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 определяет многоязычных пользователей и показывает им результаты на языке, отличном от языка запроса
Google использует механизм для идентификации пользователей, владеющих несколькими языками, анализируя язык текущего запроса, местоположение пользователя и историю его активности. Если пользователь находится в регионе с доминирующим языком (L2), но ищет на другом языке (L1), и система подтверждает владение обоими, Google переводит запрос на L2 и ищет контент на обоих языках. Это позволяет показывать наиболее релевантные результаты, даже если их язык отличается от языка запроса.
  • US20230325421A1
  • 2021-07-21
  • Мультиязычность

  • Поведенческие сигналы

  • Персонализация

Как Google использует удобство взаимодействия (UX) и аффинитивность пользователя для ранжирования поставщиков контента и услуг
Патент Google описывает систему ранжирования результатов для сущностей (например, музыка, фильмы, бронирования). Система использует «Меру Эффективности» (Effectiveness Measure), которая учитывает два ключевых фактора: насколько быстро пользователь может получить контент или завершить транзакцию после клика (Quantity of Steps) и насколько пользователь предпочитает конкретного поставщика (Affinity Measure), основываясь на его подписках, установленных приложениях и истории взаимодействий.
  • US9767159B2
  • 2014-06-13
  • SERP

  • Персонализация

  • Поведенческие сигналы

Как Google рассчитывает QDF (Query Deserves Freshness), комбинируя актуальность запроса, возраст документа и качество источника по формуле Q^D
Google использует формулу S' = S * Q^D для корректировки ранжирования. Система определяет, требует ли запрос свежего контента (Q) и насколько свеж и качественен сам документ и его источник (D). Это позволяет экспоненциально повышать новый контент от авторитетных авторов для актуальных тем и понижать устаревший контент.
  • US9189526B1
  • 2013-03-15
  • Свежесть контента

  • EEAT и качество

  • SERP

Как Google использует внутреннюю структуру сайта и авторитетность для корректировки ранжирования
Google использует механизм для уточнения позиций в поиске, анализируя как внешние сигналы (авторитетность сайта), так и внутренние сигналы (структура сайта, внутренние ссылки). Система вычисляет «Внутрисайтовую оценку ранжирования» для определения важности страницы внутри сайта и использует её для корректировки «Глобальной оценки ранжирования». Однако влияние внутренних факторов ограничивается уровнем доверия к сайту.
  • US8843477B1
  • 2011-10-31
  • Структура сайта

  • Техническое SEO

  • EEAT и качество

Как Google использует закладки, историю посещений и поведение пользователей для персонализации поиска и таргетинга рекламы
Патент Google, описывающий фундаментальный механизм персонализации поиска. Система объединяет результаты из глобального индекса с результатами из персонального индекса пользователя (закладки, аннотации, история посещений). Ранжирование корректируется на основе явных оценок пользователя и неявных поведенческих сигналов (частота визитов, время на сайте). Эти же данные используются для таргетинга рекламы.
  • US7523096B2
  • 2003-12-03
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует всплески локальных запросов для быстрого обнаружения и индексации новых бизнесов
Google анализирует логи локальных поисковых запросов для обнаружения новых бизнесов. Система отслеживает термины, отсутствующие в текущей базе данных. Если частота использования такого термина в определенном регионе резко возрастает по сравнению с историческим уровнем, система идентифицирует его как название нового бизнеса и инициирует процесс его проверки (включая анализ отзывов) и добавления в индекс.
  • US9218420B1
  • 2013-02-26
  • Local SEO

  • Индексация

  • Поведенческие сигналы

Как Google агрегирует новости, блоги и форумы в «Кластеры историй» и ранжирует комментарии на основе аккредитации и экспертности авторов
Патент Google, описывающий систему агрегации новостного контента из разных жанров (СМИ, блоги, форумы) в единые «Кластеры историй». Система ранжирует эти кластеры, учитывая жанр источника, и применяет сложный алгоритм для ранжирования комментариев, отдавая приоритет «аккредитованным» экспертам и лицам, непосредственно упомянутым в новостях.
  • US9760629B1
  • 2012-09-14 (Продолжение заявки от 2004-12-29)
  • EEAT и качество

  • Свежесть контента

  • Семантика и интент

Как Google использует клики пользователей для генерации альтернативных запросов и автоматической разметки изображений
Google анализирует исторические данные о том, какие запросы приводили к кликам по конкретному изображению. Эти запросы используются как автоматические метки (labels) для индексации и как предлагаемые альтернативные запросы при взаимодействии пользователя с этим изображением в выдаче. Система позволяет уточнять поиск на основе коллективного поведения и переносить метки между визуально похожими изображениями.
  • US20150161175A1
  • 2008-02-08
  • Индексация

  • Поведенческие сигналы

  • Семантика и интент

Как Google борется со спамом в бизнес-профилях (Local SEO), используя контекстуальный анализ и калибровку оценок спама
Google использует систему для обнаружения спамных бизнес-листингов (Local SEO), сравнивая данные из доверенных и ненадежных источников в рамках конкретных бизнес-контекстов (например, «сантехники» против «юристов»). Система выявляет характеристики, статистически связанные со спамом в данной нише, генерирует оценку спама и калибрует её в вероятность с помощью логистической регрессии для точной фильтрации.
  • US8738557B1
  • 2011-07-26
  • Антиспам

  • Local SEO

  • EEAT и качество

Как Google использует известность и авторитетность бизнеса (Location Prominence) вместо расстояния для ранжирования в локальном поиске
Google использует механизм дифференцированного ранжирования в локальном поиске. Внутри основной географической области (например, города или видимой карты) результаты ранжируются по «Известности» (Location Prominence), основанной на авторитетности, отзывах и упоминаниях бизнеса. За пределами этой области результаты ранжируются преимущественно по расстоянию. Это позволяет показывать наиболее значимые бизнесы, а не просто ближайшие к условному центру.
  • US7822751B2
  • 2005-05-27
  • Local SEO

  • EEAT и качество

  • SERP

Как Google автоматически извлекает и анализирует отзывы о компаниях из интернета
Google использует систему для автоматического поиска и анализа отзывов о сущностях (например, компаниях) на веб-страницах. Система идентифицирует информацию о компании (название, адрес), извлекает текст рядом с ней и применяет анализ тональности (Sentiment Analysis), чтобы определить, является ли этот текст отзывом и какова его эмоциональная окраска.
  • US20150112981A1
  • 2009-12-14
  • Local SEO

  • Семантика и интент

  • EEAT и качество

Как Google использует доверительные интервалы для ранжирования контента и определения приоритетов тестирования в условиях нехватки данных
Google использует статистические методы, такие как интервал Уилсона, для оценки качества контента при малом количестве данных (например, голосов или поведенческих сигналов). Для ранжирования используется пессимистическая оценка (нижняя граница доверительного интервала), что обеспечивает стабильность и отдает предпочтение контенту с большим объемом данных. Для определения приоритета тестирования (планирования голосования) используется оптимистическая оценка (верхняя граница), что позволяет быстро выявлять потенциально популярный новый контент.
  • US8494992B1
  • 2010-08-26
  • Поведенческие сигналы

  • SERP

Как Google использует генеративные ИИ-модели (Seq2Seq) и Actor-Critic для динамического переписывания и верификации запросов на основе задач пользователя
Google использует генеративные нейросетевые модели (Sequence-to-Sequence) для динамического создания вариантов поисковых запросов. Система учитывает контекст и предполагаемую задачу пользователя для генерации уточнений или эквивалентных формулировок. Механизм Actor-Critic (обучение с подкреплением) контролирует этот процесс, итеративно улучшая понимание интента и проверяя точность ответов перед их показом.
  • US11663201B2
  • 2018-04-27
  • Семантика и интент

  • Персонализация

  • EEAT и качество

Как Google использует поведение пользователей для автоматического перевода запросов в поиске по картинкам и видео
Google улучшает поиск по визуальному контенту (картинки, видео), анализируя, как пользователи переформулируют запросы на других языках в рамках одной сессии. Если пользователь ввел запрос на одном языке, а затем его перевод на другом, система запоминает эту связь («двуязычное уточнение»). В дальнейшем система автоматически добавляет самый популярный перевод к исходному запросу, чтобы показать больше релевантных результатов на разных языках.
  • US8577909B1
  • 2009-06-09
  • Мультиязычность

  • Поведенческие сигналы

  • Семантика и интент

Как Google использует теги внутри видео, социальные связи и одобрения для генерации персонализированных рекомендаций
Google использует систему рекомендаций, анализирующую элементы (людей, объекты, места), отмеченные тегами непосредственно внутри видео. Система находит связанный контент, содержащий те же элементы. Если в видео отмечен человек, система может рекомендовать контент, который этот человек одобрил (смотрел, лайкнул), учитывая силу социальной связи между ним и зрителем, при строгом соблюдении настроек конфиденциальности.
  • US9639634B1
  • 2014-01-28
  • Персонализация

  • Мультимедиа

  • Поведенческие сигналы

Как Google использует иерархию истории поиска (Profile Tree) для персонализации поисковых подсказок
Google создает иерархическое дерево интересов (Profile Tree) для пользователя на основе его истории поиска, кликов и просмотров. При вводе запроса система переранжирует стандартные подсказки. Подсказки, соответствующие более глубоким и специфичным (нишевым) интересам пользователя, получают повышение, вытесняя общие популярные варианты.
  • US8316019B1
  • 2010-06-23
  • Персонализация

  • Поведенческие сигналы

Как Google использует авторитетность в веб-поиске для определения порядка ранжирования в Локальном поиске (Local Pack)
Google использует механизм объединения результатов из Универсального (веб) и Локального поиска. Система идентифицирует авторитетные бизнес-сайты в веб-выдаче и оценивает их по локальным критериям. Затем Локальный блок (Local Pack) переранжируется так, чтобы порядок результатов соответствовал их авторитетности в Универсальном поиске. Это подтверждает, что авторитетность сайта в вебе напрямую влияет на его позиции в Локальном поиске.
  • US8392394B1
  • 2010-05-04
  • Local SEO

  • EEAT и качество

  • SERP

Как Google индексирует действия пользователя на локальном устройстве для контекстного поиска (Архитектура Google Desktop)
Патент описывает архитектуру клиентского поискового движка (например, Google Desktop), который в реальном времени фиксирует взаимодействия пользователя с контентом (веб-страницы, документы, email). Система индексирует этот контент локально и может генерировать автоматические (имплицитные) запросы на основе текущего контекста пользователя, объединяя локальные и веб-результаты.
  • US7725508B2
  • 2004-06-30
  • Индексация

  • Local SEO

  • Поведенческие сигналы

Как Google динамически повышает детский контент в безопасном поиске, чтобы компенсировать недостаток данных о популярности
Google использует механизм для улучшения видимости детского контента (Youth-Oriented, Y) в безопасной выдаче. Поскольку такой контент часто имеет меньше поведенческих данных, чем общий контент (General Audience, G), система вычисляет динамический повышающий коэффициент (Query-Dependent Factor). Этот коэффициент рассчитывается путем статистического сравнения метрик популярности Y и G контента для конкретного запроса и применяется только к результатам, прошедшим порог релевантности.
  • US10671616B1
  • 2015-02-22
  • Безопасный поиск

  • SERP

  • Поведенческие сигналы

Как Google использует сигналы вовлеченности пользователей для ранжирования контента в системах без поискового запроса (например, Google Discover)
Патент описывает механизм генерации рекомендаций контента на основе того, что пользователь просматривает в данный момент, без ввода поискового запроса. Система анализирует текущий контент, находит связанные ресурсы и ранжирует их, основываясь преимущественно на метриках вовлеченности пользователей (трендовость, частота просмотров, совместные просмотры), а не только на текстовой релевантности.
  • US10152521B2
  • 2016-06-22
  • Поведенческие сигналы

  • Персонализация

Как Google динамически расширяет результаты поиска на SERP, добавляя превью и контент из других источников
Анализ патента Google, описывающего механизм пользовательского интерфейса (UI), позволяющий пользователям взаимодействовать с результатом поиска (например, свайпом) для отображения «Расширенного контента» прямо на SERP. Этот контент может включать предварительный просмотр страниц сайта или релевантную информацию из других источников («off-page content»), например, карты или изображения. При этом слот результата расширяется, предоставляя больше информации без ухода со страницы выдачи.
  • US9201925B2
  • 2012-11-08
  • SERP

  • Поведенческие сигналы

Как Google классифицирует запросы о медиа (фильмы, книги, музыка), используя данные из разных вертикалей поиска и поведенческие сигналы
Google использует многофакторную модель для определения, относится ли запрос к медиа-контенту (фильмам, книгам, музыке). Система анализирует результаты товарного поиска, предлагаемые подсказки (candidate queries), частоту запроса в специализированных вертикалях (Search Probability Ratio) и наличие специфичных ключевых слов. Это позволяет точнее определить интент пользователя и показать релевантные специализированные блоки или товарные предложения.
  • US8768910B1
  • 2012-04-13
  • Семантика и интент

  • Поведенческие сигналы

  • Мультимедиа

Как Google использует анализ сессий и CTR для переписывания низкоэффективных запросов в высокоэффективные
Google анализирует поведение пользователей внутри поисковых сессий. Если пользователь быстро переходит от запроса с низким CTR (низкоэффективный) к запросу с высоким CTR (высокоэффективный), система связывает их как относящиеся к одному интенту. В дальнейшем, при получении низкоэффективного запроса, Google использует связанный высокоэффективный запрос для поиска и подмешивания более релевантного контента.
  • US8234265B1
  • 2009-11-18
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google автоматизирует создание структуры категорий и оптимизирует мерчандайзинг на сайтах E-commerce
Система для автоматической организации интернет-магазинов. Она анализирует товарный фид, используя NLP для создания релевантных категорий. Затем система сортирует товары внутри категорий, применяя алгоритмы оптимизации (Decision Trees), основанные на данных о продажах (конверсии, отказы) и внешних поисковых трендах, для максимизации эффективности сайта мерчанта.
  • US20170116658A1 (Патентная заявка)
  • 2015-10-22
  • Семантика и интент

  • Структура сайта

  • Поведенческие сигналы

Как Google использует CTR и разницу в оценках релевантности для визуального выделения доминирующего результата в выдаче
Google может визуально выделять результат поиска (например, с помощью миниатюры страницы), если система уверена, что это именно то, что ищет пользователь. Эта уверенность основана на значительном превосходстве результата над всеми остальными по показателям CTR (Click-Through Rate) и/или оценке релевантности (Relevance Score).
  • US7836391B2
  • 2003-06-10
  • SERP

  • Поведенческие сигналы

Как Google использует историю браузера пользователя для персонализации и переранжирования результатов поиска
Google использует локально сохраненную историю посещений пользователя для изменения стандартной поисковой выдачи. Система отслеживает, какие документы пользователь посещал ранее, как часто и как долго. При последующих поисках ранее посещенные сайты агрессивно повышаются в выдаче или добавляются в нее, обеспечивая персонализированный результат, основанный на предыдущем поведении пользователя.
  • US7730054B1
  • 2003-09-30
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google объединяет данные из разных источников в единый Граф Знаний с помощью двухфазной системы построения
Google использует двухфазную систему для создания Графа Знаний. Сначала данные из разных источников (например, Wikipedia, коммерческие базы данных) приводятся к единому формату идентификаторов (Reconciliation Phase). Затем эти нормализованные данные объединяются в единый граф, при этом устраняются дубликаты и разрешаются конфликты (Build Phase). Это позволяет создавать разные версии графа для разных нужд и эффективно управлять качеством данных.
  • US9342622B2
  • 2013-06-27
  • Knowledge Graph

  • Семантика и интент

  • EEAT и качество

Как Google определяет неудовлетворенность пользователя поисковой сессией и предлагает корректирующие действия
Google анализирует поведение пользователя во время поисковой сессии (клики, время на сайте, последующие запросы), чтобы определить уровень удовлетворенности. Если система фиксирует признаки неудовлетворенности (например, много коротких кликов или серия уточняющих запросов), она автоматически запускает "корректирующие операции": предлагает альтернативные запросы, ключевые слова из просмотренных страниц или запрашивает обратную связь.
  • US8316037B1
  • 2010-01-29
  • Поведенческие сигналы

Как Google использует статистический анализ логов запросов и объема торгов для классификации финансового интента и показа биржевых сводок
Google анализирует вероятность того, что запрос является запросом информации об акциях, даже если он введен в поле общего поиска. Система сравнивает, как часто термин (тикер) используется в общем контексте (в логах запросов) по сравнению с интересом к соответствующей акции (объем торгов). Это позволяет системе отличать финансовый интент от общего для неоднозначных терминов и отображать специализированные результаты фондового рынка.
  • US9508101B1
  • 2001-09-21
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google использует агрегированные интересы социальных групп для персонализации и переранжирования поисковой выдачи
Google патентует механизм «Социальной линзы», позволяющий пользователям уточнять результаты поиска на основе интересов и поведения выбранного социального круга (например, «Коллеги» или «Геймеры»). Система агрегирует историю поиска и веб-активность участников круга в профиль интересов и использует эти данные для переранжирования или фильтрации выдачи, делая ее более релевантной контексту этой группы.
  • US9141617B1
  • 2012-10-26
  • Персонализация

  • Поведенческие сигналы

  • SERP

  • 1
  • …
  • 11
  • 12
  • 13
  • 14
  • 15
  • …
  • 44
seohardcore