Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google использует выделение деталей на изображении для уточнения визуального поиска и комбинирования результатов
Google использует технологию, позволяющую пользователям уточнять визуальные запросы путем произвольного выделения конкретных деталей на изображении (например, обводя или закрашивая элемент). Система интерпретирует это действие для понимания истинного намерения пользователя. Используя визуальные эмбеддинги, система находит результаты, релевантные как выделенному признаку, так и объекту в целом, и предоставляет комбинированную выдачу, сохраняя контекст исходного запроса.
- US12072925B2
- 2022-03-18
Как Google автоматически определяет ключевые характеристики (атрибуты) сущностей, анализируя неструктурированный веб-контент
Google использует этот механизм для автоматического определения схемы (набора атрибутов) для любой сущности. Анализируя, как различные веб-страницы описывают набор схожих объектов (например, список фильмов), система выявляет новые релевантные характеристики (например, «Режиссер», «Время выполнения»), извлекая их из таблиц, списков или шаблонов страниц в интернете.
- US8615707B2
- 2009-01-16
Как Google определяет и ранжирует наиболее важные факты о сущности на основе совместных упоминаний в интернете
Google использует механизм для определения наиболее важных свойств (фактов) о сущности в контексте ее типа. Система анализирует частоту совместного упоминания (co-occurrence) сущности и связанных с ней сущностей в интернете (Related Entity Score), агрегирует эти данные для каждого свойства (Property Score) и сортирует свойства по важности. Это определяет, какие факты будут показаны первыми в результатах поиска, например, в Панели знаний.
- US9256682B1
- 2012-12-05
Как Google использует физическое местоположение пользователя и категории ближайших бизнесов (POI) для адаптации поисковых подсказок
Google использует физическое местоположение пользователя для адаптации поисковых подсказок (Autocomplete). Система определяет категории ближайших точек интереса (POI), например, «электроника» или «продукты». Затем она предлагает запросы, которые статистически чаще задают пользователи, находящиеся рядом с бизнесами этой категории. Это позволяет адаптировать подсказки к текущему контексту и намерениям пользователя.
- US9111011B2
- 2012-12-27
Как Google определяет локальный интент на уровне кластеров запросов для автоматического добавления локальных расширений
Google анализирует кластеры похожих поисковых запросов для определения их коллективного локального интента. Если достаточный процент запросов в кластере вызывает срабатывание локальных функций поиска (например, карт или локальной панели знаний), весь кластер помечается как «высокий локальный интент». Когда пользователь вводит запрос из этого кластера, Google автоматически добавляет локальные расширения (адреса, телефоны) к соответствующим результатам или рекламе.
- US11397737B2
- 2019-10-30
Как Google использует контекстно-зависимые шаблоны запросов для понимания локальных поисковых запросов
Google анализирует исторические логи поиска, чтобы понять, как пользователи в разных странах и на разных языках структурируют географические запросы. Система генерирует вероятностные Шаблоны Запросов (Query Templates) и рассчитывает вероятность их корректности в зависимости от контекста пользователя (локаль, язык, устройство). Это позволяет точнее интерпретировать неоднозначные локальные запросы и адаптироваться к региональным особенностям.
- US9753945B2
- 2013-03-13
Как Google использует семантические сигнатуры на основе фраз для выявления и удаления дубликатов контента
Google использует механизм для обнаружения дубликатов и почти дубликатов контента. Система анализирует, какие семантически связанные фразы (related phrases) содержатся в документе. Затем она выбирает несколько ключевых предложений с наибольшей концентрацией этих фраз для создания уникальной сигнатуры документа. Если сигнатуры двух документов совпадают, они считаются дубликатами и удаляются из индекса или поисковой выдачи.
- US7711679B2
- 2004-07-26
Как Google находит ответы на фактологические вопросы, анализируя консенсус сущностей в топе поисковой выдачи
Google использует этот механизм для автоматического ответа на фактологические вопросы путем анализа неструктурированного текста топовых результатов поиска. Система определяет, какая сущность (например, человек, место) чаще всего упоминается на авторитетных страницах. Эта наиболее часто упоминаемая сущность, с учетом нормализации частоты и веса источника, выбирается в качестве ответа.
- US9477759B2
- 2013-03-15
Как Google автоматически находит похожие страницы внутри одного сайта, используя текст текущей страницы как запрос (Query by Example)
Анализ патента Google, описывающего технологию автоматического поиска связанного контента внутри одного веб-сайта. Система анализирует текст просматриваемой страницы, извлекает и взвешивает ключевые термины на основе их уникальности, а затем использует их как поисковый запрос (Query by Example) для нахождения тематически похожих документов на том же сайте. Используются классические формулы информационного поиска (TF-IDF/BM25).
- US8756212B2
- 2009-07-06
Как Google использует ИИ для анализа отзывов и создания «Бейджей», выделяющих конкретные сценарии использования продуктов в поиске
Google разрабатывает систему автоматического создания «Бейджей» для продуктов на основе анализа веб-данных (отзывов, описаний, FAQ) с помощью машинного обучения. Эти бейджи выделяют конкретные сценарии использования, преимущества или недостатки продукта (например, «Подходит для новичков» или «Хорош для путешествий»). Бейджи используются для ранжирования и аннотирования результатов поиска, помогая пользователям быстрее сравнивать товары.
- US20240378256A1 (Заявка на патент)
- 2024-04-16 (Приоритет от 2023-05-09)
Как Google показывает блоки с ответами (Answer Boxes) прямо в поисковых подсказках во время ввода запроса
Google может показывать блоки с готовыми ответами (Answer Boxes) прямо в интерфейсе поисковых подсказок, ещё до того, как пользователь отправил запрос. Система прогнозирует наиболее вероятный полный запрос ("Dominant Query") на основе частичного ввода, истории поиска и данных профиля пользователя (например, местоположения), и если для этого запроса существует готовый ответ, он отображается немедленно.
- US8538982B2
- 2010-08-31
Как Google индексирует, верифицирует и ранжирует действия (Actions) на сайтах и в приложениях для выполнения задач пользователя
Google индексирует не только контент, но и действия (Actions), которые можно выполнить на сайте или в приложении (например, «Слушать», «Забронировать»). Система определяет тип действия и необходимые параметры, проверяет (Verification) работоспособность действия и использует эту информацию (Action Score) для ранжирования, чтобы отвечать на запросы, подразумевающие выполнение задачи.
- US10013496B2
- 2015-06-18
Как Google использует вероятностные иерархические модели для определения скрытых концепций (тем) в запросах и документах
Google использует генеративную вероятностную модель для понимания семантики текста. Система обучается на больших объемах данных (например, поисковых сессиях), выявляя скрытые "кластеры" (концепции или темы), которые объясняют совместное появление слов и фраз. Любой текст (запрос или документ) затем характеризуется вектором, показывающим степень активации этих концептуальных кластеров, что позволяет сравнивать документы по смыслу, а не только по ключевым словам.
- US7383258B2
- 2003-09-30
Как Google использует пары «Сущность-Действие» для таргетинга и отображения рекламы в результатах поиска
Google использует механизм показа рекламы, основанный не на ключевых словах, а на парах «Сущность-Действие» (Entity-Action pairs). Система определяет сущность в запросе (например, фильм) и связанные с ней действия (например, «стриминг» или «купить DVD»). Для каждого действия проводятся отдельные аукционы, что позволяет разным типам рекламодателей конкурировать в своих нишах. Формат показа рекламы динамически меняется в зависимости от того, насколько точно запрос соответствует действию.
- US20140258014A1
- 2013-03-05
Как Google создает тематические анимированные превью для SERP, анализируя и кластеризируя изображения на странице
Google использует систему для генерации анимированных сниппетов (например, GIF) в результатах поиска. Система анализирует страницу, идентифицирует постоянные изображения (исключая рекламу и иконки), оценивает их расположение и качество, и группирует их по темам. Для одной страницы создается несколько анимированных превью. При получении запроса Google выбирает то превью, которое наиболее релевантно теме запроса, улучшая визуальное представление выдачи.
- US10503803B2
- 2016-11-23
Как Google адаптирует содержимое Панели Знаний под контекст поискового запроса пользователя
Google использует механизм для динамической настройки Панели Знаний. Система анализирует не только главную сущность в запросе, но и дополнительные контекстные термины. На основе этого контекста система переранжировывает факты и контент внутри панели, выделяет наиболее релевантную информацию и меняет порядок блоков, чтобы точнее ответить на интент пользователя.
- US10402410B2
- 2015-12-16
Как Google использует отзывы для сравнения, фильтрации и ранжирования сущностей в поиске
Патент Google описывает систему, которая позволяет пользователям искать внутри отзывов (UGR) сразу по нескольким сущностям (например, отелям или товарам) и сравнивать их в едином интерфейсе. Система индексирует отзывы как отдельные документы и использует их содержание для обнаружения сущностей, фильтрации результатов основного поиска и в качестве сигналов ранжирования веб-страниц.
- US11568004B2
- 2020-07-14
Как Google использует кластеризацию контента и результаты поиска для определения авторства и формирования профилей сущностей
Google использует механизм для точной ассоциации контента (статей, веб-страниц) с конкретными сущностями (авторами, людьми). Система предварительно группирует похожий контент в кластеры. При запросе имени автора система ранжирует эти кластеры, сравнивая их содержимое с результатами поиска по этому имени. Это позволяет разрешать неоднозначность авторов, формировать точные профили (например, в Google Scholar или Knowledge Graph) и автоматически их обновлять.
- US9400789B2
- 2013-07-17
Как Google изучает свойства и атрибуты сущностей, анализируя логи поисковых запросов пользователей
Google использует автоматизированный метод для построения базы знаний о сущностях (Entity) и их атрибутах (Attribute). Система анализирует миллионы поисковых запросов, выявляя лингвистические паттерны (например, «столица Франции»). Это позволяет понять, какие атрибуты важны для разных типов сущностей (например, «население» для города, «побочные эффекты» для лекарства), и сформировать структурированное знание об объектах реального мира.
- US8005842B1
- 2007-05-18
Как Google использует мультимодальный поиск (изображение + голос) для более точного понимания запросов и ранжирования результатов
Google использует механизм мультимодального поиска, обрабатывая запросы, которые одновременно содержат изображение (например, фото) и аудио (например, голосовое описание или уточнение). Система анализирует визуальные признаки и конвертирует речь в текст, используя совместную модель релевантности для поиска ресурсов (таких как товары или веб-страницы), которые соответствуют обоим типам входных данных.
- US8788434B2
- 2010-10-28
Как Google определяет главную тему страницы (Topical Entity), используя графы сущностей и анализ SERP Features
Google анализирует сущности на странице для определения «Topical Entity» (главной темы). Для этого используются графы сущностей, основанные на совместной встречаемости, и анализ результатов поиска. Присутствие сущности в Title/URL и активация специальных SERP features (Shopping, Maps) могут подтвердить главную тему, даже если страница ранжируется низко. Это понимание используется для генерации релевантного дополнительного контента.
- US10068022B2
- 2011-06-03
Как Google объединяет органические результаты, рекламу бренда и контент ритейлеров в единый обогащенный блок выдачи
Google использует механизм для слияния топового органического результата и рекламного объявления, если они относятся к одному и тому же бренду (сущности). Это создает единый обогащенный блок (Combined Content Item). Затем этот блок дополняется контентом от связанных сущностей (например, ритейлеров), который может выбираться через дополнительный аукцион.
- US9298779B1
- 2013-07-16
Как Google использует архитектуру «Generative Companion» для ведения диалогового поиска с сохранением контекста и выбора специализированных LLM (SGE)
Google патентует архитектуру диалогового поиска («Generative Companion»), которая поддерживает состояние пользователя (контекст, историю запросов и взаимодействий) на протяжении всей сессии. Система использует начальную LLM для генерации «синтетических запросов», классифицирует намерение пользователя на основе текущего состояния и динамически выбирает специализированные «Downstream LLM» (для суммаризации, креатива или уточнения) для формирования финального генеративного ответа.
- US20240289407A1
- 2024-02-27
Как Google агрегирует экспертные знания из разных источников для создания контекстно-зависимой поисковой выдачи
Патент Google описывает механизм агрегирования «контекстных данных» (правил, аннотаций, фильтров) из нескольких Программируемых Поисковых Систем (PSE), созданных сторонними экспертами. Если несколько PSE посвящены схожей тематике, система объединяет их знания. Это позволяет предоставить пользователю единую, обогащенную выдачу, которая учитывает коллективную экспертизу и контекст запроса (например, покупка или решение проблемы).
- US7716199B2
- 2005-08-10
Как Google объединяет и нормализует результаты из разных индексов (веб и мобильного) для пользователей мобильных устройств
Google использует систему смешивания (Results Mixer) для объединения выдачи из разных поисковых движков (например, основного веба и мобильного веба). Поскольку движки используют разные формулы ранжирования, система нормализует оценки, используя классификацию запросов, свойства контента и калибровку на основе человеческих оценок. Также описан механизм дедупликации, отдающий приоритет мобильной версии контента.
- US7962477B2
- 2008-01-24
Как Google определяет связанные сущности, анализируя их совместное появление в списках и корректируя результат с учетом их глобальной популярности
Google использует алгоритм расширения набора сущностей (Set Expansion). Система анализирует списки, в которых исходные сущности (seeds) появляются вместе с другими. Чтобы найти действительно связанные сущности, а не просто популярные, система корректирует оценку, используя «фоновую вероятность» (глобальную популярность). Это позволяет продвигать нишевые, но тесно связанные сущности.
- US9477758B1
- 2012-07-19
Как Google использует фиды данных для связи продуктов и услуг с сущностями в Knowledge Graph и показа коммерческих предложений в Knowledge Panel
Google позволяет поставщикам контента (например, стриминговым сервисам, интернет-магазинам) загружать фиды данных о своих товарах и услугах. Система автоматически связывает элементы фида с конкретными сущностями (например, фильмами, книгами) и действиями (например, «смотреть онлайн», «купить»). Это позволяет показывать релевантные коммерческие предложения в Knowledge Panel и проводить отдельные аукционы для разных типов действий.
- US9953085B1
- 2013-07-01
Как Google использует вероятностное тематическое моделирование для ранжирования видео и медиаконтента с недостатком текста
Google применяет вероятностную модель для улучшения поиска медиаконтента, такого как видео, где текстовых данных мало. Система определяет скрытые темы (Domain Topics) запроса P(T|Q) и находит контент, релевантный этим темам P(R|T). Это позволяет ранжировать видео, даже если оно не содержит ключевых слов из запроса, используя данные о кликах и базы знаний для установления связей.
- US8620951B1
- 2012-06-01
Как Google выбирает контекстуально релевантные изображения для блоков с ответами (Featured Snippets и Direct Answers)
Google улучшает блоки с ответами, добавляя релевантные изображения. Система объединяет вопрос и ответ в «контекстуальный запрос» для поиска изображений. Затем эти изображения фильтруются и переранжируются, чтобы гарантировать, что они представляют как тему вопроса, так и контекст ответа, обеспечивая более точное визуальное представление.
- US8819006B1
- 2013-12-31
Как Google учится выводить недостающие факты для Графа Знаний, анализируя текст в интернете и существующие связи
Система Google для заполнения пробелов в Графе Знаний. Если факт отсутствует (например, отношение «дедушка»), система ищет текстовые подтверждения в интернете («A — дедушка B»). Затем она анализирует существующие связи в графе (например, A — родитель C, C — родитель B) и выводит правило (Родитель + Родитель = Дедушка). Это позволяет отвечать на фактические запросы, даже если связь явно не указана в базе знаний.
- US9842166B1
- 2014-08-08