Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google структурирует базу знаний (Онтологию): концепции, типы связей и направленная семантическая близость
Фундаментальный патент (Applied Semantics), описывающий структуру и методы создания Онтологии (Knowledge Graph). Система определяет концепции (сущности) через группы синонимов, устанавливает иерархические и латеральные связи между ними и присваивает этим связям количественную оценку силы (вес). Ключевая особенность — вес является направленным (асимметричным), что позволяет точно рассчитывать семантическое расстояние.
- US8051104B2
- 2003-12-30
Как Google автоматически обновляет устаревшие факты (время, цены, должности) внутри документов и электронных писем
Google использует систему для поддержания актуальности информации в документах (например, в Google Docs или Gmail). Система распознает сущности и их чувствительные ко времени атрибуты (например, время рейса или цену акции). Затем она проверяет актуальное значение через поисковую систему и предлагает пользователю обновить устаревшие данные в тексте.
- US9607032B2
- 2014-05-12
Как Google связывает запросы с сущностями для формирования выдачи, подсказок и определения доминирующего интента
Google использует систему для определения того, какие сущности (люди, места, объекты) подразумеваются в поисковом запросе. Система анализирует, насколько релевантны топовые документы запросу и насколько центральное место в этих документах занимает конкретная сущность. На основе этого рассчитывается оценка Entity Score, которая определяет ранжирование сущностей для запроса. Этот механизм используется для показа блоков знаний, организации поисковой выдачи и предоставления уточняющих поисковых подсказок.
- US20160224621A1
- 2013-03-13
Как Google рассчитывает метрику социального ранжирования (Social Ranking Score) для оценки популярности контента
Google рассчитывает метрику социального ранжирования (Social Ranking Score) для контента, анализируя и классифицируя социальные взаимодействия пользователей (лайки, шеры, комментарии). Система присваивает разные веса разным типам активностей (например, шер ценится выше просмотра) и учитывает количество и качество этих взаимодействий для определения популярности контента и генерации рекомендаций.
- US9483528B1
- 2013-03-20
Как Google использует популярность сущностей в Веб-поиске для ранжирования результатов в Вертикальном поиске (Музыка, Книги, Товары)
Google улучшает ранжирование в специализированных поисковых вертикалях (например, Музыка, Книги, Товары), где данных для оценки контента недостаточно (Sparse Corpora). Система использует сигналы из основного Веб-поиска (популярность запросов, CTR веб-страниц), чтобы определить авторитетность и популярность сущностей (песен, книг, товаров) и скорректировать их позиции в вертикальной выдаче.
- US9779140B2
- 2012-11-16
Как Google нормализует и объединяет разнородные сигналы для ранжирования критериев таргетинга в рекламных системах
Патент Google, описывающий методы ранжирования критериев распространения контента (например, ключевых слов или мест размещения для рекламы). Система объединяет основной сигнал (например, релевантность) с вспомогательными (CTR, показы), используя математические трансформации для уменьшения искажений данных (Skewness) и гарантируя, что отсутствие данных по сигналу не пессимизирует критерий. Патент относится к AdTech, а не к органическому поиску.
- US9501549B1
- 2014-04-28
Как Google создает интерактивные временные шкалы (Timelines) событий, фильтруя результаты по авторитетности источников
Google использует двухэтапную систему для генерации временных шкал. Сначала система определяет значимые события, анализируя всплеск публикаций от широкой категории источников (например, всех СМИ) в определенные интервалы времени. Затем для этих событий выбираются лучшие результаты исключительно от самых авторитетных источников (например, топовых СМИ), которые отображаются в хронологическом порядке.
- US20200074007A1
- 2018-08-30
Как Google определяет географическую релевантность документа, анализируя неоднозначные термины и названия мест
Google использует классификатор местоположений для определения географической привязки документа, даже если в нем нет точного адреса. Система анализирует неоднозначные термины (например, названия районов или улиц) и использует профили георелевантности (гистограммы), показывающие, где эти термины чаще всего используются. Перемножая эти профили, Google разрешает неоднозначность и вычисляет наиболее вероятное местоположение контента.
- US7716162B2
- 2004-12-30
Как Google определяет язык запроса, используя язык интерфейса и статистику по словам для добавления правильных диакритических знаков
Google использует механизм для точного определения языка, на котором пользователь вводит запрос, особенно когда слова неоднозначны или не содержат диакритических знаков. Система анализирует язык интерфейса пользователя и статистику использования слов в разных языках. Это позволяет Google понять, какие диакритические знаки (например, акценты) следует добавить к запросу, чтобы найти наиболее релевантные документы на правильном языке.
- US8762358B2
- 2006-04-19
Как Google использует многоэтапное ранжирование и автоматическое расширение запросов для повышения релевантности выдачи
Google использует многоэтапную систему ранжирования для эффективной оценки сложных сигналов, таких как близость терминов, атрибуты (заголовки, шрифты) и контекст. Система также автоматически анализирует топовые результаты, чтобы найти дополнительные термины для расширения исходного запроса (Relevance Feedback), улучшая релевантность в последующих итерациях поиска.
- US8407239B2
- 2004-08-13
Как Google использует "Белые списки" для определения локального интента и подмешивания локальных результатов, если город в запросе не указан
Google применяет систему для выявления неявного локального интента в запросах без указания местоположения (например, "пицца"). Система проверяет запрос по двум разным "Белым спискам" (Whitelists). В зависимости от того, известно ли местоположение пользователя (из профиля или cookie), система либо автоматически добавляет локальные результаты (Local Pack), либо сначала запрашивает у пользователя его локацию.
- US8359300B1
- 2007-04-03
Как Google динамически выбирает текст для сниппета, основываясь на типе запроса и структуре документа
Google использует адаптивную систему для генерации сниппетов в результатах поиска. Система анализирует тип запроса (например, поиск по автору или по содержанию) и местоположение ключевых слов в документе. На основе этого выбирается алгоритм генерации. Параграфы оцениваются по их длине, позиции в документе, качеству текста и форматированию, чтобы выбрать наиболее информативный фрагмент, часто отдавая предпочтение введению или резюме.
- US8145617B1
- 2005-11-18
Как Google использует визуальное сходство изображений для проверки качества перевода и улучшения кросс-язычного поиска (CLIR)
Google проверяет точность перевода фраз, сравнивая визуальное сходство результатов поиска по картинкам и видео для исходной фразы и её перевода. Если топовые визуальные результаты похожи и показывают высокое качество взаимодействия, перевод считается валидным. Этот механизм используется для расширения запроса и показа релевантного контента на других языках (Cross-Lingual Information Retrieval).
- US8538957B1
- 2009-06-03
Как Google использует графы сущностей для точного семантического сопоставления запросов и контента
Google применяет семантический подход к выбору контента, строя «граф запроса» на основе сущностей в запросе и их связей в Knowledge Graph. Этот граф затем сопоставляется с «графами критериев выбора контента». Система также может автоматически генерировать эти критерии, анализируя целевой контент и выявляя статистически значимые семантические шаблоны.
- US9501530B1
- 2014-04-01
Как Google идентифицирует первоисточник текста на изображении, анализируя OCR и структуру верстки (Structural Information)
Google использует эту технологию для обработки визуальных запросов (например, фотографий текста). Анализируя как распознанный текст (OCR), так и его точную верстку (шрифт, расположение, размеры — структурную информацию), Google идентифицирует оригинальный авторитетный источник (канонический документ). Это позволяет найти точное издание или формат, гарантируя совпадение не только содержания, но и внешнего вида.
- US8811742B2
- 2011-12-01
Как Google разбирает локальные запросы на «Что» и «Где» для повышения точности выдачи
Google использует механизм для интерпретации локальных запросов, введенных в одну строку. Система генерирует различные комбинации разделения запроса на тему («Что») и местоположение («Где»), отправляет их в разные базы данных (например, Карты, Локальный поиск) и использует оценки уверенности (Confidence Scores) для выбора наилучшей интерпретации.
- US7917490B2
- 2007-07-09
Как Google находит, извлекает и ранжирует определения из интернета для формирования словарных блоков в выдаче
Google использует систему для автоматического поиска веб-страниц, содержащих глоссарии или словари. Система идентифицирует эти страницы по ключевым словам в заголовке (например, «глоссарий»), анализирует их HTML-структуру (теги
- ,
- ,
- ) для извлечения пар «термин-определение» и ранжирует результаты на основе авторитетности источника (PageRank).
- US8255417B2
- 2003-06-27
Как Google определяет характер районов и neighborhoods на основе данных о бизнесе, демографии и недвижимости
Система Google для автоматического понимания характеристик географических областей (например, «дорогой район», «центр индийской кухни»). Система анализирует распределение бизнес-листингов, демографические данные и информацию о недвижимости, чтобы присвоить регионам классификации. Эти данные используются для улучшения локального поиска и персонализации результатов в зависимости от характера местности и предпочтений пользователя.
- US20150019551A1
- 2011-10-12
Как Google извлекает факты напрямую из веб-страниц для формирования прямых ответов (Featured Snippets / Answer Boxes)
Google использует систему для динамического извлечения фактов из веб-индекса. Когда поступает фактический запрос, система определяет ожидаемый тип ответа (например, дата, число, имя), анализирует топовые результаты поиска и извлекает соответствующие фразы. Эти фразы нормализуются, оцениваются по частоте, контексту и авторитетности источника, и лучший вариант показывается в виде прямого ответа.
- US8655866B1
- 2011-02-10
Как Google использует фразовую индексацию и многоуровневую архитектуру (Primary/Secondary Index) для масштабирования поиска и определения тематической релевантности
Google использует архитектуру множественных индексов (Primary и Secondary) для эффективной индексации миллиардов документов на основе фраз. Система определяет связанные фразы с помощью показателя Information Gain и использует эти данные для ранжирования. Primary Index хранит только наиболее релевантные документы в порядке ранжирования, в то время как Secondary Index хранит остальные, оптимизируя хранение и скорость.
- US7567959B2
- 2005-01-25
Как Google определяет релевантность локальных результатов и решает, когда показывать их первыми в выдаче
Google анализирует запрос, чтобы предсказать, ищет ли пользователь локальную информацию. Если да, система автоматически использует текущее или сохраненное местоположение пользователя для генерации локальных результатов. Затем, используя "белые" (Whitelist) и "черные" (Blacklist) списки запросов, Google решает, насколько высоко ранжировать эти локальные результаты по сравнению с обычными веб-результатами или когда следует запросить у пользователя уточнение местоположения.
- US8005822B2
- 2007-01-17
Как Google использует структурированные данные для борьбы с дублированием страниц с одинаковыми сущностями (например, фасеты и сортировки)
Google анализирует структурированные данные (например, Schema.org) на веб-страницах, чтобы определить, какие сущности (товары, объекты) на них представлены. Если несколько страниц, особенно с одного сайта, содержат одинаковый набор сущностей (например, листинги с разной сортировкой), Google идентифицирует их как дубликаты. Система понижает или удаляет эти дубликаты из выдачи для повышения разнообразия результатов.
- US20140280084A1
- 2013-03-15
Как Google стандартизирует и расширяет географическую релевантность сайтов на соседние локации
Google использует систему Семантических Геотокенов для стандартизации упоминаний местоположений на веб-страницах. Система не только определяет точное местоположение, но и ассоциирует ресурс с соседними географическими областями. Это позволяет сайту ранжироваться по запросам в близлежащих локациях, даже если они явно не упомянуты на странице.
- US8949277B1
- 2010-12-30
Как Google формирует персонализированные поисковые подсказки (Autocomplete) на основе контента пользователя (например, в Gmail)
Google использует механизм для улучшения поисковых подсказок (Autocomplete) в таких сервисах, как Gmail. Система анализирует корпус документов пользователя, распознает сущности (например, email-адреса, имена) и предлагает их в качестве подсказок. Это помогает пользователю быстрее находить нужный контент, предлагая контекстуализированные подсказки (например, полный контакт) вместо отдельных слов.
- US20140201229A1
- 2013-08-19
Как Google определяет контекстную значимость слов в запросе, делая неважные термины опциональными при поиске
Google использует систему для определения значимости слов в поисковом запросе в зависимости от их контекста. Анализируя историю запросов, система выявляет, меняется ли выдача при добавлении определенного слова. Если выдача остается схожей, слово признается малозначимым в данном контексте. При обработке запроса такие слова становятся опциональными (необязательными для нахождения в документе) и получают пониженный вес при ранжировании.
- US8346757B1
- 2005-03-28
Как Google использует контекст поисковой сессии для исправления ошибок и уточнения запросов пользователя
Google использует механизм для интеллектуального исправления ошибок в запросах (опечаток или неверно употребленных слов), опираясь на контекст текущей поисковой сессии. Вместо стандартного исправления по словарю, система анализирует предыдущие запросы пользователя, чтобы понять его намерение, и предлагает вариант исправления, который соответствует теме поиска.
- US7953746B1
- 2007-12-07
Как Google генерирует сниппеты для Sitelinks, используя контент целевых страниц, а не исходный запрос
Google использует специальный метод для генерации сниппетов в расширенных результатах поиска (Sitelinks). Сниппет для главной страницы часто основан на запросе пользователя, но сниппеты для внутренних ссылок (sub-documents) генерируются на основе "репрезентативных ключевых слов" (например, Title) самой внутренней страницы, а не исходного навигационного запроса. Это позволяет сделать описание Sitelinks более точным и релевантным теме целевой страницы.
- US9081831B2
- 2013-03-14
Как Google комбинирует текстовый запрос и изображение-образец для уточнения поиска по картинкам
Google использует механизм для обработки гибридных запросов (текст + изображение). Система находит изображения, которые одновременно релевантны тексту и визуально похожи на образец. Для этого создаются компактные визуальные дескрипторы и используются "визуальные ключи" для быстрого поиска. Финальная выдача ранжируется по степени визуального сходства с образцом.
- US9043316B1
- 2012-03-28
Как Google использует Information Gain для автоматического определения значимых фраз и построения семантических связей между ними
Google использует статистический метод для автоматического определения «значимых» фраз в корпусе документов. Система анализирует частоту употребления, форматирование (например, анкорный текст) и совместную встречаемость фраз. Используя метрику Information Gain, система выявляет фразы, которые предсказывают появление других фраз, формируя семантические кластеры. Это позволяет поисковой системе понимать контент на уровне концепций, а не отдельных слов.
- US7580921B2
- 2004-07-26
Как Google автоматически генерирует персонализированные "псевдо-биографии" для экспертов в результатах поиска
Google использует систему для идентификации экспертов (Authoritative Users) и автоматического создания сниппетов, объясняющих их релевантность конкретному запросу. Эти сниппеты, или «псевдо-биографии», генерируются офлайн путем анализа профилей и публикаций экспертов в компьютерных сервисах (например, социальных сетях) и отображаются в поисковой выдаче для подтверждения их экспертизы.
- US9087130B2
- 2012-10-04