Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google динамически понижает подсказки в Autocomplete, которые пользователь уже видел, но проигнорировал
Google использует механизм для улучшения релевантности поисковых подсказок (Autocomplete). Если пользователь видит подсказку, но продолжает вводить запрос, система считает, что эта подсказка не подходит. Патент описывает, как такие проигнорированные подсказки понижаются в последующих списках на основе времени просмотра (Exposure Time), освобождая место для новых, потенциально более релевантных вариантов.
- US8972388B1
- 2012-02-29
Как Google использует архитектуру нейронных сетей «Two-Tower» для семантического поиска и оценки контента
Google использует модель с двумя отдельными нейронными сетями (Two-Tower Model) для понимания семантической релевантности между запросами и контентом. Одна сеть обрабатывает запрос, другая — контент, преобразуя их в векторы (embeddings). Релевантность определяется близостью этих векторов, а не совпадением ключевых слов. Эта архитектура позволяет Google предварительно вычислять векторы для всего контента во время индексации, обеспечивая быстрый семантический поиск в реальном времени.
- US11188824B2
- 2017-03-31
Как Google систематизирует сбор, хранение и анализ истории поисковых запросов и поведенческих данных пользователей
Патент Google, описывающий инфраструктуру для перехвата, фильтрации, консолидации и хранения истории поисковых запросов и их результатов. Система детально фиксирует контекстную информацию, включая то, какие результаты просмотрел пользователь, когда и как часто. Эти данные формируют основу для анализа поведения пользователей и обучения систем ранжирования.
- US9111284B2
- 2004-05-21
Как Google разделяет результаты поиска товаров на основе источника и надежности данных (фиды vs. извлечение)
Google разделяет результаты поиска товаров на группы в зависимости от источника данных. Информация, полученная напрямую от продавцов через фиды (Vendor Feeds), считается более достоверной. Информация, автоматически извлеченная (Extracted) с веб-страниц, считается менее надежной. Эти группы визуально разделяются на странице выдачи (например, в Google Shopping), чтобы указать пользователю на разницу в надежности данных.
- US7647300B2
- 2004-01-26
Как Google использует тип устройства, скорость соединения и время суток для персонализации рекомендаций контента
Google персонализирует рекомендации контента, анализируя контекст подключения пользователя. Система учитывает тип устройства (смартфон, ПК, ТВ), скорость интернета, время суток и день недели, чтобы определить, какой контент предложить далее. Это позволяет адаптировать рекомендации, например, предлагая короткие видео для мобильных устройств с медленным соединением.
- US9369354B1
- 2013-11-14
Как Google использует социальные связи, демографию и неявные сигналы для ранжирования персонализированных результатов
Google патентует систему для обработки «социальных опросных запросов» (например, «что мои друзья думают о фильме X»). Система определяет релевантность контента, учитывая социальный граф пользователя, авторитетность участников сети, их демографические атрибуты и неявные сигналы (например, текущее местоположение), чтобы предоставить персонализированные и социально релевантные результаты.
- US9122756B2
- 2013-06-06 (Continuation of 2010-12-16)
Как Google комбинирует тематическую релевантность и географическую близость для ранжирования локальных результатов
Google использует систему для ранжирования результатов поиска, которая учитывает как тематическую релевантность (Topical Score), так и географическую близость (Distance Score). Система определяет, насколько тема запроса чувствительна к местоположению (Location Sensitivity), и использует этот фактор для корректировки влияния расстояния на итоговый рейтинг, обеспечивая оптимальный баланс между близостью и качеством.
- US7606798B2
- 2003-12-31
Как Google персонализирует выдачу, понижая результаты, которые пользователь исторически игнорирует или быстро покидает
Google использует историю поиска пользователя для выявления результатов, которые пользователь систематически пропускает или считает нерелевантными (например, быстро возвращается на выдачу). Такие результаты идентифицируются как «нежелательные» (User-Disfavored) и активно понижаются в персональной выдаче для этого пользователя, даже если их общий рейтинг высок.
- US7827170B1
- 2007-08-28
Как Google позволяет пользователям "привязывать" веб-контент к конкретным моментам в видео или аудио
Патент Google, описывающий механизм, который позволяет пользователям ассоциировать ("привязывать") один тип контента (например, веб-статью) с конкретной позицией в индексированном контенте (например, таймкодом в видео). При просмотре видео другие пользователи увидят ссылку на привязанную статью в соответствующий момент.
- US9288121B2
- 2012-10-03
Как Google использует категоризацию контента и запросов для уточнения релевантности и ранжирования результатов
Google использует систему для улучшения ранжирования, комбинируя стандартную текстовую релевантность с оценкой соответствия категории. Система определяет, насколько сильно документ принадлежит к определенным категориям и насколько сильно запрос соответствует этим же категориям. Если и документ, и запрос сильно совпадают по категории, результат получает повышение в ранжировании. Это особенно важно для E-commerce и контента с четкой структурой.
- US7814085B1
- 2004-02-26
Как Google извлекает, формирует и оценивает контент для Featured Snippets из структурированных и неструктурированных данных
Google использует систему для генерации Featured Snippets (ответных пассажей) в ответ на запросы-вопросы. Система анализирует топовые результаты, разделяя контент на структурированный (таблицы, списки) и неструктурированный (текст). Применяя разные наборы правил для каждого типа контента, система извлекает блоки текста (Passage Units) и формирует из них кандидатов для показа в блоке ответов, после чего оценивает их с помощью комплексного скоринга.
- US10180964B1
- 2015-08-12
Как Google создает интерфейс для быстрой навигации между результатами поиска или рекламой без возврата на страницу выдачи
Патент Google описывает интерфейс, который позволяет пользователям переключаться между посадочными страницами результатов поиска или рекламных объявлений напрямую, минуя необходимость возвращаться на исходную страницу выдачи. Система предварительно загружает связанные страницы и может динамически добавлять новые релевантные результаты в сессию на основе времени взаимодействия пользователя (dwell time) с текущей страницей.
- US9449094B2
- 2012-07-13
Как Google создает, управляет и использует Репозиторий Фактов (Fact Repository) для поиска по сущностям
Патент описывает архитектуру Google для создания и использования Репозитория Фактов. Система извлекает факты из интернета, связывает их с объектами (сущностями), очищает и нормализует данные. В ответ на запрос система находит релевантные факты и возвращает их в формате структурированного фида (например, XML/RSS). Это foundational-технология для поиска по сущностям и формирования Графа Знаний.
- US7454398B2
- 2006-02-17
Как Google определяет скрытый локальный интент запроса, анализируя аномальную популярность запроса в конкретном регионе
Google анализирует статистику запросов по разным географическим регионам. Если конкретный запрос вводится в определенном регионе значительно чаще, чем ожидалось (по сравнению с базовым регионом), Google классифицирует этот запрос как "локальный" для данной местности. При получении такого запроса от пользователя из этого региона, система автоматически повышает в ранжировании результаты, связанные с местными достопримечательностями или темами, даже если в запросе нет явных указаний на местоположение.
- US9424342B1
- 2010-02-19
Как Google понижает удаленные локальные результаты, если существуют более близкие альтернативы или качественные нелокальные сайты
Google анализирует выдачу по запросам с локальным интентом. Если локальный результат находится далеко от пользователя, система проверяет наличие альтернатив: других локальных результатов поблизости или высокорелевантных нелокальных страниц. Если альтернативы найдены, удаленный результат понижается, за исключением случаев, когда он обладает высокой глобальной значимостью (независимо от местоположения).
- US9262541B2
- 2013-10-18
Как Google использует машинное обучение для извлечения фактов из текста и перевода вопросов на естественном языке в пути Графа Знаний
Анализ патента Google, описывающего два ключевых механизма: автоматическое расширение Графа Знаний путем анализа текста и ответы на вопросы на естественном языке. Система использует машинное обучение для определения надежных путей (связей) в графе. Эти пути используются как для вывода новых фактов из веб-документов, так и для интерпретации запросов пользователей и поиска прямых ответов.
- US10810193B1
- 2013-03-13
Как Google переранжирует результаты поиска в реальном времени, скрывая контент, который пользователь уже видел на других сайтах
Google использует механизм оценки новизны информации для динамической корректировки поисковой выдачи во время сессии пользователя. Система вычисляет «Information Gain Score» для непросмотренных документов, определяя, сколько новой информации они содержат по сравнению с уже посещенными сайтами. Результаты с уникальной информацией повышаются, а повторяющийся контент понижается, чтобы уменьшить избыточность.
- US11354342B2
- 2018-10-18
Как Google использует семантическую структуру HTML (списки и заголовки) для расчета расстояния между ключевыми словами
Google анализирует структуру веб-страницы, включая списки и заголовки, чтобы определить семантическое расстояние между ключевыми словами. Система выявляет семантические блоки, даже если они не размечены явными HTML-тегами, путем анализа повторяющихся паттернов форматирования. Расстояние между терминами рассчитывается на основе этой структуры: слова внутри одного элемента списка считаются близкими, а слова в разных элементах — далекими, независимо от физического расстояния.
- US7716216B1
- 2004-03-31
Как Google определяет истинный смысл неоднозначных запросов, сравнивая результаты поисковой выдачи
Google использует механизм для разрешения неоднозначности запросов. Система генерирует несколько возможных интерпретаций (интентов) и создает уточненные (модифицированные) запросы для каждой из них. Затем она сравнивает, насколько результаты поиска по уточненным запросам похожи на результаты по исходному запросу. Интерпретация, чьи результаты наиболее схожи, признается наиболее вероятным намерением пользователя.
- US10353964B2
- 2015-03-11
Как Google рассчитывает универсальную оценку (MUS Score) для ранжирования локальных результатов и их смешивания с веб-поиском
Google использует механизм расчета Универсальной Оценки (MUS Score) для результатов локального поиска. Эта оценка позволяет сравнивать релевантность карт и локальных объектов с результатами из других вертикалей (например, веб-поиска) для формирования смешанной выдачи. Оценка агрегирует сигналы уверенности в адресе (Address Support), близости к пользователю (Viewport Support) и текстовой релевантности (Matching Score), определяя ранжирование в Local Pack.
- US8463774B1
- 2008-07-15
Как Google использует контекст запроса, местоположение и язык пользователя для распознавания неоднозначных названий локаций
Патент Google описывает систему для определения того, когда неоднозначная фраза в запросе (например, "Orange") относится к местоположению. Система анализирует сопутствующие слова (используя "Location Factors"), местоположение пользователя ("Origin Factor") и язык запроса ("Language Factor"). Это позволяет Google показывать локальные результаты (например, карты) для запросов со скрытым локальным интентом.
- US7987195B1
- 2008-04-08
Как Google использует популярность сущностей для понимания и структурирования запросов в вертикальном поиске
Google интерпретирует запросы в специализированных доменах (например, медиа, товары, музыка), используя базу данных сущностей с оценками популярности (Entity Scores). Система распознает сущности в запросе, разрешает неоднозначности с помощью этих оценок и контекста, и преобразует неструктурированный текстовый или голосовой запрос в структурированный поиск по конкретным полям (например, ищет имя актера в поле «Актер»).
- US9116918B1
- 2012-11-14
Как Google определяет, какие последовательности слов являются значимыми фразами, используя структуру документа и оценку подфраз
Патент описывает алгоритм для автоматического извлечения миллионов значимых фраз (концепций) из корпуса документов. Система анализирует семантические границы в тексте (заголовки, пунктуацию, форматирование) и применяет механизм оценки подфраз (Devolution). Это позволяет отличить устоявшиеся словосочетания от случайных комбинаций слов и построить индекс на основе концепций, а не только отдельных терминов.
- US8166045B1
- 2007-03-30
Как Google использует статистический машинный перевод для определения синонимов с учетом контекста запроса
Google применяет методы статистического машинного перевода (SMT) для расширения запросов в рамках одного языка. Система обучается на параллельных корпусах данных (например, пары Запрос-Сниппет из логов поиска), чтобы находить парафразы и контекстуально релевантные синонимы. Это позволяет Google точно понимать намерение пользователя, даже если ключевые слова многозначны, и улучшать результаты поиска за счет добавления правильных синонимов.
- US9002869B2
- 2008-03-17
Как Google использует анализ совместной встречаемости слов в запросах для оценки качества синонимов и контекстов
Google оценивает, является ли один термин хорошей заменой (синонимом) для другого, анализируя, какие другие слова часто появляются рядом с ними в поисковых запросах. Система строит векторы частот совместной встречаемости для обоих терминов и сравнивает их. Высокое сходство векторов подтверждает качество замены. Этот же механизм используется для определения того, добавляет ли конкретный контекст значимое семантическое значение к правилу замены.
- US8504562B1
- 2012-04-03
Как Google пессимизирует результаты, содержащие синонимы, если они используются вне контекста исходного запроса
Google классифицирует синонимы на надежные (Non-RLS) и контекстно-зависимые (RLS). Если документ ранжируется благодаря контекстно-зависимому синониму (RLS), но этот синоним используется в документе изолированно (без других слов запроса рядом), система значительно понижает оценку релевантности этого документа, предотвращая ранжирование нерелевантного контента.
- US8631019B1
- 2012-02-13
Как Google создает модель "идеального ответа" (Answer Term Vector) для оценки и выбора Featured Snippets
Google анализирует тысячи существующих пар Вопрос-Ответ в интернете, чтобы понять, какие термины чаще всего используются при ответе на конкретный вопрос. На основе этого анализа создается "Вектор Терминов Ответа" (Answer Term Vector) — эталонная модель ожидаемых слов и их важности. Затем кандидаты в Featured Snippet оцениваются по тому, насколько хорошо их текст совпадает с этим вектором.
- US10019513B1
- 2015-08-12
Как Google использует контекст топ-результатов для валидации синонимов и расширения запросов
Google использует механизм для предотвращения ошибок при расширении запросов синонимами или однокоренными словами. Система генерирует потенциальные альтернативные термины, но добавляет их к запросу только если они подтверждаются контекстом. Контекст определяется анализом терминов, найденных в топовых результатах поиска по исходному запросу. Это гарантирует, что расширение запроса остается семантически релевантным.
- US8055669B1
- 2003-03-03
Как Google идентифицирует лексические синонимы (стемминг, акронимы, аббревиатуры) и агрессивно использует их для расширения запросов
Патент описывает гибридную систему Google для генерации синонимов, комбинирующую статистический анализ логов запросов и лингвистический анализ. Ключевая особенность — механизм повышенного доверия к лексическим вариантам (например, словам с общим корнем, акронимам, разному написанию). Если система обнаруживает лексическую связь, она снижает статистические пороги, необходимые для валидации синонима, что позволяет агрессивнее расширять запрос пользователя.
- US9183297B1
- 2009-08-24
Как Google идентифицирует и игнорирует шаблонный контент (Boilerplate) для фокусировки на основном содержании страницы
Google использует методы для отделения основного содержания страницы от повторяющихся элементов (навигация, футеры, копирайты). Анализируя частоту повторений на сайте, пространственное расположение блоков, окружающий код и цели ссылок, система классифицирует контент как шаблонный (boilerplate) и исключает его из индексации или значительно понижает его вес.
- US8041713B2
- 2004-03-31