Google анализирует активность пользователя и его контент в различных сервисах (таких как email, календарь, фотохостинг). На основе этих данных система генерирует персонализированные поисковые подсказки (Autocomplete), когда пользователь начинает вводить запрос. Это позволяет предлагать запросы типа «мои рейсы» или «мои фото», основываясь на реальных бронированиях или загруженных изображениях пользователя.

Описание

Какую проблему решает

Патент решает проблему сложности формулирования персонализированных поисковых запросов. Пользователи могут не знать о возможностях поиска по своим личным данным (например, «мои рейсы», «мои фото») или о правильном синтаксисе для доступа к ним через общий интерфейс поиска. Изобретение улучшает обнаруживаемость (discoverability) этих функций, проактивно предлагая релевантные подсказки на основе личного контента пользователя. Патент не устраняет SEO-манипуляции, так как фокусируется на пользовательском интерфейсе и поиске по приватным данным.

Что запатентовано

Запатентована система для генерации персонализированных подсказок поисковых запросов (Autocomplete) в реальном времени. Система анализирует данные пользователя и его активность в различных компьютерных сервисах (computer-implemented services), таких как электронная почта, календарь или фотохостинги, и предлагает подсказки на основе этого контента (content-based query suggestions). Цель — помочь пользователю быстро сформировать запрос для поиска по его собственным данным.

Как это работает

Механизм работает следующим образом:

  • Индексирование: Система заранее индексирует личные данные пользователя из подключенных сервисов в Personal Index.
  • Ввод пользователя: Пользователь начинает вводить запрос (Query Initial Input).
  • Анализ данных: Query Suggestion Engine обращается к Personal Index и общему индексу подсказок (SQ Index).
  • Оценка вовлеченности: Система определяет, какие сервисы пользователь использует активно (Level of engagement) и есть ли в них контент, релевантный вводу.
  • Генерация подсказок: Формируются content-based подсказки (например, «мои фото») и history-based подсказки (прошлые запросы).
  • Ранжирование и отображение: Все подсказки ранжируются и отображаются.
  • Автодополнение: Наиболее релевантная подсказка может автоматически дополнить ввод в поисковой строке (updated query), и для нее могут быть показаны предварительные результаты поиска (preliminary search results).

Актуальность для SEO

Высокая. Персонализация поиска и интеграция данных из экосистемы Google (Gmail, Workspace, Photos) являются ключевыми направлениями развития. Описанный механизм является фундаментальным для интеграции личных данных в поисковый опыт, что остается крайне актуальным для современных реализаций, включая ассистентов и генеративный поиск.

Важность для SEO

Влияние на традиционное органическое SEO минимальное (2/10). Этот патент полностью посвящен пользовательскому интерфейсу (Query Autocomplete) и поиску по собственным (приватным) данным пользователя. Он не описывает механизмы ранжирования общедоступных веб-ресурсов. Однако он дает важное понимание того, как Google обрабатывает, индексирует и интерпретирует персональные сущности и транзакционную информацию (например, из электронных писем).

Детальный разбор

Термины и определения

Computer-implemented services (Компьютерные сервисы)
Сервисы, используемые пользователем, помимо основного поиска. Примеры: электронная почта, чат, социальные сети, календарь, обмен документами/фото/видео.
Content-based Query Suggestions (Контентные подсказки запросов)
Тип персонализированных подсказок, отражающий данные пользователя или его активность в других сервисах. Пример: «мои рейсы» (на основе письма с бронью) или «мои фото» (на основе использования фото-сервиса).
History-based Query Suggestions (Подсказки на основе истории)
Тип персонализированных подсказок, представляющий собой запрос, который пользователь отправлял ранее.
Level of Engagement (Уровень вовлеченности)
Метрика, определяющая, насколько активно пользователь взаимодействует с конкретным сервисом. Может основываться на частоте использования (frequency of use) или объеме сохраненных данных. Используется для ранжирования и фильтрации подсказок.
Personal Index (Персональный индекс / User Index)
Хранилище данных, содержащее специфичную для пользователя информацию (user-specific information) из различных сервисов (письма, события календаря, фото и т.д.).
Personalized Query Suggestions (Персонализированные подсказки запросов)
Общий термин для подсказок, основанных на информации, специфичной для пользователя (включает Content-based и History-based подсказки).
Query Initial Input (Начальный ввод запроса)
Последовательность символов, введенная пользователем в поисковую строку.
Query Suggestion Engine (Механизм генерации подсказок)
Компонент поисковой системы, отвечающий за обработку начального ввода и генерацию списка подсказок из SQ Index и Personal Index.
SQ Index (Индекс предлагаемых запросов)
Хранилище данных, содержащее неперсонализированные подсказки, основанные на агрегированной истории запросов всех пользователей.
Updated Query (Обновленный запрос)
Результат добавления автодополнения (completion) к начальному вводу пользователя. Текст, который отображается в поисковой строке после автозаполнения.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации и отображения персонализированных подсказок на основе контента.

  1. Система получает начальный ввод запроса (Query Initial Input) от пользователя.
  2. В ответ компьютерная поисковая служба определяет набор personalized content-based query suggestions.
  3. Определение основано на (i) начальном вводе и (ii) специфичной для пользователя информации (данные или использование других сервисов, помимо самой поисковой службы).
  4. Идентифицируется конкретная подсказка из этого набора.
  5. К начальному вводу добавляется автодополнение (completion), соответствующее этой конкретной подсказке, формируя updated query.
  6. Передаются инструкции для отображения пользователю (i) набора подсказок и (ii) обновленного запроса (т.е. автозаполненного текста в поисковой строке).

Ядром изобретения является использование данных из сторонних сервисов (не только истории поиска) для генерации подсказок и механизм автодополнения запроса на их основе.

Claim 2, 3, 4 (Зависимые): Детализируют механизм ранжирования подсказок.

Подсказки отображаются в определенном порядке (rank order). Этот порядок определяется на основе релевантности, частоты использования сервисов (frequency of use), пользовательского контента или типа подсказки (например, приоритет истории над контентом или наоборот).

Claim 5 (Зависимый): Вводит понятие порога вовлеченности.

Каждая контентная подсказка связана с конкретным сервисом. Она отображается, только если level of engagement пользователя в этот сервис превышает пороговый уровень (threshold level of engagement).

Claim 7 (Зависимый): Описывает механизм предварительных результатов (Instant Search).

Система идентифицирует подсказку как имеющую наивысший ранг и автоматически выбирает ее. Система передает инструкции для отображения поисковых результатов, связанных с этой подсказкой, в качестве preliminary search results.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, связанных с индексированием персональных данных и интерфейсом ввода запроса.

INDEXING – Индексирование и извлечение признаков (Персональное)
На этом этапе данные из внешних по отношению к поиску сервисов (электронная почта, календарь, фото, документы) обрабатываются и сохраняются в Personal Index. Также рассчитываются метрики активности пользователя в этих сервисах (level of engagement).

QUNDERSTANDING – Понимание Запросов (Autocomplete/Query Suggestion)
Это основной этап применения патента. Процесс происходит в реальном времени, когда пользователь вводит запрос:

  1. Query Suggestion Engine анализирует Query Initial Input.
  2. Движок параллельно обращается к SQ Index (для общих подсказок) и Personal Index (для персонализированных подсказок).
  3. Система генерирует, фильтрует (на основе level of engagement) и ранжирует итоговый список подсказок.
  4. Система формирует updated query (автодополнение) на основе лучшей подсказки.

RANKING – Ранжирование (Предварительное)
Если активирована функция предварительных результатов (Claim 7), основная поисковая система выполняет ранжирование для генерации preliminary search results на основе лучшей подсказки.

Входные данные:

  • Query Initial Input (ввод пользователя).
  • Идентификатор пользователя.
  • Данные из Personal Index (контент из сервисов, история поиска, метрики вовлеченности).
  • Данные из SQ Index (общие популярные запросы).

Выходные данные:

  • Ранжированный список подсказок (personalized и non-personalized).
  • Updated Query (автозаполненный запрос в поисковой строке).
  • (Опционально) Preliminary search results.

На что влияет

  • Специфические запросы: Влияет на запросы, которые могут иметь персональный контекст (например, связанные с личной логистикой, воспоминаниями, контактами или содержащие названия брендов, с которыми пользователь взаимодействовал).
  • Типы контента: Влияет на доступность личного контента (письма, события, фото) через основную поисковую строку.
  • Конкретные ниши или тематики: Влияет на ниши, где происходят транзакции и бронирования (Travel, E-commerce, Events), так как данные из этих ниш часто попадают в Personal Index через email или календарь. Не влияет на органическое ранжирование внешних сайтов.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

  • Триггеры активации: Ввод символов пользователем в поисковую строку в реальном времени.
  • Условия для персонализированных подсказок:
    • Пользователь должен быть аутентифицирован (залогинен).
    • У пользователя должны быть релевантные данные в Personal Index.
    • Level of engagement пользователя в соответствующем сервисе должен превышать threshold level of engagement. Например, подсказка «мои фото» появится, только если пользователь достаточно активно использует Google Фото.
  • Исключения: Для неаутентифицированных пользователей могут показываться общие подсказки, связанные с сервисами, с предложением войти в систему.

Пошаговый алгоритм

Процесс обработки ввода пользователя и генерации подсказок:

  1. Получение ввода: Система получает Query Initial Input от пользователя.
  2. Определение неперсонализированных подсказок: Query Suggestion Engine ищет релевантные подсказки в SQ Index.
  3. Определение персонализированных подсказок: Параллельно система ищет подсказки в Personal Index:
    • Идентификация history-based query suggestions (предыдущие запросы).
    • Идентификация content-based query suggestions (данные из сервисов).
    • Фильтрация по вовлеченности: Для контентных подсказок проверяется level of engagement с соответствующим сервисом. Если он ниже порога, подсказка отбрасывается.
  4. Определение порядка ранжирования: Все отобранные подсказки ранжируются. Ранжирование учитывает тип подсказки, релевантность вводу и level of engagement. Может использоваться многоуровневая презентация (tiered arrangement).
  5. Идентификация лучшей подсказки: Определяется подсказка с наивысшим рангом.
  6. Генерация автодополнения: Формируется updated query путем добавления автодополнения, соответствующего лучшей подсказке.
  7. (Опционально) Генерация предварительных результатов: Система выполняет поиск по лучшей подсказке и генерирует preliminary search results.
  8. Передача инструкций: Система отправляет клиенту инструкции для отображения списка подсказок, updated query и (опционально) предварительных результатов.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании персональных данных из различных источников, агрегированных в Personal Index.

  • Контентные факторы (Персональные): Содержимое, сгенерированное или полученное пользователем: электронные письма, события календаря, загруженные фотографии и документы, посты в социальных сетях, подтверждения бронирований (рейсы, отели, рестораны), покупки, билеты.
  • Поведенческие факторы:
    • Частота и история использования различных сервисов (для расчета level of engagement).
    • История предыдущих запросов пользователя (для history-based suggestions).
  • Сущности (Entities): Сущности, извлеченные из персонального контента (например, названия авиакомпаний, имена контактов, названия продуктов, даты).
  • Пользовательские факторы: Идентификатор пользователя (для доступа к Personal Index).

Какие метрики используются и как они считаются

  • Level of Engagement (Уровень вовлеченности): Метрика активности пользователя в конкретном сервисе. Рассчитывается на основе частоты использования сервиса, количества взаимодействий или объема данных, хранящихся пользователем в этом сервисе.
  • Threshold Level of Engagement (Пороговый уровень вовлеченности): Заданное значение. Если Level of Engagement ниже этого порога, content-based suggestions для этого сервиса не показываются.
  • Ranking Score (Оценка ранжирования подсказки): Вычисляется для каждой подсказки. Факторы включают:
    • Тип подсказки (history-based vs content-based vs non-personalized).
    • Релевантность подсказки начальному вводу.
    • Level of Engagement с соответствующим сервисом.

Выводы

  1. Фокус на UI/UX персонализированного поиска: Патент описывает механизм улучшения пользовательского интерфейса (Autocomplete) для облегчения доступа к личным данным. Он направлен на повышение обнаруживаемости функций персонализированного поиска.
  2. Кросс-сервисная интеграция данных: Google активно индексирует и использует данные из всей своей экосистемы (Gmail, Calendar, Photos и т.д.) для формирования поискового опыта. Personal Index является центральным элементом этой стратегии.
  3. Важность «Level of Engagement»: Система не просто проверяет наличие данных, но и оценивает, насколько активно пользователь вовлечен в работу с сервисом. Подсказки для редко используемых сервисов могут не отображаться, даже если данные в них есть.
  4. Многофакторное ранжирование подсказок: Ранжирование подсказок учитывает не только релевантность тексту ввода, но и тип подсказки (история, контент, общая популярность) и активность пользователя.
  5. Отсутствие влияния на органическое SEO: Патент не содержит информации о факторах ранжирования общедоступных веб-сайтов и не имеет прямого отношения к стратегиям органического продвижения.

Практика

Best practices (это мы делаем)

Патент является инфраструктурным и ориентированным на UI/UX персонализированного поиска. Он не дает прямых рекомендаций для органического SEO. Однако он подчеркивает важность оптимизации контента, который попадает в Personal Index пользователя.

  • Использование структурированных данных в коммуникациях (Schema.org for Emails): Это ключевая практика. Если ваш бизнес отправляет пользователям транзакционные письма (бронирования, билеты, покупки), критически важно использовать микроразметку (Schema.org). Это гарантирует, что Google сможет корректно распознать сущности (например, дату рейса, название отеля) и сохранить их в Personal Index пользователя. Это позволит механизму генерировать точные персонализированные подсказки (например, «мое бронирование в [Ваш Отель]») для ваших клиентов.
  • Поощрение интеграции с Календарем: Предлагайте пользователям добавлять события или бронирования в их календарь (например, через .ics файлы или API). Данные календаря являются надежным источником для content-based suggestions.
  • Четкая структура транзакционных сообщений: Убедитесь, что письма имеют четкую текстовую структуру и содержат ключевую информацию в виде текста, а не изображений, что облегчает парсинг данных.

Worst practices (это делать не надо)

  • Использование изображений вместо текста в письмах: Отправка важной информации (например, номера бронирования или адреса) в виде изображений затрудняет парсинг данных для Personal Index.
  • Неструктурированные подтверждения: Отправка подтверждений в виде плохо сверстанного текста без четкого выделения ключевых сущностей (даты, времени, названия) и без использования микроразметки Schema.org.
  • Игнорирование Email как канала данных: Рассмотрение email только как канала коммуникации, а не как способа передачи структурированных данных в экосистему Google пользователя.

Стратегическое значение

Патент подтверждает долгосрочную стратегию Google по глубокой интеграции персональных данных в поисковый опыт. Он демонстрирует технические механизмы (Personal Index, Level of Engagement), используемые для анализа данных из различных источников. Для бизнеса это подчеркивает важность предоставления данных в машиночитаемом формате (микроразметка) для улучшения взаимодействия клиента с брендом через персонализированные интерфейсы Google (Поиск, Ассистент).

Практические примеры

Сценарий: Улучшение клиентского опыта для авиакомпании через персонализированные подсказки

  1. Действие бизнеса: Авиакомпания "Consolidated Airlines" внедряет микроразметку Schema.org (FlightReservation) в свои электронные письма с подтверждением бронирования.
  2. Обработка Google: Когда клиент получает письмо на Gmail, Google парсит разметку и сохраняет детали рейса в Personal Index клиента. Система также отмечает активность, связанную с сущностями типа "Flight".
  3. Взаимодействие пользователя: Через несколько дней клиент вводит в строку поиска Google [consolidated].
  4. Активация механизма: Query Suggestion Engine видит ввод, проверяет Personal Index и находит информацию о бронировании в Consolidated Airlines.
  5. Результат: В списке подсказок появляется персонализированная content-based suggestion: [my flights on consolidated]. Пользователь может быстро перейти к деталям своего рейса.

Вопросы и ответы

Влияет ли этот патент на ранжирование моего сайта в органическом поиске?

Нет, этот патент не влияет на органическое ранжирование. Он описывает исключительно пользовательский интерфейс (Autocomplete) и механизм генерации подсказок для поиска по личным данным пользователя (например, в Gmail или Календаре). Он не затрагивает алгоритмы ранжирования общедоступных веб-страниц.

Что такое «Personal Index», упоминаемый в патенте?

Personal Index — это защищенное хранилище данных, где Google хранит информацию, специфичную для конкретного пользователя. Оно наполняется данными из различных сервисов, которыми пользуется человек, таких как электронная почта, календарь, фотографии и история покупок. Этот индекс используется для предоставления персонализированных результатов поиска и подсказок.

В чем разница между «Content-based» и «History-based» подсказками?

History-based подсказки — это запросы, которые пользователь уже вводил ранее (история поиска). Content-based подсказки — это новые предложения запросов, сгенерированные на основе содержимого личных данных пользователя. Например, если вы вчера искали [билеты в кино], это History-based. Если Google предлагает [мой билет на Мстителей] на основе письма в вашем Gmail, это Content-based.

Что означает «Level of Engagement» и почему это важно?

Level of Engagement (Уровень вовлеченности) — это метрика, показывающая, насколько активно пользователь использует определенный сервис. Патент указывает, что Google не будет показывать персонализированные подсказки (например, «мои документы»), если пользователь редко пользуется соответствующим сервисом (например, Google Docs). Это сделано для того, чтобы не перегружать интерфейс нерелевантными подсказками.

Могу ли я как SEO-специалист повлиять на то, какие персонализированные подсказки увидят мои клиенты?

Да, косвенно. Вы можете повлиять на данные, попадающие в их Personal Index от вашего бизнеса. Используя микроразметку (Schema.org) в транзакционных электронных письмах (бронирования, покупки), вы помогаете Google корректно проиндексировать эту информацию. Это позволит Google генерировать точные content-based подсказки, связанные с вашим брендом (например, «мой заказ в [Ваш Магазин]»).

Патент упоминает «предварительные результаты поиска». Что это значит?

Это функция «Поиск по мере ввода» (Instant Search). Система не только автозаполняет лучший запрос (Updated Query), но и сразу же загружает и отображает результаты поиска для него, еще до того, как пользователь нажал Enter. Это ускоряет доступ к информации, если система уверена в намерении пользователя.

Как система решает, какие подсказки показать выше: персональные или общие?

Патент описывает гибкую систему ранжирования. Порядок может зависеть от релевантности, частоты использования связанных сервисов (Level of Engagement) или типа подсказки. Система может использовать ярусы (tiers), например, отображая сначала подсказки на основе истории, затем на основе контента, и только потом общие популярные запросы.

Применяется ли этот механизм, если пользователь не залогинен в аккаунт Google?

В основном нет, так как требуется доступ к Personal Index. Однако патент упоминает, что неаутентифицированным пользователям могут показываться общие подсказки, связанные с сервисами (например, «Gmail»), с предложением войти в систему для доступа к персонализированной информации.

Влияет ли этот механизм на анализ семантического ядра?

Да, косвенно. При анализе подсказок Autocomplete для сбора семантики необходимо понимать, что часть видимых подсказок может быть персонализирована. Для чистого анализа трафикообразующих запросов необходимо использовать режим инкогнито, чтобы исключить влияние Personal Index и получить данные только из общего индекса подсказок (SQ Index).

Какое стратегическое значение этого патента для SEO, если он не влияет на ранжирование?

Стратегическое значение заключается в понимании того, как Google развивает свою экосистему. Он демонстрирует важность структурированных данных для обеспечения видимости бренда не только в органическом поиске, но и в персональном контексте пользователя (почта, календарь, ассистент). Обеспечение корректного попадания данных в Personal Index — это часть комплексной стратегии присутствия в поиске.

Похожие патенты

Как Google персонализирует поисковые подсказки (Autocomplete) используя ваш социальный граф
Google использует данные из социального графа пользователя для персонализации и ранжирования поисковых подсказок (Autocomplete). Система учитывает, что искали ваши контакты, на какие результаты они кликали и какие ресурсы они одобряли (Endorsements). Подсказки, популярные среди близких контактов, ранжируются выше.
  • US9305092B1
  • 2016-04-05

  • Персонализация

  • Поведенческие сигналы

Как Google использует личную историю поиска и профиль интересов для персонализации подсказок Autocomplete
Google персонализирует поисковые подсказки (Autocomplete), используя профиль интересов пользователя, созданный на основе его прошлых запросов и кликов. Система сравнивает тематику потенциальных подсказок с интересами пользователя и повышает в списке те варианты, которые соответствуют его предпочтениям, с учетом актуальности этих интересов.
  • US20140108445A1
  • 2014-04-17

  • Персонализация

  • Поведенческие сигналы

  • Семантика и интент

Как Google превращает поисковые подсказки (Autocomplete) в задачи и напоминания, используя персональные данные пользователя
Google может интерпретировать поисковые запросы как намерение выполнить действие (например, «оплатить счет»). Система анализирует персональные данные (почту, календарь, контакты) и предлагает в поисковых подсказках не просто текст, а конкретные задачи. Выбор такой подсказки создает напоминание или событие напрямую, часто минуя стандартный поиск по веб-страницам.
  • US9483565B2
  • 2016-11-01

  • Персонализация

  • Семантика и интент

Как Google интегрирует результаты поиска и контекстные подсказки непосредственно в интерфейс браузера и приложений (Основы Omnibox и Google Desktop)
Патент Google, описывающий механизмы динамического изменения пользовательского интерфейса путем вставки контекстуальных результатов поиска или запросов к пользователю. Система анализирует элементы просматриваемого контента ("аспекты") и внедряет связанную информацию ("вставки") из локального индекса (история, файлы) или глобального поиска. Это закладывает основу для функций автодополнения в адресной строке (Autocomplete/Omnibox) и контекстного поиска.
  • US20090276408A1
  • 2009-11-05

  • Индексация

  • Персонализация

  • Семантика и интент

Как Google формирует персонализированные поисковые подсказки (Autocomplete) на основе контента пользователя (например, в Gmail)
Google использует механизм для улучшения поисковых подсказок (Autocomplete) в таких сервисах, как Gmail. Система анализирует корпус документов пользователя, распознает сущности (например, email-адреса, имена) и предлагает их в качестве подсказок. Это помогает пользователю быстрее находить нужный контент, предлагая контекстуализированные подсказки (например, полный контакт) вместо отдельных слов.
  • US20140201229A1
  • 2014-07-17

  • Персонализация

  • Индексация

  • Семантика и интент

Популярные патенты

Как Google использует контекст и анализ офлайн-поведения (Read Ranking) для соединения физических документов с цифровыми копиями
Система идентифицирует цифровой контент по сканированному фрагменту из физического мира, используя не только текст, но и обширный контекст (время, местоположение, историю пользователя). Патент также вводит концепцию «Read Ranking» — отслеживание популярности физических документов на основе того, что люди сканируют, как потенциальный сигнал ранжирования.
  • US20110295842A1
  • 2011-12-01

  • Поведенческие сигналы

  • Персонализация

  • Семантика и интент

Как Google автоматически распознает сущности в тексте и связывает их в Knowledge Graph с помощью динамических поисковых ссылок
Google использует автоматизированную систему для поддержания связей между сущностями (объектами) в своем хранилище фактов (Knowledge Graph). Система сканирует текст, статистически определяет значимые фразы и сверяет их со списком известных объектов. При совпадении создается динамическая «поисковая ссылка» вместо фиксированного URL. Это позволяет Google постоянно обновлять связи по мере добавления новых знаний.
  • US8260785B2
  • 2012-09-04

  • Knowledge Graph

  • Семантика и интент

  • Ссылки

Как Google переносит вес поведенческих сигналов (кликов) между связанными запросами для улучшения ранжирования
Google улучшает ранжирование по редким или новым запросам, для которых недостаточно собственных данных, используя поведенческие сигналы (Clickthrough Data) из связанных запросов. Если пользователи часто вводят запросы последовательно, система идентифицирует связь и переносит данные о кликах с одного запроса на другой, позволяя документам с высоким engagement ранжироваться выше по всему кластеру.
  • US7505964B2
  • 2009-03-17

  • Поведенческие сигналы

  • SERP

Как Google использует структурированные данные (Schema) для отслеживания вовлеченности пользователей на уровне сущностей, а не только URL
Google может отслеживать поведение пользователей (например, время пребывания на странице и клики) и связывать его с конкретными сущностями (продуктами, людьми, темами), идентифицированными через структурированные данные, а не только с URL-адресом. Это позволяет агрегировать метрики вовлеченности для определенной темы на разных страницах и сравнивать эффективность сайтов.
  • US20140280133A1
  • 2014-09-18

  • Семантика и интент

  • Поведенческие сигналы

  • Knowledge Graph

Как Google использует данные о поведении пользователей для генерации и ранжирования Sitelinks (Дополнительных ссылок сайта)
Патент описывает механизм генерации Sitelinks (дополнительных ссылок под основным результатом поиска). Google анализирует логи доступа пользователей (частоту кликов, время на странице) и другие факторы качества, чтобы определить наиболее важные внутренние страницы сайта. Эти страницы затем отображаются в виде ранжированного списка для ускорения навигации пользователя.
  • US7996391B2
  • 2011-08-09

  • Ссылки

  • Поведенческие сигналы

  • SERP

Как Google классифицирует запросы как навигационные или исследовательские, чтобы регулировать количество показываемых результатов
Google использует систему для динамического определения количества отображаемых результатов поиска. Система классифицирует запрос как навигационный (поиск конкретного места/ресурса) или исследовательский (поиск вариантов). Классификация основана на анализе компонентов оценки релевантности (совпадение по названию vs. категории) и энтропии исторических кликов. При навигационном интенте количество результатов сокращается.
  • US9015152B1
  • 2015-04-21

  • Семантика и интент

  • Поведенческие сигналы

  • Local SEO

Как Google использует паттерны просмотра пользователей (Co-Visitation) и временную близость для определения тематики нетекстового контента (изображений и видео)
Google использует механизм для понимания контента без текста (изображения, видео), анализируя, какие другие (текстовые) страницы пользователи посещают в рамках той же сессии. Ключевые слова с этих текстовых страниц заимствуются и присваиваются нетекстовому ресурсу. Критически важным фактором является время перехода: чем быстрее пользователь перешел между ресурсами, тем больший вес получают ключевые слова.
  • US8572096B1
  • 2013-10-29

  • Поведенческие сигналы

  • Семантика и интент

  • Мультимедиа

Как Google использовал специальные токены в запросе (например, «+») для прямой навигации на верифицированные социальные страницы в обход SERP
Google может интерпретировать специальные токены в поисковом запросе (например, «+») как намерение пользователя найти официальную социальную страницу сущности. Если система идентифицирует верифицированный профиль, соответствующий запросу с высокой степенью уверенности, она может перенаправить пользователя прямо на эту страницу, минуя стандартную поисковую выдачу.
  • US9275421B2
  • 2016-03-01

  • Семантика и интент

  • SERP

  • Ссылки

Как Google рассчитывает тематическую репутацию для выявления и наделения полномочиями экспертов-кураторов
Google описывает систему для тематических сообществ, где пользователи зарабатывают репутацию (Topical Reputation Score) на основе качества контента, которым они делятся в рамках конкретных тем. Достигнув порогового значения, пользователь «разблокирует» тему, получая права куратора и возможность управлять контентом других. Система использует механизм «Impact Scores» для оценки влияния действий кураторов на репутацию участников.
  • US9436709B1
  • 2016-09-06

  • EEAT и качество

  • Поведенческие сигналы

Как Google использует исторические паттерны CTR для предсказания сезонных и циклических изменений интента пользователя
Google анализирует исторические данные о кликах (CTR) для выявления предсказуемых изменений в интересах пользователей по неоднозначным запросам. Если интент меняется в зависимости от сезона, дня недели или времени суток, система корректирует ранжирование, чтобы соответствовать доминирующему в данный момент интенту. Например, по запросу "turkey" в ноябре приоритет получат рецепты, а не информация о стране.
  • US8909655B1
  • 2014-12-09

  • Семантика и интент

  • Поведенческие сигналы

  • SERP