Google использует этот механизм для определения того, какие группы связанных сущностей (например, "Фильмы", "Члены семьи", "Коллеги") показать в Панели Знаний. Система анализирует пути в Графе Знаний, группирует сущности по типу их связи (Path Type) и ранжирует эти группы по популярности и силе связи (Relationship Strength), основанной на совместном упоминании в вебе и запросах.

Описание

Какую проблему решает

Патент решает задачу выбора и представления информации о связанных сущностях при ответе на запрос, идентифицирующий основную сущность. Проблема заключается в том, чтобы в ограниченном пространстве интерфейса (например, в Knowledge Panel) показать не просто список связей, а автоматически определить наиболее релевантные, популярные или полезные для пользователя группы связанных сущностей, организованные интуитивно понятным образом.

Что запатентовано

Запатентована система автоматической группировки и ранжирования связанных сущностей на основе анализа структуры Entity Graph (Графа Знаний). Сущности группируются, если они связаны с основной сущностью одинаковым типом пути (Path Type) в графе, который определяется упорядоченной последовательностью отношений. Затем эти группы ранжируются на основе различных критериев, включая популярность типа отношений и силу связи между сущностями, чтобы выбрать лучшую группу для отображения.

Как это работает

Система функционирует в два этапа:

  • Офлайн-анализ: Система анализирует Entity Graph, находя пути между сущностями. Сущности группируются, если они имеют одинаковый Path Type к целевой сущности. Система может обобщать сложные пути (например, разные родственные связи в «Член семьи»). Затем группы ранжируются по популярности типа связи (Relationship Popularity) и силе связи (Relationship Strength), которая измеряется через совместное упоминание (co-occurrence) в документах и запросах.
  • Онлайн-обработка: При получении запроса система идентифицирует основную сущность, извлекает предварительно рассчитанную группу с наивысшим рейтингом и генерирует представление (Knowledge Panel), включающее эту группу.

Актуальность для SEO

Высокая. Патент описывает фундаментальный механизм работы с Графом Знаний и генерации Панелей Знаний, включая блоки типа "Люди также ищут" (People Also Search For) и карусели связанных сущностей. Поскольку Google все больше полагается на сущностное понимание контента и структурированные данные, актуальность этого механизма остается критически важной.

Важность для SEO

Патент имеет высокое значение для стратегий Entity SEO (85/100). Он раскрывает механизм, с помощью которого Google определяет наиболее важные связи сущности и придает им видимость. Понимание того, как Google измеряет Relationship Strength (через совместное упоминание) и ранжирует отношения, позволяет SEO-специалистам оптимизировать присутствие бренда или персоны в Графе Знаний, делая акцент на связях, которые система с большей вероятностью выделит.

Детальный разбор

Термины и определения

Entity Graph (Граф Сущностей / Граф Знаний)
Структура данных, где узлы (Entity Nodes) представляют сущности, а связи (Links) между ними представляют отношения. Каждая связь имеет Relationship Type.
Reference Entity Node (Целевой/Опорный узел сущности)
Основная сущность, для которой определяются группы связанных сущностей (например, сущность, идентифицированная в запросе).
Seed Entity Nodes (Начальные узлы сущностей)
Связанные сущности, от которых начинается путь к опорной сущности. Они являются кандидатами для включения в группы.
Path (Путь)
Последовательность из одной или нескольких связей (Links), соединяющая две сущности в графе.
Path Type (Тип Пути)
Ключевое понятие. Определение пути, основанное на упорядоченной последовательности типов отношений (Relationship Types) связей, составляющих этот путь. Например, [сын, сын] или [актер в фильме].
Relationship Type (Тип Отношения)
Характеристика связи (Link) в графе (например, "located in", "president of", "leading actor").
Relationship Popularity (Популярность отношения)
Метрика для ранжирования групп. Основана на частоте встречаемости данного Path Type в графе или частоте навигации пользователей между сущностями с этим типом отношения.
Relationship Strength (Сила связи)
Метрика, оценивающая прочность ассоциации между двумя сущностями. Рассчитывается на основе Relationship-independent metrics.
Relationship-independent metrics (Независимые от отношений метрики)
Сигналы для расчета Relationship Strength, не зависящие от структуры Entity Graph. Включают совместное упоминание (co-occurrence) алиасов сущностей в документах, запросах или парах запрос/результат.
Knowledge Panel (Панель Знаний)
Элемент интерфейса (Presentation), предоставляющий сводную информацию о сущности.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс группировки и выбора связанных сущностей.

  1. Система получает запрос, идентифицирующий первую сущность, и находит ее узел в Entity Graph.
  2. Идентифицируется множество групп связанных узлов. Ключевое условие: для каждой группы все узлы в ней связаны с первым узлом путем (Path), имеющим одинаковый Path Type, специфичный для этой группы.
  3. Ключевое определение Path Type: он определяется одинаковой упорядоченной последовательностью (ordered sequence) типов отношений множественных последовательных связей (multiple sequential links) в графе.
  4. Определяется группа с наивысшим рангом (highest-ranked group) среди множества групп.
  5. Генерируется и предоставляется презентация (например, Knowledge Panel), включающая информацию о сущностях из этой высокоранжированной группы.

Ядро изобретения — это метод группировки сущностей на основе идентичных многошаговых путей (упорядоченной последовательности отношений) и последующее ранжирование этих групп для выбора лучшей.

Claims 3 и 4 (Зависимые): Описывают механизм генерализации (обобщения) путей.

Система может назначить пути новый, обобщенный тип (generalization). Например, путь [сын, брат, отец] может быть обобщен до [член семьи].

Claims 5 и 6 (Зависимые): Описывают ранжирование групп на основе популярности (Relationship Popularity).

  • Ранжирование основано на мере популярности типа отношений (Claim 5).
  • Ранжирование основано на количестве пользовательских переходов (навигации) между презентациями сущностей с соответствующим типом отношений (Claim 6).

Claim 7 (Зависимый): Описывает ранжирование на основе силы связи (Relationship Strength).

Система рассчитывает индивидуальные меры силы связи между основной сущностью и членами группы, затем агрегирует их для группы. Ранжирование групп основывается на этих агрегированных мерах.

Claims 8-11 (Зависимые): Уточняют, как измеряется сила связи с помощью Relationship-independent metrics (метрик совместного упоминания/co-occurrence):

  • Совместное упоминание алиасов сущностей в коллекции документов (Claim 9).
  • Совместное упоминание алиасов сущностей в поисковых запросах (Claim 10).
  • Совместное упоминание: первая сущность в запросе, вторая — в результатах поиска по этому запросу (Claim 11).

Где и как применяется

Изобретение затрагивает несколько этапов поиска, преимущественно офлайн-обработку данных и финальное формирование выдачи.

INDEXING – Индексирование и извлечение признаков
На этом этапе формируется Entity Graph. Также происходит анализ коллекции документов для вычисления метрик совместного упоминания (co-occurrence), необходимых для Relationship Strength.

QUNDERSTANDING – Понимание Запросов (Офлайн-процессы)
Основная логика патента (анализ путей, группировка, ранжирование групп) применяется здесь. Система заранее обрабатывает Entity Graph и логи запросов для определения и ранжирования групп связанных сущностей для популярных сущностей.

METASEARCH – Метапоиск и Смешивание
Применение в реальном времени. Knowledge Panel Engine получает идентифицированную в запросе сущность, извлекает для нее предварительно рассчитанные ранжированные группы и генерирует Knowledge Panel. Эта панель затем смешивается с основными результатами поиска.

Входные данные:

  • Entity Graph (Сущности, Связи, Типы Отношений).
  • Коллекция веб-документов.
  • Логи поисковых запросов.
  • Данные о навигации пользователей между презентациями сущностей.

Выходные данные:

  • Ранжированный список групп связанных сущностей для конкретной сущности (офлайн).
  • Knowledge Panel, включающая информацию о высокоранжированных группах (онлайн).

На что влияет

  • Конкретные типы контента: Влияет на представление структурированной информации о сущностях (Knowledge Panels, карусели, блоки ответов).
  • Специфические запросы: Наибольшее влияние на запросы, которые идентифицируют известную сущность (персоны, компании, места, произведения и т.д.).

Когда применяется

  • Триггеры активации: Когда поисковый запрос идентифицирует сущность, для которой система решает сгенерировать Knowledge Panel.
  • Временные рамки: Анализ графа и ранжирование групп происходят периодически в офлайн-режиме. Генерация презентации происходит в реальном времени в ответ на запрос.
  • Ограничения: В патенте упоминается возможность установки минимальных и максимальных размеров групп (например, от 3 до 1000 сущностей).

Пошаговый алгоритм

Процесс А: Офлайн-определение и ранжирование групп

  1. Идентификация опорной сущности: Система выбирает Reference Entity Node в графе (например, итерируя по популярным сущностям).
  2. Определение путей: Система анализирует Entity Graph для определения путей от связанных сущностей (Seed Entity Nodes) к опорной сущности. Определяется Path Type для каждого пути.
  3. Генерализация путей (Опционально): Система может применять шаблоны для назначения обобщенных Path Types (например, сложные родственные связи обобщаются до [член семьи]).
  4. Группировка начальных узлов: Seed Entity Nodes группируются по их Path Type к опорной сущности. Узлы в одной группе имеют идентичный тип пути.
  5. Расчет метрик для ранжирования: Для каждой группы рассчитываются метрики:
    • Relationship Popularity (частота типа пути в графе или данные о навигации пользователей).
    • Aggregate Relationship Strength (агрегированная сила связи, основанная на совместных упоминаниях).
  6. Ранжирование групп: Система определяет ранжирование групп на основе рассчитанных метрик.
  7. Ассоциация и сохранение: Наиболее высокоранжированная группа (или группы) и сгенерированное текстовое описание группы ассоциируются с опорной сущностью.

Процесс Б: Обработка запроса в реальном времени

  1. Получение запроса: Система получает поисковый запрос, идентифицирующий сущность.
  2. Идентификация узла сущности: Система идентифицирует соответствующий Entity Node.
  3. Получение связанных групп: Система получает предварительно рассчитанную высокоранжированную группу связанных сущностей.
  4. Генерация презентации: Система генерирует Knowledge Panel, включающую информацию о сущностях из полученной группы (например, в виде карусели или списка) и текстовое описание группы.
  5. Предоставление ответа: Презентация предоставляется в ответ на запрос.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании структурированных данных из Графа Знаний и метрик, рассчитанных на основе неструктурированных данных и поведения пользователей.

  • Структурные факторы (Entity Graph Data): Сущности, их алиасы, связи (Links) и типы отношений (Relationship Types). Это основа для определения Path Types.
  • Контентные факторы (Неструктурированные данные): Коллекция веб-документов. Используется для расчета Relationship Strength через совместное упоминание (co-occurrence) алиасов сущностей.
  • Поведенческие факторы:
    • Логи поисковых запросов. Используются для расчета Relationship Strength (совместное упоминание в запросах) и популярности сущностей.
    • Данные о навигации пользователей (клики между презентациями сущностей). Используются для расчета Relationship Popularity.

Какие метрики используются и как они считаются

Система использует комбинацию метрик, зависящих от отношений (relationship-dependent) и не зависящих от них (relationship-independent).

Метрики для ранжирования групп:

  1. Relationship Popularity (Популярность типа отношений): Частота, с которой данный Path Type встречается в графе. Может рассчитываться по формуле, суммирующей количество путей данного типа (p) между всеми парами сущностей (e1, e2):

Выводы

  1. Приоритет структурированных связей (Path Type): Google активно использует структуру Entity Graph для организации информации. Сущности группируются на основе идентичного Path Type (упорядоченной последовательности отношений). Это подчеркивает важность консистентности и точности в определении связей.
  2. Анализ сложных отношений и генерализация: Система учитывает не только прямые связи, но и многошаговые пути. Она способна обобщать сложные пути в интуитивно понятные категории (например, различные родственные связи в «Член семьи»), что расширяет возможности для связи сущностей.
  3. Ранжирование групп определяет видимость: Не все связи одинаково важны. Google ранжирует группы связанных сущностей, чтобы показать наиболее релевантные. Ранжирование многофакторное, учитывающее популярность связи и ее силу.
  4. Критическая важность внешних сигналов (Co-occurrence): Сила связи (Relationship Strength) определяется не структурой графа, а внешними факторами: совместным упоминанием в авторитетных документах и поисковых запросах. Это ключевой вывод для SEO: связи должны подтверждаться в веб-контенте и интересом пользователей.
  5. Поведенческие факторы влияют на Граф Знаний: То, как пользователи перемещаются между связанными сущностями (например, кликая в Knowledge Panel), напрямую используется для определения важности (Relationship Popularity) тех или иных групп отношений.

Практика

Best practices (это мы делаем)

  • Комплексная проработка Entity SEO и Schema.org: Сосредоточьтесь на том, чтобы ваша основная сущность (бренд, персона) имела четкие и точные связи в Графе Знаний. Используйте специфическую разметку Schema.org для определения отношений (например, founder, alumniOf, worksFor), чтобы помочь Google корректно определить Path Types.
  • Усиление связей через контент (Co-occurrence): Стратегически создавайте и распространяйте высококачественный контент, который подтверждает ключевые отношения вашей сущности. Обеспечьте совместное упоминание вашей сущности и связанных с ней сущностей в авторитетных источниках (новости, отраслевые обзоры). Это напрямую увеличивает Relationship Strength.
  • Оптимизация под пользовательский интерес (Query Co-occurrence): Анализируйте, с какими другими сущностями пользователи ищут вашу сущность. Создавайте контент и проводите PR-активности, отвечающие на эти совместные запросы, чтобы усилить Relationship Strength в глазах Google.
  • Фокус на популярных типах отношений: Изучите Knowledge Panels конкурентов и ключевых сущностей ниши, чтобы понять, какие типы отношений (Path Types) Google считает наиболее популярными (высокий Relationship Popularity). Делайте акцент на построении и усилении именно этих связей.

Worst practices (это делать не надо)

  • Спам в структурированных данных без подтверждения: Заявление о связях через Schema.org без их подтверждения в авторитетных источниках неэффективно. Система учитывает Relationship Strength, которая зависит от внешних сигналов (co-occurrence), а не только от заявлений на вашем сайте.
  • Игнорирование контента в пользу только разметки: Недостаточно просто заявить о связи в разметке. Если связь не подтверждается контентом (нет совместных упоминаний в авторитетных текстах), ее Relationship Strength будет низким.
  • Манипуляции с Co-occurrence на низкокачественных ресурсах: Искусственное создание совместных упоминаний на спамных или неавторитетных сайтах. Качество источника, вероятно, учитывается при анализе коллекции документов.

Стратегическое значение

Патент подтверждает стратегическую важность перехода от ключевых слов к сущностям и, что еще важнее, к отношениям между ними. Для долгосрочной SEO-стратегии критически важно не просто добиться признания вашей сущности Google, но и управлять тем, как она связана с другими сущностями в Графе Знаний. Google отдает предпочтение связям, которые являются структурно четкими (Path Type), популярными (Relationship Popularity) и подтвержденными внешними сигналами (Relationship Strength).

Практические примеры

Сценарий: Оптимизация Knowledge Panel для CEO компании

Цель: Добиться того, чтобы в Knowledge Panel CEO (Иван Петров) отображалась группа "Основанные компании" (Компания А) выше, чем группа "Учебные заведения" (Университет Б).

  1. Анализ Графа (Структура): Убедиться, что существуют четкие Path Types: [founder] от CEO к Компании А и [alumniOf] к Университету Б. Это достигается через Wikidata, авторитетные профили (например, Crunchbase, Bloomberg) и разметку Schema.org на официальном сайте.
  2. Усиление Relationship Strength для [founder]: Активно публиковать пресс-релизы, интервью и статьи в авторитетных СМИ, где Иван Петров упоминается совместно с Компанией А. Тексты должны подчеркивать его роль как основателя. Это увеличит метрики co-occurrence для этой пары.
  3. Усиление Relationship Strength (Запросы): Стимулировать интерес пользователей к связи через PR-активности, чтобы увеличить количество запросов типа "Иван Петров Компания А".
  4. Анализ Популярности (Метрики): Если Компания А более известна (выше популярность сущности), чем Университет Б, это также может увеличить вес группы "Основанные компании" (согласно взвешенной метрике популярности, упомянутой в патенте).
  5. Ожидаемый результат: Система пересчитает ранжирование групп. Группа "Основанные компании" получит более высокий рейтинг за счет увеличения агрегированной Relationship Strength и будет показана выше в Knowledge Panel CEO.

Вопросы и ответы

Как система определяет, какие сущности сгруппировать вместе?

Ключевым фактором является Тип Пути (Path Type) в Графе Знаний. Сущности группируются, если они связаны с основной сущностью абсолютно одинаковой упорядоченной последовательностью типов отношений (Relationship Types). Например, если Сущность B и Сущность C обе имеют путь [сын, отец] к Сущности A, они будут сгруппированы вместе.

Как Google решает, какую группу связанных сущностей показать первой в Knowledge Panel?

Система ранжирует все доступные группы связанных сущностей. Ранжирование учитывает несколько факторов: Relationship Popularity (насколько популярен этот тип связи в целом или среди пользователей) и Relationship Strength (насколько сильны связи между основной сущностью и членами группы, основано на совместных упоминаниях). Группа с наивысшим общим баллом показывается первой.

Что такое "Сила связи" (Relationship Strength) и как ее увеличить?

Relationship Strength — это метрика, показывающая, насколько тесно связаны две сущности. Она рассчитывается на основе внешних сигналов (Relationship-independent metrics): частоты совместного упоминания (co-occurrence) алиасов сущностей в авторитетных веб-документах и в поисковых запросах пользователей. Для увеличения этой метрики необходимо работать над PR и контент-маркетингом, обеспечивая частое и естественное упоминание связанных сущностей вместе в качественных источниках.

Что такое "генерализация" (обобщение) путей и зачем она нужна?

Генерализация позволяет системе объединять сложные или слегка различающиеся пути в более широкие и интуитивно понятные категории. Например, пути [сын, брат] и [дочь, сестра] могут быть обобщены до типа [член семьи]. Это позволяет создавать более полные и полезные для пользователя группы, даже если точные структурные отношения немного отличаются.

Могу ли я повлиять на группировку и ранжирование через разметку Schema.org?

Да, но косвенно. Разметка Schema.org помогает Google быстрее и точнее понять отношения между сущностями на вашем сайте, что способствует формированию корректных Path Types в Entity Graph. Однако для того, чтобы эти связи повлияли на ранжирование групп, они должны быть подтверждены внешними сигналами (авторитетными источниками, запросами пользователей) для достижения высокого Relationship Strength.

Влияет ли поведение пользователей на то, какие группы будут показаны?

Да, напрямую. Патент указывает, что Relationship Popularity может измеряться на основе количества пользовательских переходов между представлениями связанных сущностей (Claim 6). Если пользователи часто переходят от сущности А к сущности Б (например, кликая между Knowledge Panels), Google может посчитать этот тип связи популярным и с большей вероятностью покажет соответствующую группу.

Происходит ли анализ и ранжирование групп в реальном времени?

Согласно патенту, основная работа по анализу графа, определению путей, группировке и ранжированию групп выполняется в офлайн-режиме (предварительно рассчитывается). В реальном времени система быстро извлекает уже готовые, ранжированные группы для идентифицированной в запросе сущности и генерирует Knowledge Panel.

Как этот патент связан с блоком "Люди также ищут" (People Also Search For)?

Этот патент предоставляет механизм для генерации контента для таких блоков. Блок "Люди также ищут" часто представляет собой одну из высокоранжированных групп связанных сущностей, определенных с помощью описанного алгоритма. Система определяет, что эти сущности связаны общим Path Type и что эта группа является популярной или имеет высокую Relationship Strength.

Есть ли ограничения на размер групп связанных сущностей?

Да, в описании патента упоминается, что система может применять минимальные и максимальные размеры групп. Например, группы менее 3 сущностей могут быть отброшены, а слишком большие группы (например, более 1000) могут быть отброшены или разбиты на более мелкие подгруппы (например, книги автора, сгруппированные по дате публикации или серии).

Что делать, если Google показывает не ту группу связанных сущностей, которую я хотел бы видеть для своего бренда?

Необходимо проанализировать, почему текущая группа ранжируется выше — вероятно, у нее выше Relationship Popularity или Relationship Strength. Чтобы изменить это, нужно систематически работать над усилением желаемых связей: улучшать структурированные данные для корректного Path Type и активно увеличивать совместное упоминание вашего бренда и желаемых связанных сущностей в авторитетных источниках и запросах.

Похожие патенты

Как Google автоматически выбирает категории и контент для страниц сущностей, комбинируя данные о поведении пользователей и Knowledge Graph
Google использует механизм для автоматического создания страниц о сущностях (например, о фильмах или персонажах). Система определяет, какие категории (свойства) сущности наиболее интересны пользователям, сравнивая данные из Knowledge Graph с данными о том, что пользователи ищут или смотрят вместе с этой сущностью. Затем она наполняет эти категории популярным контентом.
  • US11036743B2
  • 2021-06-15

  • Knowledge Graph

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует Knowledge Graph для выбора формата отображения и ранжирования ответов на запросы с модификаторами (например, «лучший», «самый высокий»)
Google использует этот механизм для ответов на запросы, содержащие сущности и модификаторы (например, «самые высокие здания» или «лучшие фильмы»). Система анализирует запрос, извлекает данные из Knowledge Graph и автоматически определяет, как ранжировать результаты (например, по высоте или рейтингу) и в каком формате их представить (например, в виде списка, карты, временной шкалы или диаграммы) на основе свойств сущностей.
  • US9390174B2
  • 2016-07-12

  • Knowledge Graph

  • Семантика и интент

  • SERP

Как Google ранжирует сущности в Knowledge Graph, используя адаптивные веса для метрик вклада, известности и наград
Google использует систему для ранжирования сущностей, извлеченных из Knowledge Graph. Система рассчитывает четыре ключевые метрики: связанность, значимость типа, вклад и награды. Затем она применяет весовые коэффициенты, которые адаптируются в зависимости от типа сущности (например, «Фильм» или «Человек»), чтобы определить итоговый рейтинг. Это влияет на то, какие сущности будут показаны в каруселях, панелях знаний и других функциях поиска, связанных с сущностями.
  • US10235423B2
  • 2019-03-19

  • Knowledge Graph

  • Семантика и интент

  • SERP

Как Google определяет и ранжирует наиболее важные факты о сущности на основе совместных упоминаний в интернете
Google использует механизм для определения наиболее важных свойств (фактов) о сущности в контексте ее типа. Система анализирует частоту совместного упоминания (co-occurrence) сущности и связанных с ней сущностей в интернете (Related Entity Score), агрегирует эти данные для каждого свойства (Property Score) и сортирует свойства по важности. Это определяет, какие факты будут показаны первыми в результатах поиска, например, в Панели знаний.
  • US9256682B1
  • 2016-02-09

  • Knowledge Graph

  • Семантика и интент

Как Google использует Knowledge Graph для генерации коллекций связанных сущностей и облегчения навигации в поиске
Google использует этот механизм для помощи пользователям в изучении тем, связанных с их исходным запросом. Когда пользователь ищет коллекцию сущностей (например, «Романтические фильмы»), система анализирует связи этих сущностей в Knowledge Graph (например, кто режиссер, кто актер). На основе этих связей (триплетов) система генерирует и предлагает пользователю новые коллекции для изучения (например, «Актеры романтических фильмов»).
  • US20160063106A1
  • 2016-03-03

  • Knowledge Graph

  • Семантика и интент

Популярные патенты

Как Google использует данные о кликах пользователей (CTR и Click Ratio) для определения официального сайта по навигационным запросам
Google анализирует журналы запросов, чтобы определить, какой результат пользователи подавляюще предпочитают по конкретному запросу. Если результат демонстрирует исключительно высокий CTR и/или Click Ratio по популярному запросу, система помечает его как «авторитетную страницу». Затем этот результат может отображаться на выдаче с особым выделением, потенциально переопределяя стандартное ранжирование.
  • US8788477B1
  • 2014-07-22

  • Поведенческие сигналы

  • EEAT и качество

  • SERP

Как Google выбирает предлагаемые запросы, анализируя вероятность завершения поиска и коммерческую ценность
Google использует графовую модель для анализа поисковых сессий пользователей. Система определяет, какие уточняющие запросы чаще всего приводят к завершению поиска (становятся «финальным пунктом назначения»). Эти запросы считаются обладающими наибольшей «полезностью» (Utility) и предлагаются пользователю в качестве подсказок или связанных запросов. Система также учитывает коммерческий потенциал этих запросов и может показывать для них релевантные рекламные блоки.
  • US8751520B1
  • 2014-06-10

  • SERP

  • Поведенческие сигналы

  • Семантика и интент

Как Google классифицирует интент запросов (например, поиск порнографии), анализируя историю использования фильтров (SafeSearch)
Google использует данные о том, как часто пользователи включают или отключают фильтры контента (например, SafeSearch) при вводе конкретного запроса. Анализируя нормализованное соотношение фильтрованных и нефильтрованных поисковых операций, система классифицирует запрос как целенаправленно ищущий определенный тип контента (например, adult). Эта классификация затем используется для повышения или понижения релевантности соответствующего контента в выдаче.
  • US9152701B2
  • 2015-10-06

  • Семантика и интент

  • Безопасный поиск

  • Поведенческие сигналы

Как Google консолидирует сигналы ранжирования между мобильными и десктопными версиями страниц, используя десктопный авторитет для мобильного поиска
Патент Google описывает механизм для решения проблемы недостатка сигналов ранжирования в мобильном вебе. Система идентифицирует корреляцию между мобильной страницей и её десктопным аналогом. Если мобильная версия недостаточно популярна сама по себе, она наследует сигналы ранжирования (например, обратные ссылки и PageRank) от авторитетной десктопной версии, улучшая её позиции в мобильном поиске.
  • US8996514B1
  • 2015-03-31

  • Техническое SEO

  • Ссылки

Как Google решает, показывать ли прямой ответ, анализируя частоту использования естественного языка в исторических запросах о факте
Google анализирует исторические данные о том, как пользователи ищут конкретный факт. Если они часто используют естественный язык (например, «какая высота у Эйфелевой башни»), система считает, что пользователи действительно ищут этот факт. На основе этого рассчитывается «Оценка поиска фактов» (Fact-Seeking Score). Эта оценка используется как сигнал ранжирования, чтобы решить, нужно ли показывать прямой ответ (Factual Answer) и насколько высоко его разместить в результатах поиска.
  • US9396235B1
  • 2016-07-19

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

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

  • Поведенческие сигналы

  • SERP

Как Google использует социальный граф и активность друзей для персонализации и переранжирования результатов поиска
Google использует данные из социального графа пользователя и активность его контактов (лайки, шеры, комментарии, плейлисты) для изменения ранжирования результатов поиска. Контент, одобренный социальным окружением, повышается в выдаче и сопровождается аннотациями, объясняющими причину повышения и указывающими на свежесть социального действия.
  • US8959083B1
  • 2015-02-17

  • Персонализация

  • Поведенческие сигналы

  • SERP

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

  • Ссылки

  • SERP

  • Индексация

Как Google использует данные веб-поиска и клики пользователей для классификации бизнесов и построения иерархии категорий
Google анализирует логи веб-поиска (введенные ключевые слова и последующие клики по результатам), чтобы понять, как пользователи интуитивно классифицируют бизнесы. Эти данные используются для автоматического построения динамической иерархической структуры категорий. Эта структура затем применяется для улучшения точности поиска, в частности, для оптимизации моделей распознавания речи в голосовых системах.
  • US7840407B2
  • 2010-11-23

  • Поведенческие сигналы

  • Семантика и интент

  • Структура сайта

Как Google динамически перестраивает выдачу, если пользователь игнорирует результаты, связанные с определенной сущностью
Google использует механизм уточнения интента пользователя в реальном времени при обработке неоднозначных запросов. Система группирует результаты поиска по связанным сущностям. Если пользователь демонстрирует отсутствие интереса к одной из групп (например, прокручивает или смахивает результаты), система динамически модифицирует выдачу, понижая или удаляя все результаты, связанные с этой отклоненной сущностью.
  • US9348945B2
  • 2016-05-24

  • Семантика и интент

  • SERP

  • Поведенческие сигналы