык анкоров, URL, контент ссылающихся и целевых страниц, а также качество ссылок и тип страницы (например, «языковой шлюз»). Это позволяет точно идентифицировать релевантные языки, даже если на самой странице мало текста.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US9098582B1<li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2015-08-04</li> </ul> <ul class="options-list"> <li><p>Ссылки</p></li> <li><p>Мультиязычность</p></li> <li><p>Семантика и интент</p></li> </ul> </div> </div> </div> </div> </div> </div> <!-- Sidebar Side --> <!-- End Sidebar Side --> </div> </div> </div> <!--End Sidebar Page Container --> <!-- Main Footer --> <footer class="main-footer style-two"> <!-- Footer Bottom --> <div class="footer-bottom"> <div class="text"><a class="tglink" target="_blank" href="https://t.me/seohardcore"><svg xmlns="http://www.w3.org/2000/svg" width="16" height="16" fill="currentColor" class="bi bi-telegram" viewBox="0 0 16 16"> <path d="M16 8A8 8 0 1 1 0 8a8 8 0 0 1 16 0M8.287 5.906q-1.168.486-4.666 2.01-.567.225-.595.442c-.03.243.275.339.69.47l.175.055c.408.133.958.288 1.243.294q.39.01.868-.32 3.269-2.206 3.374-2.23c.05-.012.12-.026.166.016s.042.12.037.141c-.03.129-1.227 1.241-1.846 1.817-.193.18-.33.307-.358.336a8 8 0 0 1-.188.186c-.38.366-.664.64.015 1.088.327.216.589.393.85.571.284.194.568.387.936.629q.14.092.27.187c.331.236.63.448.997.414.214-.02.435-.22.547-.82.265-1.417.786-4.486.906-5.751a1.4 1.4 0 0 0-.013-.315.34.34 0 0 0-.114-.217.53.53 0 0 0-.31-.093c-.3.005-.763.166-2.984 1.09"></path> </svg> seohardcore</a></div> </div> <!-- Scroll To Top --> <div class="scroll-to-top scroll-to-target" data-target="html"><span class="flaticon-up"></span></div> </footer> <!-- End Footer --> </div><!-- End Page Wrapper --> <script src="/js/jquery.js?v=1.04"></script> <!-- <script src="/js/popper.min.js?v=1.04"></script> <script src="/js/chosen.min.js?v=1.04"></script> --> <script src="/js/bootstrap.min.js?v=1.04"></script> <script src="/js/jquery-ui.min.js?v=1.04"></script> <script src="/js/jquery.fancybox.js?v=1.04"></script> <script src="/js/jquery.modal.min.js?v=1.04"></script> <script src="/js/jquery.hideseek.min.js?v=1.04"></script> <script src="/js/mmenu.polyfills.js?v=1.04"></script> <script src="/js/mmenu.js?v=1.04"></script> <script src="/js/appear.js?v=1.04"></script> <script src="/js/wow.js?v=1.04"></script> <script src="/js/script.js?v=1.04"></script> <script src="/js/listing-nav-sticky.js?v=1.04"></script> <script src="/js/back-ignoring-hash.js?v=1.04"></script> <script src="/js/patents-readmore.js?v=1.04"></script> </body> </html>