Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google использует анализ жестов и машинное обучение для показа интерактивных видео-превью прямо в результатах поиска
Google использует интерфейс для поиска медиаконтента, объединяющий прокручиваемый список результатов и специальную «область фокуса» для автоматического воспроизведения превью. Система анализирует жесты пользователя (свайпы, касания) в реальном времени, используя персонализированное машинное обучение для определения заинтересованности, и мгновенно показывает соответствующее превью, не требуя перехода на другую страницу.
- US11762902B2
- 2017-12-12
Как Google использует данные о запросах маршрутов и готовность пользователей путешествовать для ранжирования в локальном поиске
Google использует историю запросов маршрутов (Directions Queries) для определения реальной популярности местных бизнесов. Система учитывает, как часто люди ищут маршрут до конкретного места, как далеко они готовы ехать (Historical Travel Distance), а также время суток и день недели. Эти данные о реальном поведении используются как ключевой сигнал для ранжирования в локальном поиске наряду с близостью.
- US8538973B1
- 2010-06-04
Как Google использует верифицированные данные об авторе (Credibility Factor) для ранжирования контента
Google патентует метод оценки авторитетности автора («Credibility Factor»). Он основан на комбинации онлайн-репутации автора и верифицированной информации о его реальных достижениях (образование, работа, награды, членство в организациях). Этот фактор используется для влияния на ранжирование контента автора в результатах поиска.
- US8126882B2
- 2008-12-11
Как Google генерирует поисковые подсказки, анализируя метаданные (Title и Description) авторитетных сайтов и проверяя их грамматику
Google расширяет поисковые подсказки (Autocomplete) за пределы исторических логов, анализируя метаданные документов, такие как заголовки (Title). Система извлекает фразы, проверяет их грамматическую корректность с помощью NLP (POS-tagging) и добавляет в базу подсказок. Приоритет отдается фразам, полученным с авторитетных страниц (высокий Document Score), что позволяет предлагать качественные запросы, даже если их еще никто не искал.
- US9195706B1
- 2013-03-01
Как Google анализирует цепочки запросов для создания структурированного контекста и передает его рекламодателям через URL клика
Google анализирует последовательные поисковые запросы пользователя (например, «Футболки», затем «маленький размер»), чтобы понять полный интент, и формирует «Структурированный Запрос». Когда пользователь кликает на рекламу, этот обогащенный контекст («тип: футболка, размер: маленький») встраивается в URL и передается рекламодателю. Это позволяет рекламодателю направить пользователя на наиболее релевантную целевую страницу (deep linking).
- US9582537B1
- 2014-08-21
Как Google анализирует пути пользователей, чтобы определить истинные причины отказов и оптимизировать конверсии
Патент Google, описывающий систему аналитики для выявления причин, по которым пользователи покидают сайт без конверсии. Система сравнивает показатели отказов для разных характеристик трафика (например, ключевых слов или каналов). Это позволяет определить, что является проблемой: источник трафика или сама целевая страница. Также система выявляет проблемные последовательности взаимодействий и учитывает кросс-девайсное поведение.
- US20150262217A1
- 2014-03-17
Как Google нормализует поведенческие факторы (время сессии), сравнивая сайт с бенчмарками его тематических категорий
Google использует систему для объективной оценки вовлеченности пользователей (времени сессии) с учетом тематики сайта. Вместо использования сырых данных система сравнивает среднее время сессии на сайте с показателями других сайтов в тех же категориях. Это позволяет рассчитать нормализованную оценку "Duration Performance Score", которая учитывает специфику ниши и используется в ранжировании. Также система повышает вес сессий, начавшихся с прямого захода на сайт.
- US9171086B1
- 2013-08-12
Как Google использует query-specific модели для переранжирования изображений на основе их визуальных характеристик в реальном времени
Google использует систему для корректировки ранжирования изображений непосредственно в момент запроса (онлайн). Для популярных запросов система заранее обучает индивидуальные модели релевантности на основе исторических данных о кликах. При получении нового запроса система активирует наиболее подходящую модель и использует визуальные характеристики (цвет, текстура) для переоценки и переранжирования результатов, обеспечивая точное соответствие визуального контента интенту пользователя.
- US10311096B2
- 2013-02-28
Как Google использует клики и пропуски (skips) для определения, какие слова в запросе можно игнорировать
Google тестирует правила, которые делают определенные слова в запросе необязательными (опциональными), чтобы найти более релевантные результаты. Патент описывает, как система оценивает эффективность этих правил, анализируя поведение пользователей. Если пользователи кликают на результаты, найденные благодаря игнорированию слова, правило считается успешным. Если пропускают (skip) такие результаты, правило может быть удалено.
- US9141672B1
- 2012-12-27
Как Google использует анализ затрат и выгод, чтобы решить, когда показывать графики временных рядов в результатах поиска
Google не всегда генерирует графики и таблицы данных (временные ряды) в ответ на запрос. Система сначала оценивает затраты на сбор и обработку этих данных (нагрузка на сервер, задержка) и сравнивает их с ожидаемой выгодой для пользователя (вероятность клика, качество данных). Визуализация генерируется, только если выгода превышает затраты.
- US8326836B1
- 2010-07-13
Как Google предсказывает запросы в Картах до того, как пользователь открыл приложение или ввел запрос
Google использует машинное обучение для анализа местоположения, скорости движения и истории пользователя, чтобы предсказать, когда он откроет приложение Карт и что будет искать. Это позволяет системе заранее подготовить релевантные ссылки на маршруты и показать их мгновенно при запуске приложения, обеспечивая нулевую задержку.
- US12141136B2
- 2019-12-05
Как Google динамически изменяет радиус локального поиска в зависимости от популярности бизнеса, типа запроса и активности пользователя
Google не использует фиксированный радиус для локального поиска. Система динамически определяет, насколько далеко пользователь готов пойти или поехать, учитывая тип запроса (кофейня или аэропорт), активность пользователя (пешком или за рулем) и популярность бизнеса. Это определяет, какие локальные компании попадают в выдачу (Local Pack и Карты).
- US20150278860A1
- 2014-03-25
Как Google использует контекст и историю пользователя для понимания голосовых команд и запуска неявных поисковых запросов
Патент раскрывает методы интерпретации голосового ввода на носимых устройствах. Система анализирует обширный контекст (недавние документы, местоположение, календари), чтобы определить намерение пользователя. Ключевой особенностью является генерация «неявных поисковых запросов» (Implicit Search Requests) автоматически, без прямой команды пользователя, на основе его текущей деятельности.
- US20130018659A1
- 2011-11-08
Как Google использует машинное обучение для определения значимости обновлений контента на веб-страницах
Google использует модель машинного обучения (например, Support Vector Machine) для анализа изменений между двумя версиями веб-страницы. Система оценивает контентные, структурные (ссылки) и поведенческие (трафик) признаки, чтобы классифицировать обновление как «значимое» или «незначимое». Это позволяет поисковой системе понять, какие обновления требуют внимания (например, для оценки свежести или переиндексации), а какие являются техническим шумом.
- US8607140B1
- 2010-12-21
Как Google (YouTube) ранжирует рекомендуемые видео, балансируя релевантность, монетизацию и вероятность просмотра рекламы
Google использует систему для ранжирования рекомендуемых (дополнительных) видео на платформах типа YouTube. Система учитывает не только релевантность и потенциал монетизации видео, но и «экспериментальные данные» о том, как пользователи взаимодействуют с рекламой в этом видео. Цель — показывать видео, где пользователи с большей вероятностью досмотрят рекламу, максимизируя доход и минимизируя отток пользователей.
- US9405775B1
- 2013-03-15
Как Google использует шинглирование для обнаружения дубликатов и связывания повторяющихся фрагментов текста в разных документах
Google использует технологию шинглирования (shingling) для анализа больших коллекций документов (например, книг или веб-страниц) с целью выявления идентичных или почти идентичных отрывков текста. Система находит общие последовательности текста, ранжирует их по значимости (длине и частоте) и создает гиперссылки между документами, содержащими эти отрывки.
- US8122032B2
- 2007-07-20
Как Google автоматически A/B тестирует и выбирает лучшие миниатюры (thumbnails) для максимизации CTR
Google использует систему для автоматической оптимизации миниатюр (thumbnails), сопровождающих ссылки на контент (например, видео или статьи). Система проводит A/B тестирование, показывая разные миниатюры для одного и того же контента разным пользователям. Она отслеживает показатели вовлеченности (клики, просмотры), вычисляет метрику качества (например, CTR) для каждой миниатюры и автоматически выбирает наиболее эффективный вариант для последующих показов.
- US10037310B1
- 2012-08-10
Как Google использует социальные связи и действия пользователей для персонализации и аннотирования поисковой выдачи
Google использует механизм для персонализации поисковой выдачи путем добавления аннотаций к результатам, которые связаны с социальными группами пользователя (друзья, коллеги, жители города). Система определяет, как участники этих групп взаимодействовали с контентом (создали, поделились, одобрили), приоритизирует эти действия и добавляет пояснения к сниппетам. Также описаны механизмы агрегации действий и защиты конфиденциальности при показе аннотаций.
- US10142441B2
- 2011-01-28
Как Google использует данные социальных сетей, интересы и членство в сообществах для персонализации и расширения поисковых запросов
Google использует информацию из социальных сетей для персонализации поиска. Система анализирует профиль пользователя, его членство в сообществах (группах по интересам) и даже профили связанных с ним людей. На основе этих данных система может расширять исходный запрос пользователя дополнительными терминами или фокусировать поиск на предпочтительных сайтах, чтобы предоставить результаты, соответствующие контексту и интересам пользователя.
- US8832132B1
- 2004-06-22
Как Google использует историю поиска и браузера для персонализации выдачи и определения предпочтений пользователя
Google записывает историю поиска, кликов по результатам и рекламе, а также посещенные сайты в централизованную базу данных пользователя. Эта информация используется для модификации поисковой выдачи: повышения позиций ранее посещенных сайтов, предложения связанных запросов и определения "предпочтительных местоположений" (избранного). Система позволяет пользователю контролировать сбор данных (подписка) и объединять историю с разных устройств.
- US7747632B2
- 2005-03-31
Как Google использует агрегированные поведенческие данные для корректировки ранжирования на основе шаблонов запросов
Google анализирует логи поисковых запросов для выявления общих шаблонов (Query Patterns), удаляя при этом приватную информацию. Для каждого шаблона система вычисляет агрегированную статистику поведения пользователей (клики, отказы). Если будущий запрос соответствует определенному шаблону, эта статистика используется для корректировки ранжирования результатов или предложений, оптимизируя выдачу под типичное поведение пользователей для данного класса запросов.
- US9953185B2
- 2015-11-24
Как Google использует поведенческие сигналы и контекст событий для обучения моделей целостному пониманию изображений
Google использует анализ естественного языка (например, из Google Assistant) для определения значимых событий. Система анализирует поведенческие сигналы (время просмотра, редактирование, шеринг) и контент изображений, сделанных в этот период, чтобы автоматически аннотировать релевантные фотографии. Эти данные критически важны для обучения моделей машинного обучения целостному (holistic) пониманию контекста и тематики изображений, выходя за рамки простого распознавания объектов.
- US11836183B2
- 2023-01-05
Как Google использует языковые модели и анализ «набивки запросами» (Query Stuffing) для выявления и пессимизации спамного и сгенерированного контента
Google применяет систему для обнаружения бессмысленного контента (спама), вычисляя «Gibberish Score». Эта оценка состоит из двух частей: «Language Model Score», проверяющего статистическую вероятность того, что текст является естественным языком, и «Query Stuffing Score», который выявляет неестественное скопление реальных пользовательских запросов на странице. Ресурсы с низким баллом понижаются в выдаче или удаляются из индекса.
- US8554769B1
- 2009-06-17
Как Google может рассчитывать и распространять доверие через сеть делегированных авторитетов для оценки контента (E-E-A-T / Web of Trust)
Патент Google описывает систему оценки контента, основанную на делегировании авторитета. Доверенный источник (Primary Authority) передает количественно измеримый авторитет другим экспертам (Contributing Authorities), которые могут делегировать его дальше. Итоговый рейтинг контента рассчитывается как взвешенная оценка, где больший вес имеют мнения источников с большим делегированным авторитетом. Это формирует основу для количественной оценки E-E-A-T.
- US7844610B2
- 2004-05-25
Как Google использует историю поведения пользователя для персонализации выбора и ранжирования вертикальных блоков (Universal Search)
Google отслеживает, с какими типами специализированных результатов (Новости, Картинки, Карты и т.д.) взаимодействует пользователь. На основе этой истории поведения строится персональная вероятностная модель, которая предсказывает, какие вертикали предпочтет пользователь в будущем. Система использует эти предсказания для выбора, оценки и ранжирования блоков вертикального поиска в выдаче.
- US9305088B1
- 2006-11-30
Как Google нормализует популярность для смешивания разных типов контента (например, платного и бесплатного) в единой выдаче
Google использует метод статистической нормализации для сравнения популярности контента из разнородных групп (популяций), например, бесплатных и платных приложений. Поскольку бесплатный контент имеет на порядки больше просмотров, система вычисляет средние показатели (Геометрическое среднее) для каждой популяции и применяет смещение (Offset). Это позволяет популярному платному контенту конкурировать с популярным бесплатным контентом в едином смешанном списке.
- US9058332B1
- 2012-12-28
Как Google использует сезонные и локальные события (Recurrent Queries) для определения местоположения пользователя
Google улучшает геолокацию пользователей, анализируя «повторяющиеся запросы» (Recurrent Queries) — запросы, популярность которых резко возрастает в конкретных регионах в определенное время (например, локальные праздники или события). Когда пользователь вводит такой запрос в соответствующий период, система с высокой уверенностью определяет его местоположение, даже если другие сигналы (IP, GPS) неоднозначны.
- US20150169596A1
- 2013-02-19
Как Google подмешивает результаты из альтернативных запросов, чтобы вытеснить низкокачественные сайты из топа выдачи
Google использует механизм улучшения качества поисковой выдачи. Если по исходному запросу в топе ранжируется слишком много низкокачественных сайтов, система находит связанный альтернативный запрос, который возвращает высококачественные результаты. Затем эти результаты агрессивно повышаются в ранжировании и подмешиваются в исходную выдачу, чтобы гарантировать пользователю доступ к качественному контенту.
- US9135307B1
- 2012-12-27
Как Google использует сеть доверия между экспертами для расчета Trust Rank и ранжирования контента
Google использует механизм для определения авторитетности контента путем анализа того, какие эксперты (сущности) доверяют друг другу и как они классифицируют (маркируют) контент в интернете. Система рассчитывает «Рейтинг Доверия» (Trust Rank) для каждой сущности и использует его для повышения в выдаче контента, отмеченного доверенными источниками, интегрируя сигналы репутации в алгоритм ранжирования.
- US7603350B1
- 2006-05-09
Как Google ранжирует персональные документы (письма, файлы), используя обобщенные данные о взаимодействии на уровне признаков
Google решает проблему ранжирования личных документов (например, электронных писем), для которых нет истории кликов. Вместо анализа кликов по конкретному документу система анализирует взаимодействие на уровне признаков. Она агрегирует данные о том, как миллионы пользователей взаимодействуют с документами, имеющими схожие признаки (например, структуру темы письма или отправителя), и использует эти данные для ранжирования похожих документов в вашем личном поиске.
- US10394832B2
- 2016-10-24