SEO HARDCORE
  • Разборы патентов
    • Патенты Google
  • Скоро SEO инструменты
  • Скоро SEO аналитика
  • seohardcore
SEO HARDCORE

Разборы патентов Google для SEO

Разобрано 1 300 из ~2 500
  • Ссылки
  • Поведенческие сигналы
  • Антиспам
  • Семантика и интент
  • EEAT и качество
  • SERP
  • Персонализация
  • Индексация
  • Мультимедиа
  • Local SEO
  • Техническое SEO
  • Knowledge Graph
  • Свежесть контента
  • Краулинг
  • Структура сайта
  • Мультиязычность
  • Безопасный поиск
  • Google Shopping
Как Google выявляет темы с недостаточным контентом ("content gaps") и стимулирует его создание
Google использует систему для анализа поисковой статистики, чтобы найти популярные темы, по которым мало качественных результатов ("underserved topics"). Система сравнивает спрос (объем запросов) с предложением (качеством существующего контента). Затем Google может передавать эту информацию создателям контента (издателям, пользователям), чтобы стимулировать создание нового контента, улучшая общее качество веб-корпуса и поисковой выдачи.
  • US7668823B2
  • 2007-04-03
  • EEAT и качество

  • Семантика и интент

Как Google использует логи запросов, чтобы выбирать лучшие переводы для межъязыковых подсказок в Autocomplete
Google разработал систему для улучшения качества межъязыковых поисковых подсказок (Autocomplete). Вместо буквального перевода система оценивает различные варианты перевода, отдавая предпочтение тем фразам, которые чаще всего используются носителями целевого языка в качестве реальных поисковых запросов. Это гарантирует, что предложенная подсказка является не только точным переводом, но и эффективным поисковым запросом.
  • US20120330990A1
  • 2011-09-29
  • Мультиязычность

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует поведение пользователей и анализ SERP для определения контекстно-зависимых синонимов
Google анализирует логи запросов, чтобы понять, как пользователи переформулируют свои запросы в рамках одной сессии. Система выявляет слова, которые пользователи заменяют друг на друга в одинаковых контекстах, и валидирует их, проверяя, возвращают ли оба варианта запроса схожие результаты поиска. Эти контекстные синонимы затем используются для автоматического расширения или изменения запросов пользователей.
  • US7636714B1
  • 2005-03-31
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google переносит данные о поведении пользователей из основного веб-поиска для улучшения ранжирования в вертикальных поисках (Книги, Товары)
Google использует механизм для решения проблемы «холодного старта» в специализированных или новых поисковых вертикалях. Система идентифицирует один и тот же объект (например, товар или книгу по уникальному идентификатору) в разных корпусах. Затем она заимствует данные о релевантности (клики, время просмотра) из высокопосещаемого общего веб-поиска для корректировки ранжирования в вертикальном поиске, пока не накопит достаточно собственных данных.
  • US8396865B1
  • 2008-12-10
  • Поведенческие сигналы

  • Google Shopping

  • SERP

Как Google использует сторонние сертификаты (VMC) и Schema Markup для подтверждения и приоритетного использования атрибутов сущностей
Google использует сертификаты от сторонних центров сертификации (например, VMC) для подтверждения связи между сущностью (брендом, человеком) и её официальной веб-страницей. Атрибуты, извлеченные из Schema Markup на этой странице, помечаются как «сертифицированные». Эти данные имеют наивысший приоритет в Knowledge Graph и используются для генерации информационных карточек, минуя стандартные процессы проверки и разрешения конфликтов.
  • US12061594B2
  • 2021-02-04
  • Knowledge Graph

  • EEAT и качество

  • Семантика и интент

Как Google использует курируемые пользователями коллекции контента (Web Notebooks) для ранжирования и генерации сниппетов
Google может использовать контент, собранный пользователями в коллекциях ("Web Notebooks"), как сигнал для ранжирования и генерации сниппетов. Если страница была сохранена в тематическую коллекцию, контекст которой (заголовки, аннотации) соответствует запросу, ее позиция может быть повышена. Кроме того, сохраненный пользователем фрагмент может использоваться в качестве сниппета в поисковой выдаче.
  • US9256676B2
  • 2007-05-10
  • SERP

  • Поведенческие сигналы

  • Персонализация

Как Google классифицирует веб-страницы и персонализирует выдачу, используя историю запросов и поведенческие данные
Google использует итеративный метод для тематической классификации веб-страниц, не анализируя их контент напрямую. Система анализирует исторические логи запросов и данные о кликах. Классификация известных страниц переносится на запросы, в результатах которых они появляются, а затем классификация этих запросов переносится на новые страницы. Эти данные используются для построения профилей пользователей и персонализации поисковой выдачи.
  • US8185544B2
  • 2009-04-08
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует историю кликов для автоматического переписывания запросов и ограничения поиска по конкретным сайтам или сущностям
Google анализирует агрегированные данные о поведении пользователей (Query Logs), чтобы определить, когда название бренда или сущности в запросе указывает на намерение искать только на этом сайте. Если пользователи подавляюще кликают на один домен при использовании определенного термина (пиковое распределение кликов), Google автоматически переписывает запрос для ограничения поиска (например, добавляя оператор типа store: или site:). Если намерение неоднозначно, Google предлагает переписанный запрос в виде ссылки.
  • US7996419B2
  • 2004-03-31
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google ранжирует документы, используя качество источника, свежесть, оригинальность и кластеризацию контента
Google оценивает документы, анализируя авторитетность и экспертизу источника публикации, свежесть контента и его оригинальность. Документы группируются в кластеры по темам (например, новостные сюжеты). Оценка кластера (например, разнообразие и важность источников внутри него) также влияет на ранжирование отдельных документов.
  • US8090717B1
  • 2003-06-30
  • EEAT и качество

  • Свежесть контента

  • Семантика и интент

Как Google использует Матрицу Переходов (Markov Chains) для связи запросов, документов, времени и сессий, чтобы улучшить релевантность, прогнозировать QDF и бороться со спамом
Google моделирует поведение пользователей как Марковскую цепь, создавая Матрицу Переходов между поисковыми сущностями (запросы, документы, время, сессии, домены). Эта матрица определяет силу связей на основе истории поиска и используется для прогнозирования трендов (QDF), распространения сигналов релевантности между связанными документами и идентификации спама путем анализа поведенческих паттернов.
  • US8515975B1
  • 2009-12-07
  • Поведенческие сигналы

  • Антиспам

  • Свежесть контента

Как Google использует сохраненные пользователями результаты (закладки в поиске) для оценки качества, персонализации и повышения рейтинга похожих документов
Google анализирует, какие результаты поиска пользователи явно сохраняют (добавляют в закладки). Эти действия интерпретируются как сильные сигналы качества и используются для повышения рейтинга популярных результатов. Ключевой механизм патента — персонализация выдачи путем повышения рейтинга документов, которые похожи (по структуре, ссылкам и контенту) на те, что пользователь сохранял ранее.
  • US8423541B1
  • 2005-05-19
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует всплески поисковых запросов для идентификации трендовых «моментов» в ТВ-трансляциях и прямых эфирах
Google анализирует всплески поисковых запросов в реальном времени и сопоставляет их с транслируемым медиаконтентом (например, телешоу или спортивными событиями). Сопоставляя термины запроса с метаданными (субтитрами) или анализируя аудио-отпечатки с устройств пользователей, Google определяет точный «момент», вызвавший интерес, и упаковывает его в автоматический «Гид по моментам».
  • US20170214954A1
  • 2016-01-25
  • Поведенческие сигналы

  • Мультимедиа

  • Семантика и интент

Как Google динамически меняет сниппеты для повторяющихся результатов во время одной поисковой сессии
Google использует механизм адаптации выдачи в реальном времени для улучшения пользовательского опыта. Если документ повторно появляется в результатах поиска в рамках одной сессии (например, после уточнения запроса), система генерирует для него новый, альтернативный сниппет. Это направлено на предоставление пользователю свежего взгляда на контент, особенно если предыдущий сниппет был проигнорирован.
  • US8145630B1
  • 2007-12-28
  • Поведенческие сигналы

  • SERP

Как Google сегментирует сложные запросы на смысловые компоненты для генерации поисковых подсказок и связанных запросов
Google использует механизм для генерации уточнений запроса (поисковых подсказок или связанных запросов) путем разделения исходного запроса на семантические компоненты (устойчивые фразы) с помощью вероятностного анализа. Система находит уточнения для каждого компонента по отдельности, а затем рекомбинирует их, сохраняя исходный порядок. Финальные кандидаты строго фильтруются на основе пользовательских данных (CTR) и синтаксической схожести.
  • US9703871B1
  • 2010-07-30
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google использует «токены интересов» на основе поведения пользователей для персонализации ранжирования на разных платформах
Патент описывает механизм обмена данными об интересах аудитории между разными платформами. Платформа-источник (например, YouTube) анализирует совместное потребление контента, группирует его в «бакеты» интересов и присваивает анонимные токены. Внешние сервисы (например, социальные сети или Поиск) используют эти токены для лучшего понимания тематики контента и глубокой персонализации своей выдачи.
  • US9767158B1
  • 2013-11-14
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google определяет локальный интент и предлагает уточнить запрос до его отправки в поиск
Google использует вероятностную модель, основанную на поведении пользователей, чтобы определить, имеет ли вводимый запрос локальный интент. Если вероятность высока, система предлагает пользователю добавить уточняющую информацию (например, местоположение) ещё до того, как запрос будет отправлен в поисковую систему. Это позволяет сразу формировать более точную и локализованную выдачу.
  • US8484190B1
  • 2008-12-18
  • Local SEO

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует специфические сигналы (частоту постинга, рекламу и популярность) для оценки качества блогов и борьбы с автоматизированным контентом
Google разработал систему для ранжирования блогов, которая вычисляет независимую от запроса Оценку Качества (Quality Score). Эта оценка учитывает сигналы популярности (подписки, CTR), авторитетности (Pagerank, ссылки), а также выявляет спам-паттерны: автоматизированную частоту и размер постов, расположение рекламы и ссылочные схемы. Финальный рейтинг определяется комбинацией этой оценки качества и стандартной релевантности.
  • US8244720B2
  • 2005-09-13
  • EEAT и качество

  • Антиспам

  • Индексация

Как Google использует сущности, качество организатора и интент запроса для ранжирования прямых трансляций в поиске
Google использует систему для идентификации и оценки качества прямых трансляций (live events). Качество определяется на основе репутации организатора и популярности связанных сущностей. При обработке запроса система анализирует интент пользователя и время до начала события. Если трансляция качественная, связана с сущностями в запросе и начнется скоро (порог зависит от интента), она может быть показана в специальном блоке поисковой выдачи.
  • US10621191B2
  • 2015-06-08
  • Семантика и интент

  • SERP

  • EEAT и качество

Как Google использует реальное местоположение и статус доступности исполнителей для ранжирования локальных услуг (LSA)
Google использует систему ранжирования для локальных услуг (например, в Local Services Ads), которая учитывает доступность исполнителя в реальном времени и его текущее физическое местоположение (GPS), а не только адрес офиса. Система взвешивает эти факторы вместе с детализированными отзывами (скорость ответа, время прибытия), чтобы приоритизировать исполнителей, которые могут быстрее всего прибыть к клиенту.
  • US20240013244A1
  • 2021-12-02
  • Local SEO

  • Поведенческие сигналы

Как Google использует статистику поиска и кликов по разным вертикалям (Web, Картинки, Видео) для определения предпочтительного типа контента и ранжирования в Универсальном Поиске
Google анализирует, в каких вертикалях (корпусах) пользователи чаще ищут определенный запрос и на какие типы результатов они кликают в смешанной выдаче. Система вычисляет "Меру относительной релевантности" для каждого корпуса и использует её для повышения результатов из наиболее предпочтительного корпуса, учитывая язык, страну пользователя и актуальные тренды.
  • US8359309B1
  • 2011-02-07
  • SERP

  • Поведенческие сигналы

  • Мультимедиа

Как Google использует матрицы схожести и анализ сессий для генерации предлагаемых поисковых запросов
Google использует систему для предложения альтернативных поисковых запросов, предсказывая следующий шаг пользователя в сессии. Система генерирует варианты путем замены терминов на контекстуально похожие (используя матрицы схожести) или путем расширения/сокращения фраз (используя таблицы соединений). Предложения оцениваются на основе их релевантности контексту сессии и исторической вероятности клика по их результатам.
  • US8438142B2
  • 2005-05-04
  • Семантика и интент

  • Поведенческие сигналы

  • Персонализация

Как Google использует известность (Prominence) и историю запросов для ранжирования географических объектов в поисковых подсказках Карт
Google использует алгоритм для определения того, какой географический объект (например, бизнес или город) показать в поисковых подсказках (Autocomplete), когда пользователь начинает вводить запрос в Картах. Система рассчитывает рейтинг, анализируя, насколько известен объект (Prominence Score) и как часто пользователи выбирали этот объект в прошлом при вводе похожих запросов (Query Logs). Это позволяет устранить неоднозначность и предложить наиболее релевантный вариант.
  • US8515973B1
  • 2011-03-25
  • Local SEO

  • Поведенческие сигналы

Как Google использует данные о кликах и запросах для определения схожести локальных бизнесов
Google определяет, насколько похожи друг на друга локальные бизнесы (например, рестораны), анализируя поведение пользователей. Система изучает, какие запросы вводят пользователи и как часто они кликают на конкретный бизнес в ответ на эти запросы. Сравнивая эти поведенческие профили, Google вычисляет меру сходства, учитывая распределение кликов и отфильтровывая общие или навигационные термины.
  • US9858291B1
  • 2014-10-30
  • Local SEO

  • Поведенческие сигналы

Как Google вычисляет «Оценку отвлекательности» (Distractiveness Score) для изображений, чтобы понизить кликбейт в поиске
Google анализирует поведение пользователей для выявления изображений (например, юмористических или откровенных), на которые часто кликают независимо от исходного запроса. Система рассчитывает «Distractiveness Score» на основе кликов по не связанным между собой запросам и использует эту оценку для понижения таких изображений в выдаче, улучшая релевантность поиска.
  • US7877382B1
  • 2004-12-31
  • Поведенческие сигналы

  • SERP

  • Мультимедиа

Как Google использует анализ "Свежести Ранжирования" (Rank Freshness) и человеческую оценку для борьбы с манипуляциями в поиске и спамом
Патент Google описывает гибридную систему для выявления и разрыва нежелательных ассоциаций контента (например, манипулятивных результатов поиска или спам-комментариев). Система алгоритмически выявляет подозрительные связи, используя сигналы, такие как "Свежесть Ранжирования" (внезапный рост позиций), и отправляет их на проверку оценщикам (Арбитрам). Если консенсус подтверждает нарушение, ассоциация разрывается.
  • US8176055B1
  • 2007-03-27
  • Свежесть контента

  • Антиспам

  • SERP

Как Google выбирает между веб-сайтом (десктоп/мобайл) и нативным приложением для показа в результатах поиска
Google анализирует различные форматы доступа к контенту (например, десктопный сайт, мобильный сайт, нативное приложение). Система оценивает качество, скорость, стабильность и совместимость каждого варианта с устройством пользователя. В результатах поиска Google покажет ссылку на тот формат, который имеет наивысшую оценку качества для конкретного пользователя и устройства.
  • US9146972B2
  • 2013-03-15
  • SERP

  • Поведенческие сигналы

  • Персонализация

Как Google персонализирует результаты поиска изображений на основе языка и местоположения пользователя
Google персонализирует Поиск Изображений, анализируя исторические данные о кликах. Система сравнивает, на что кликает общая популяция пользователей, с тем, что предпочитают пользователи с тем же языком и местоположением. Если предпочтения значительно различаются, Google переранжирует изображения в соответствии с локальным консенсусом, обеспечивая культурно и контекстуально релевантные результаты.
  • US8504547B1
  • 2008-04-23
  • Персонализация

  • Мультимедиа

  • Поведенческие сигналы

Как Google классифицирует страницы как «Динамические» или «Статические» на основе анализа внешних сигналов для адаптации ранжирования
Google использует систему для анализа паттернов активности (например, в социальных сетях), связанных с веб-страницей, чтобы классифицировать ее как «Динамическую» или «Статическую». Эта классификация определяет приоритеты ранжирования: для динамических страниц важна свежесть, а для статических — вовлеченность пользователей. Механизм может применяться как для социальных виджетов, так и в основном поиске.
  • US9747263B1
  • 2014-06-27
  • Свежесть контента

  • Поведенческие сигналы

  • SERP

Как Google использует данные о закладках, сообществах и поведении пользователей для персонализации и контекстуализации поиска
Патент описывает раннюю систему персонализации поиска, которая собирает и анализирует закладки (content pointers) пользователей и групп, организованные в иерархические категории. Эта информация используется для создания профилей интересов (content vectors), которые затем применяются для дополнения поисковых запросов (query augmentation) и переранжирования результатов (contextualization) с учетом личного контекста, интересов сообщества и недавней активности пользователя.
  • US7031961B2
  • 2000-12-04
  • Персонализация

  • Поведенческие сигналы

  • Семантика и интент

Как Google предугадывает ваш следующий запрос и заранее показывает его результаты в текущей выдаче
Google анализирует агрегированную историю поисковых сессий, чтобы предсказать, какой запрос пользователь введет следующим. Система может выполнить этот предполагаемый запрос (Inferred Action) заранее и встроить его результаты непосредственно в текущую страницу выдачи. Этот механизм часто активируется при показе персональных данных или Панелей знаний и учитывает контекст (время, сезон) и интересы пользователя.
  • US20170116284A1
  • 2013-12-30
  • Семантика и интент

  • Персонализация

  • SERP

  • 1
  • …
  • 9
  • 10
  • 11
  • 12
  • 13
  • …
  • 44
seohardcore