Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google использует машинное обучение для предсказания повторяющихся запросов и предоставления динамических результатов
Google использует систему машинного обучения для анализа контекста и поведения пользователей, чтобы предсказать, какие запросы будут повторяться в будущем. Для этих «повторяемых запросов» система упрощает ввод через ярлыки или меню. При повторном выполнении Google может намеренно изменять выдачу, предоставляя динамические результаты, и приоритизировать сканирование связанного контента.
- US11868417B2
- 2019-11-06
Как Google использует социальный граф и профиль интересов пользователя для глубокой персонализации Knowledge Panel и поисковой выдачи
Google использует механизм для обогащения поисковой выдачи и Панелей Знаний (Knowledge Panels) персонализированными социальными аннотациями. Если тема запроса пересекается с сильными интересами пользователя (определяется по Topic Score), система подмешивает в выдачу релевантный контент из его социального графа, например, действия друзей, фотографии или чекины, связанные с темой.
- US9934283B2
- 2013-03-08
Как Google эффективно измеряет и ранжирует пользовательский опыт (UX) взаимодействия с контентом и рекламой
Патент описывает инфраструктуру Google для эффективной оценки пользовательского опыта. Система генерирует различные конфигурации страниц ("Типы Пользовательского Опыта", CETs), включающие комбинации контента и рекламы. Используется метод "динамического ресэмплирования" для сбора обратной связи от пользователей и быстрого ранжирования этих конфигураций по качеству, измеряя метрики удовлетворенности и раздражения.
- US10282357B1
- 2016-09-15
Как Google использует отзывы пользователей для обнаружения спама и фейковых компаний в локальном поиске (Google Maps)
Google анализирует текст отзывов о компаниях для выявления спама в бизнес-листингах. Система ищет стоп-слова (например, "фейк", "не существует"), выявляет нерелевантные термины для категории бизнеса и сравнивает отзывы с базой известного спама. При превышении порога подозрительных сигналов листинг помечается как спам.
- US8621623B1
- 2012-07-06
Как Google использует контекст пользователя (местоположение, время, историю) для предсказания поискового намерения в локальном поиске (Queryless Search)
Google использует механизм предиктивного поиска (Queryless Search), который анализирует местоположение пользователя, время суток, историю поиска и историю перемещений. На основе этих данных система автоматически предлагает релевантные категории (например, "Рестораны", "Бары") еще до ввода запроса. Система адаптирует предложения в зависимости от знакомства пользователя с локацией и фильтрует результаты по времени работы и близости.
- US9529867B1
- 2013-09-19
Как Google использует генетические алгоритмы для оптимизации порядка применения факторов ранжирования
Google использует генетические алгоритмы для определения оптимальной последовательности применения корректировок ранжирования (adjusters). Система тестирует разные комбинации порядка факторов, оценивая их эффективность на основе исторических данных о поведении пользователей (клики, время на сайте). Цель — найти ту последовательность, которая поднимает предпочитаемые пользователями результаты выше в выдаче.
- US9152714B1
- 2012-10-01
Как Google распознает и связывает объекты на изображении с результатами поиска (Архитектура Google Lens)
Google использует систему параллельных поисковых движков (OCR, распознавание лиц, объектов, продуктов) для анализа визуального запроса (изображения). Система создает интерактивный документ, накладывая на исходное изображение визуальные идентификаторы (например, рамки или метки) для распознанных объектов. Эти идентификаторы служат ссылками на конкретные результаты поиска для каждого объекта.
- US9087059B2
- 2010-08-04
Как Google проектирует интерфейс и навигацию для поиска внутри оцифрованных документов (Google Books)
Патент описывает дизайн пользовательского интерфейса для поиска по оцифрованным печатным материалам (книги, журналы). Он включает механизмы отображения результатов с выдержками (excerpts), навигацию к следующим релевантным фрагментам внутри документа (пропуская нерелевантные страницы), агрегацию связанной веб-информации и отслеживание истории просмотров.
- US8364668B2
- 2004-09-29
Как Google идентифицирует локальных экспертов и использует их отзывы для ранжирования в локальном поиске
Google использует систему для идентификации пользователей, являющихся «экспертами» в конкретных географических областях и категориях бизнеса, основываясь на объеме и качестве их отзывов. При локальном поиске система извлекает мнения этих экспертов и использует их как ключевой сигнал для ранжирования результатов. Система также может персонализировать выбор экспертов, отдавая предпочтение тем, чьи оценки совпадают с предпочтениями пользователя.
- US9792330B1
- 2013-04-30
Как Google использует упоминания бренда в вебе (Webscore) для определения популярности и ранжирования локальных бизнесов
Google рассчитывает метрику «Webscore» для локальных компаний, основанную на количестве упоминаний их названия в интернете. Эта оценка используется для определения «Популярности» (Prominence) бизнеса и влияет на ранжирование в локальном поиске, часто отдавая предпочтение известным компаниям перед теми, что просто находятся ближе. Алгоритм учитывает длину названия и корректирует оценки для сетевых бизнесов.
- US8122013B1
- 2006-01-27
Как Google анализирует последовательность запросов в сессии для предсказания следующего шага пользователя
Google отслеживает последовательность запросов пользователя в текущей поисковой сессии и сравнивает её с миллионами исторических сессий. Если текущий путь поиска совпадает с популярными маршрутами других пользователей, система предлагает наиболее частые следующие или завершающие запросы из этих данных. Это механизм для генерации контекстных подсказок, помогающих пользователю быстрее завершить задачу.
- US8725756B1
- 2008-11-11
Как Google использует «Решающие Клики» и «Решающие Пропуски» для валидации и очистки правил синонимов
Патент Google описывает механизм валидации качества внутренних правил синонимов. Система анализирует логи запросов, чтобы изолировать влияние конкретного синонима на поведение пользователя. Если пользователь кликает на результат, содержащий ТОЛЬКО синоним (а не исходный термин), это засчитывается как «Решающий Клик». Если пропускает такой результат — как «Решающий Пропуск». На основе этих данных система вычисляет оценку уверенности для правила и удаляет неэффективные синонимы.
- US8965882B1
- 2011-11-22
Как Google персонализирует результаты поиска в зависимости от сайта, с которого отправлен запрос
Google анализирует совокупные поисковые запросы и последующие клики пользователей, инициирующих поиск с определенного веб-сайта. На основе этих данных создается «Профиль Веб-сайта», отражающий коллективные интересы его аудитории. Этот профиль используется для переранжирования будущих результатов: один и тот же запрос, отправленный с разных сайтов, даст разную выдачу, адаптированную под контекст источника.
- US8078607B2
- 2006-03-30
Как Google оценивает качество новостных источников, кластеризует статьи и ранжирует новости на основе свежести, оригинальности и авторитетности
Детальный разбор основополагающего патента Google News. Система оценивает источники по скорости реакции на события, оригинальности контента и авторитетности (ссылки, просмотры). Новостные сюжеты (кластеры) ранжируются по свежести и качеству источников. Статьи внутри сюжета сортируются с использованием «Модифицированной оценки свежести», которая дает значительное преимущество авторитетным изданиям.
- US7568148B1
- 2003-06-30
Как Google определяет оригинальность контента для расчета Авторского Ранга (Author Rank) и влияния на ранжирование
Google использует систему для идентификации оригинального контента и повышения авторитета его создателей. Система разбивает документы на фрагменты (content pieces) и отслеживает их первое появление. Авторы (включая домены) ранжируются на основе количества созданного ими оригинального контента и частоты его копирования другими. Ранг автора затем используется для повышения в выдаче документов этого автора, особенно свежих публикаций.
- US8983970B1
- 2012-04-16
Как Google использует профили пользователей для персонализации и изменения порядка показа рекламы в поиске
Google создает детальные профили интересов пользователей на основе истории поиска, поведения и взаимодействия с контентом. Эти профили используются для персонализации выдачи, в частности, для изменения порядка показа рекламы (Placed Content). Система вычисляет показатель сходства между профилем пользователя и профилем рекламы, корректируя стандартный рейтинг (CTR * Ставка), чтобы показывать пользователю наиболее релевантные объявления.
- US7693827B2
- 2004-07-13
Как Google использует интерактивные "Опорные Точки" (Pivot Points) для динамической навигации по товарам в поисковой выдаче
Google использует механизм для улучшения навигации по товарам, особенно на мобильных устройствах. Система создает многомерное пространство товаров на основе их атрибутов и выбирает репрезентативные "Опорные Точки" (Pivot Points). Пользователи могут "приближать" точку для просмотра похожих товаров или "отдалять", чтобы увидеть новый набор опорных точек, динамически адаптированный под их интересы и историю взаимодействий.
- US10606907B1
- 2016-06-01
Как Google проактивно формирует путеводители, анализируя разрозненные действия пользователя для предсказания его поездок
Google патентует систему для предсказания будущих поездок пользователя путем анализа его действий (поисковые запросы, электронные письма, просмотры веб-страниц). Система связывает эти действия с сущностями и локациями, вычисляет вероятность поездки и проактивно предоставляет сводную информацию (путеводитель) без прямого запроса пользователя. Это механизм для систем типа Google Discover, фокусирующийся на долгосрочном понимании намерений пользователя.
- US9146116B1
- 2014-06-04
Как Google анализирует поведение пользователей для выбора разнообразных связанных запросов и диверсификации контента на выдаче
Google использует механизм для диверсификации предложений на странице результатов (например, связанных запросов или рекламных блоков), основанный на анализе сессий пользователей. Система отбирает подсказки, которые часто следуют за исходным запросом (высокая «Utility»), но при этом редко следуют друг за другом (высокая «Diversity»). Это позволяет покрыть разные намерения пользователя, исходящие из одного неоднозначного запроса.
- US8631030B1
- 2010-12-28
Как Google агрегирует социальные сигналы (лайки, +1) с канонических URL и верифицированных социальных профилей на авторитетную страницу
Google использует механизм для объединения социальных одобрений (например, лайков, шейров, +1) с разных, но связанных страниц в единый счетчик. Это включает агрегацию сигналов со всех канонических версий URL, а также с официально подтвержденных (через двухстороннюю связь) страниц в социальных сетях. Цель — показать общий уровень популярности контента, избегая фрагментации данных.
- US20180052807A1
- 2013-11-14
Как Google предлагает контекстные уточнения запроса на основе взаимодействия пользователя с текстом в строке поиска
Google использует механизм для предложения уточнений запроса, основанный на том, с какой частью (токеном) исходного запроса взаимодействует пользователь в строке поиска. Когда пользователь выделяет или кликает на слово, система определяет контекст и предлагает релевантные замены именно для этой части, используя алгоритм "голосования по перекрытиям" и сортировку по качеству/популярности для выбора лучших вариантов.
- US7917528B1
- 2007-04-02
Как Google анализирует поисковые запросы, разделяя географию пользователя, географию интента и вертикаль рынка
Google использует систему для глубокого анализа логов поисковых запросов. Определяется местоположение пользователя (источник), географическое место, упомянутое в запросе (назначение), и тематическая категория (вертикаль рынка). Эти данные индексируются, позволяя аналитикам и рекламодателям изучать тренды, например, как часто пользователи из США ищут отели в Германии и какие ключевые слова они используют.
- US20160041999A1
- 2012-07-23
Как Google вычисляет «Proxy Pad Score» для обнаружения сайтов, копирующих чужой контент, и пессимизирует их при каноникализации
Google использует механизм для борьбы с сайтами, которые массово копируют контент (Proxy Pads). Система анализирует, как часто контент сайта проигрывает дубликатам с других сайтов по метрикам качества. На основе этого вычисляется «Proxy Pad Score». Если оценка плохая, сайт пессимизируется на этапе индексации при выборе канонической версии, снижая вероятность попадания скопированного контента в индекс.
- US8874565B1
- 2008-12-29
Как Google использует агрегированные поведенческие данные для маркировки результатов поиска и подсказок индикаторами ожидаемых действий
Google анализирует агрегированные данные о том, что пользователи делают после клика по результату поиска или подсказке (например, покупка, сохранение, бронирование). Если определенное действие статистически значимо для конкретного результата, Google добавляет к нему визуальный индикатор (значок или бейдж), чтобы помочь другим пользователям понять вероятный исход клика.
- US11132406B2
- 2018-05-18
Как Google выбирает лучшую целевую страницу (Landing Page) для результатов поиска по картинкам
Google использует запатентованный метод для выбора наилучшего контекста для изображения в поиске по картинкам. Когда одно и то же или похожее изображение появляется на нескольких сайтах, система оценивает качество и важность каждой веб-страницы (Web Score). Страница с наивысшей оценкой выбирается в качестве официальной целевой страницы (Landing Page), на которую попадает пользователь при клике на результат.
- US9158857B2
- 2012-06-05
Как Google (YouTube) динамически приоритизирует каверы и альтернативные версии песен в блоке рекомендаций
Google использует механизм для улучшения рекомендаций на контент-платформах (например, YouTube). Когда пользователь проявляет интерес к конкретной песне в просматриваемом видео (явно или неявно), система идентифицирует другие видео, содержащие альтернативные версии этой же песни (каверы, живые выступления). Затем блок рекомендаций обновляется, чтобы приоритизировать показ этих альтернативных версий над стандартными похожими видео.
- US10345998B2
- 2016-11-10
Как Google оценивает качество и авторитетность новостных источников для ранжирования в Google News
Google использует систему для оценки качества новостных источников на основе 13 различных метрик, включая объем публикаций, скорость освещения событий (Breaking News Score), оригинальность контента (Original Named Entities), размер штата, данные о трафике и репутацию. На основе этих метрик вычисляется "Рейтинг Источника" (Source Rank), который затем используется для повышения позиций статей от авторитетных изданий в новостном поиске.
- US7577655B2
- 2003-09-16
Как Google использует поведенческие данные (Dwell Time) для оценки качества страниц и генерации превью в поиске
Google патентует систему "вспомогательного браузинга", которая активируется на странице результатов поиска (SERP) при проявлении интереса к ссылке. Система показывает текстовый сниппет и оценку интереса предыдущих пользователей, рассчитанную на основе имплицитных поведенческих сигналов, таких как время пребывания на странице (Linger Time/Dwell Time), повторные визиты и клики.
- US7516118B1
- 2003-12-31
Как Google использует официальный сайт компании как эталон для проверки точности данных (NAP) в каталогах и Local SEO
Google автоматически верифицирует данные о локальных компаниях (адрес, телефон, часы работы), сравнивая информацию из сторонних каталогов и агрегаторов с данными, извлеченными с официального сайта компании («Authority Website»). Официальный сайт считается эталоном истины. На основе сравнения рассчитывается «Оценка Точности» (Accuracy Score) для каждого источника. Финальный профиль компании формируется с приоритетом данных с официального сайта и источников с высокой оценкой точности.
- US20130282699A1
- 2011-01-14
Как Google использует поведенческие сигналы и совместные просмотры для генерации рекомендаций контента (например, "Похожие видео" на YouTube)
Google использует механизм коллаборативной фильтрации для определения связанности контента, анализируя логи взаимодействия пользователей. Система определяет, какой контент пользователи потребляют совместно в рамках одной сессии ("locality of time"). Учитываются только "позитивные взаимодействия" (например, длительный просмотр, высокая оценка). Это позволяет формировать рекомендации на основе реального поведения аудитории, а не только метаданных.
- US8055655B1
- 2008-02-15