Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google использует оценку новизны (Novelty Score) для ранжирования новостей и блогов, отдавая приоритет первоисточникам
Google анализирует темпоральную последовательность документов (например, новости по одной теме) для выявления нового контента. Система идентифицирует «информационные фрагменты» (сущности, факты) и их взаимодействия. Документы, которые первыми вводят важные фрагменты или значительно дополняют существующие, получают более высокую оценку новизны (Novelty Score) и ранжируются выше, вытесняя вторичный контент.
- US7451120B1
- 2006-03-20
Как Google ранжирует сущности в Knowledge Graph, используя адаптивные веса для метрик вклада, известности и наград
Google использует систему для ранжирования сущностей, извлеченных из Knowledge Graph. Система рассчитывает четыре ключевые метрики: связанность, значимость типа, вклад и награды. Затем она применяет весовые коэффициенты, которые адаптируются в зависимости от типа сущности (например, «Фильм» или «Человек»), чтобы определить итоговый рейтинг. Это влияет на то, какие сущности будут показаны в каруселях, панелях знаний и других функциях поиска, связанных с сущностями.
- US10235423B2
- 2012-12-12
Как Google использует авторитетные сайты в органической выдаче для активации и позиционирования блоков с ответами (Answer Boxes)
Google определяет, когда показывать блок с ответом (Answer Box) или вертикальную интеграцию (погода, акции и т.д.), анализируя не только текст запроса, но и состав органической выдачи. Если в результатах присутствуют специфические авторитетные URL или ключевые слова (называемые «индикаторами блока ответов»), система с большей вероятностью покажет соответствующий блок. Эти индикаторы определяются заранее путем анализа того, какие сайты часто появляются по ключевым «исходным запросам» для данной темы.
- US9607087B1
- 2014-08-01
Как Google определяет сущности (например, болезни) по списку признаков (например, симптомов) в запросе пользователя
Google использует различные методы для ответа на запросы, содержащие список признаков (атрибутов), но не называющие саму сущность. Система определяет, какой тип сущности ищет пользователь (например, медицинское состояние по симптомам), и идентифицирует наиболее релевантные сущности. Для этого анализируется частота упоминания сущностей в результатах поиска по исходному запросу или используются специально сгенерированные комбинированные запросы.
- US8843466B1
- 2011-09-27
Как Google использует сущности, онтологии и векторные представления для кластеризации и организации поисковой выдачи
Google использует этот механизм для структурирования поисковой выдачи по широким запросам. Система группирует результаты в кластеры на основе их связи с сущностями из Базы Знаний. Для объединения кластеров используются онтологические связи (иерархия, синонимы) и векторная близость (embedding similarity). Система параллельно тестирует несколько алгоритмов и выбирает наилучшую структуру SERP на основе метрик качества (покрытие, баланс, пересечение, силуэт).
- US10496691B1
- 2015-09-08
Как Google использует топовые результаты поиска для активации и выбора блоков с ответами (Answer Boxes/Featured Snippets)
Google может активировать блоки с ответами (Answer Boxes или Featured Snippets), анализируя не только сам запрос, но и топовые результаты поиска. Если ресурсы в выдаче ассоциированы с определенной темой (Answer Box Topic), система покажет соответствующий блок. Это позволяет точнее выбирать ответ при неоднозначных запросах и подчеркивает роль данных, предоставленных издателями.
- US9355175B2
- 2011-05-27
Как Google ограничивает использование синонимов, требуя сохранения исходного контекста фразы
Google классифицирует синонимы по степени надежности. Если синоним считается ненадежным или узкоконтекстным (Phrase-Restricted Substitute Term), он должен появиться в документе рядом с теми же соседними словами, что и в исходном запросе. Если это условие не выполняется, документ может быть исключен из ранжирования еще на этапе отбора кандидатов.
- US20150205866A1
- 2012-05-31
Как Google отличает сетевые бренды от общих терминов и локальных компаний для улучшения локальной выдачи
Google использует несколько алгоритмов для автоматического определения, является ли бизнес сетевым (имеет много филиалов) и ищет ли пользователь именно его. Система анализирует триггерные слова (например, «адреса»), соотношение локальных и веб-запросов (Localness Score), частоту упоминания в названиях и категориях, а также географическое распределение запросов. Это позволяет точнее ранжировать результаты и показывать ближайшие точки на карте.
- US20140358971A1
- 2010-10-19
Как Google использует шаблоны сайтов и структурированные компоненты для извлечения и расширения наборов сущностей (Entity Set Expansion)
Патент описывает, как Google автоматически расширяет наборы данных (например, таблицы или списки). Система анализирует существующие сущности и ищет новые похожие элементы в интернете. Для этого используются два ключевых метода: анализ повторяющихся шаблонов веб-страниц (Template Analysis) и извлечение данных из структурированных компонентов (HTML-таблиц и списков) на сайтах.
- US8452791B2
- 2009-01-16
Как Google использует удаленный контекст в запросе ("Floating Context") для точного подбора синонимов
Google использует механизм для валидации синонимов, анализируя не только соседние слова в запросе (Adjacent Context), но и слова, расположенные далеко от исходного термина (Floating Context). Это позволяет точнее определять уместность синонима, опираясь на весь контекст запроса, и избегать неверных замен, если контекст их исключает.
- US8538984B1
- 2012-04-03
Как Google переводит GPS-координаты в концептуальные «Области Поиска» (Search Area) для локальной выдачи на мобильных устройствах
Google использует механизм для локального поиска, который абстрагируется от точных GPS-координат пользователя к концептуальной «Области Поиска» (например, магазин, торговый центр или район). Система выбирает наиболее подходящую область из иерархии вложенных территорий, учитывая контекст (точность координат, скорость движения), и использует её название как запрос для предоставления релевантных локальных результатов, в том числе при «пустых» запросах.
- US8396888B2
- 2010-11-24
Как Google использует результаты веб-поиска для выбора правильного ответа на неоднозначные фактические запросы
Google использует этот механизм для разрешения неоднозначности в запросах (например, «возраст Вашингтона»). Система генерирует несколько потенциальных ответов из Knowledge Graph, а затем проверяет, какой из них лучше всего подтверждается топовыми результатами органического поиска. Оценка кандидата зависит от того, насколько часто и уверенно Сущность (Topic) и Ответ (Answer) упоминаются (аннотируются) на страницах в топе выдачи.
- US9336269B1
- 2013-03-14
Как Google классифицирует коммерческие запросы, чтобы изменить алгоритм ранжирования и нейтрализовать манипуляции
Google использует систему для определения коммерческого намерения пользователя в реальном времени. Система использует предварительно созданный список коммерческих шаблонов, основанный на данных рекламодателей, анализе логов и выявлении манипулятивных техник (например, доменов с множеством дефисов). Если запрос классифицируется как коммерческий, Google применяет измененный алгоритм ранжирования, например, снижая вес ключевых слов в доменном имени, чтобы обеспечить непредвзятые результаты.
- US8046350B1
- 2003-09-24
Как Google использует контент, который вы сейчас просматриваете, для фильтрации и уточнения вашей поисковой выдачи
Google анализирует контекст веб-страницы или документа, который просматривает пользователь, чтобы определить основную тему (топик). Когда пользователь вводит запрос, система фильтрует результаты поиска, отдавая предпочтение тем документам, которые соответствуют этой контекстной теме, тем самым уточняя выдачу для неоднозначных запросов.
- US8762368B1
- 2012-04-30
Как Google генерирует сниппеты для фактических ответов, требуя близости вопроса и ответа в тексте источника
Патент Google описывает систему ответа на фактические запросы (Fact Query Engine). Для подтверждения факта, извлеченного из Fact Repository (аналог Knowledge Graph), система генерирует сниппеты из исходных веб-документов. Ключевое требование: сниппет должен содержать как термины из запроса пользователя, так и термины ответа, причем система предпочитает фрагменты, где они расположены близко друг к другу (Proximity).
- US7587387B2
- 2005-03-31
Как Google кластеризует, фильтрует и ранжирует популярные запросы для сервисов типа Google Trends
Патент описывает систему Google для определения популярных и быстрорастущих запросов (например, для Google Trends). Чтобы избежать дублирования и повысить качество, система группирует похожие запросы в кластеры, выбирает лучший репрезентативный запрос и ранжирует темы. Ранжирование учитывает общую популярность темы, качество результатов поиска (используя CTR, PageRank, длительность кликов) и популярность категории.
- US8145623B1
- 2009-05-01
Как Google обнаруживает неэффективные последовательности запросов и обучает пользователей контекстному поиску
Google анализирует последовательности запросов для выявления паттернов, при которых пользователи излишне повторяют контекст. При обнаружении такого паттерна Google отображает «Teachable Moment Interface» с подсказками о том, как задавать более короткие контекстные последующие запросы (например, с использованием местоимений), повышая эффективность поиска.
- US10120903B2
- 2015-10-15
Как Google извлекает факты из неструктурированного текста, используя «Контекстные Облака» для наполнения Knowledge Graph
Google использует механизм для понимания фактов и связей, описанных в свободном (неструктурированном) тексте. Система анализирует слова, окружающие сущность («Контекстное Облако»), и сравнивает этот контекст с тем, как эти слова используются в уже известных фактах. Это позволяет системе извлекать новую информацию и автоматически расширять Knowledge Graph, даже если контент не использует строгую разметку или шаблоны.
- US10102291B1
- 2015-07-06
Как Google связывает названия бизнесов с категориями для локального расширения запросов
Google использует систему для анализа названий и категорий бизнесов в конкретных географических регионах. Система определяет, можно ли однозначно связать название бизнеса (или его часть) с определенной категорией услуг. Если связь установлена, Google расширяет запросы, содержащие это название, добавляя соответствующую категорию. Это позволяет обобщать локальный поиск от конкретного бренда к общей услуге в данном регионе.
- US8983956B1
- 2013-03-15
Как Google использует связанные фразы и Information Gain для автоматической кластеризации и организации поисковой выдачи
Патент описывает комплексную систему перехода от индексации слов к индексации фраз. Google определяет статистическую связь между фразами с помощью меры Information Gain. Эти данные используются для автоматической организации поисковой выдачи в тематические кластеры (таксономию), группируя результаты по наиболее частым связанным фразам.
- US7426507B1
- 2004-07-26
Как Google создает поисковый индекс для NFT и интегрирует блокчейн (Web3) в результаты поиска
Google разрабатывает инфраструктуру для индексации данных напрямую из блокчейнов, фокусируясь на NFT. Система извлекает описания, историю транзакций и сами цифровые активы, следуя по ссылкам в блокчейне. Она оценивает качество и подлинность NFT, дедуплицирует контент и интегрирует проверенные NFT в поисковую выдачу как специализированные результаты.
- US20240305482A1
- 2022-07-18
Как Google определяет скрытый локальный интент в общих запросах на основе региональной популярности и использования Карт
Google анализирует, является ли общий запрос (без указания места) статистически более популярным в конкретном регионе или часто вводится через интерфейс Карт. Если да, система определяет запрос как «локально значимый», автоматически создает его локализованную версию и подмешивает местные результаты в основную выдачу, обеспечивая видимость локального контента.
- US9348925B2
- 2011-06-16
Как Google кластеризует документы на разных языках для улучшения поиска и выявления переводов
Google использует метод для объединения документов на разных языках в общие тематические кластеры. Все документы переводятся на единый базовый язык, затем анализируются ключевые слова, и на этой основе формируются кластеры. Это позволяет находить релевантные результаты независимо от языка запроса и определять, являются ли два документа переводом друг друга.
- US8639698B1
- 2012-07-16
Как Google делает поиск «сессионным» (stateful), объединяя параметры из последовательных запросов пользователя
Google может определять, когда несколько последовательных запросов пользователя являются частью одного исследования («линии запроса»). Система объединяет параметры из этих запросов, создавая «комбинированный запрос». Это позволяет пользователю постепенно уточнять поиск (особенно голосом), не повторяя предыдущие условия, делая процесс более естественным и контекстуальным.
- US11468052B2
- 2020-06-25
Как Google автоматически определяет и проверяет атрибуты, бренды и категории товаров, анализируя веб-контент и поведение пользователей
Google использует систему для автоматического извлечения и проверки «Структурных параметров» (бренды, атрибуты, категории, линейки продуктов) из неструктурированного веб-контента и логов запросов. Система валидирует классификацию с помощью анализа контекстуального сходства, целевого краулинга (поиск фраз типа «X является Y») и анализа распределения кликов. Это позволяет стандартизировать данные о товарах от разных продавцов и формировать структурированную E-commerce выдачу.
- US9171088B2
- 2011-04-06
Как Google использует бездействие пользователя для показа контекстных подсказок и обучения синтаксису поиска (Zero-Query Suggestions)
Google использует механизм показа поисковых подсказок до того, как пользователь начал вводить запрос. Если пользователь бездействует у строки поиска, система предлагает либо примеры использования расширенного синтаксиса (например, булевых операторов) для обучения, либо запросы, связанные с недавно просмотренным медиаконтентом (например, имена актеров из фильма, который пользователь смотрит на Smart TV).
- US9292622B2
- 2012-12-27
Как Google извлекает и ранжирует прямые ответы (Featured Snippets) из веб-страниц
Google использует систему для ответов на вопросы пользователей путем извлечения конкретных предложений из результатов поиска. Система оценивает предложения-кандидаты по трем критериям: насколько часто похожие фразы встречаются в других результатах (консенсус), насколько предложение соответствует запросу (релевантность) и насколько авторитетен источник (ранг документа). Лучшие ответы отображаются над стандартными результатами поиска.
- US8682647B1
- 2012-01-13
Как Google вычисляет семантическую схожесть контента с помощью векторов тем и косинусного сходства
Google использует механизм для эффективного определения семантической схожести документов. Система генерирует «Сигнатуру Документа» — вектор, состоящий из абстрактных тем (Topics) и весов (Weights), показывающих значимость каждой темы. Схожесть вычисляется путем сравнения этих векторов с использованием Косинусного Сходства (Cosine Similarity), что позволяет системе понимать тематические взаимосвязи в масштабе.
- US8886648B1
- 2012-01-31
Как Google использует окружающие слова для исправления опечаток в названиях брендов, продуктов и именах людей в запросах
Google создает базу данных, связывающую имена сущностей (бренды, люди, продукты) со словами, которые часто появляются рядом с ними (контекст). Когда пользователь допускает опечатку в имени, Google использует другие слова в этом запросе как контекстные подсказки, чтобы найти наиболее вероятную подразумеваемую сущность, учитывая её популярность, силу связи с контекстом и вероятность конкретной опечатки.
- US8402032B1
- 2011-03-24
Как Google использует Knowledge Graph для выбора формата отображения и ранжирования ответов на запросы с модификаторами (например, «лучший», «самый высокий»)
Google использует этот механизм для ответов на запросы, содержащие сущности и модификаторы (например, «самые высокие здания» или «лучшие фильмы»). Система анализирует запрос, извлекает данные из Knowledge Graph и автоматически определяет, как ранжировать результаты (например, по высоте или рейтингу) и в каком формате их представить (например, в виде списка, карты, временной шкалы или диаграммы) на основе свойств сущностей.
- US9390174B2
- 2012-08-08