SEO HARDCORE
  • Разборы патентов
    • Патенты Google
  • Скоро SEO инструменты
  • Скоро SEO аналитика
  • seohardcore
SEO HARDCORE

Разборы патентов Google для SEO

Разобрано 1 300 из ~2 500
  • Ссылки
  • Поведенческие сигналы
  • Антиспам
  • Семантика и интент
  • EEAT и качество
  • SERP
  • Персонализация
  • Индексация
  • Мультимедиа
  • Local SEO
  • Техническое SEO
  • Knowledge Graph
  • Свежесть контента
  • Краулинг
  • Структура сайта
  • Мультиязычность
  • Безопасный поиск
  • Google Shopping
Как Google определяет, когда показывать экспертов (авторитетных пользователей) в результатах поиска
Google использует систему для идентификации «триггерных запросов», которые активируют показ списка экспертов или авторитетных пользователей (например, из социальной сети) по данной теме. Система рассчитывает совокупную оценку авторитетности для запроса и сравнивает её с динамическим порогом, который зависит от популярности и типа запроса, чтобы решить, стоит ли показывать блок с экспертами.
  • US9183251B1
  • 2012-12-21
  • EEAT и качество

  • SERP

Как Google использует визуальные доказательства из изображений для подтверждения информации о местах (POI) и повышения доверия к данным
Google разработал систему для повышения доверия к данным о точках интереса (POI). Система извлекает фактическую информацию (адреса, часы работы, услуги) из изображений (Street View, фото пользователей) с помощью компьютерного зрения и помечает её как «визуально проверяемую». При ответе на запрос система может показать исходное изображение и аннотировать (выделить или увеличить) ту его часть, которая подтверждает предоставленную информацию.
  • US20230044871A1
  • 2020-12-29
  • EEAT и качество

  • Мультимедиа

  • Индексация

Как Google использует базу данных сущностей (Knowledge Graph) для формирования прямых ответов на вопросы о фактах
Google использует систему для идентификации запросов, направленных на получение фактов о конкретной сущности (Entity-Triggering Questions). Система анализирует топовые результаты поиска, определяет, какие сущности чаще всего ассоциируются с этими документами, и выбирает наиболее релевантную сущность. Затем система извлекает запрошенный атрибут (например, адрес, дату рождения) из своей базы данных сущностей или находит лучший сниппет, содержащий этот факт, чтобы предоставить прямой ответ пользователю.
  • US9081814B1
  • 2013-03-12
  • Knowledge Graph

  • Семантика и интент

  • SERP

Как Google использует местоположение пользователя для понимания и переписывания неявных запросов о ближайших объектах
Google использует механизм для интерпретации неявных запросов (например, «часы работы» или «меню»), основанный на точном местоположении пользователя. Система определяет ближайшие организации, понимает, к какому типу бизнеса относится запрос, и переписывает его, добавляя название наиболее подходящей организации (например, «меню [Название ресторана]»), используя популярность и рейтинги для выбора лучшего варианта среди конкурентов.
  • US10474671B2
  • 2015-05-08
  • Local SEO

  • Семантика и интент

  • Индексация

Как Google использует изображения и видео на экране пользователя для уточнения неоднозначных поисковых запросов
Google может анализировать активные нетекстовые данные (изображения или видео), отображаемые на устройстве пользователя в момент ввода запроса. Если запрос неоднозначен (например, содержит местоимения или общие фразы), система извлекает из визуального контента сущности, текст (через OCR) или структурированные данные (QR-коды) и использует их для автоматической модификации запроса, чтобы лучше понять намерение пользователя и предоставить точные результаты или инициировать действия.
  • US9830391B1
  • 2014-06-24
  • Семантика и интент

  • Мультимедиа

  • Персонализация

Как Google использует шаблоны запросов для выявления скрытых вопросов в неоднозначных поисковых запросах
Google определяет, когда неоднозначный запрос (например, "высота Эвереста") на самом деле ищет конкретный ответ. Система сопоставляет запрос с историческими шаблонами поиска (Query Templates). Если этот шаблон связан с явным, валидированным вопросительным шаблоном (например, "какова высота Эвереста?"), Google классифицирует исходный запрос как поиск ответа, что влияет на SERP и показ Featured Snippets.
  • US9898554B2
  • 2013-11-18
  • Семантика и интент

  • SERP

Как Google динамически выбирает, форматирует и приоритизирует контент внутри Панели Знаний
Google использует систему для динамической генерации Панелей Знаний. Для сущности определяются релевантные элементы контента (факты, изображения, события), которые классифицируются и оцениваются по популярности/релевантности (Rank Score). Система выбирает, какие категории контента показать и в каком формате (модуле), основываясь на этих оценках и строгих ограничениях по верстке (Panel Constraints), гарантируя приоритет наиболее важной информации.
  • US9477711B2
  • 2013-03-15
  • Knowledge Graph

  • SERP

  • Семантика и интент

Как Google определяет, ищет ли пользователь информацию НА сайте сущности (бренда/издателя) или О ней, и переписывает запрос
Google использует систему для распознавания сущностей (например, брендов, новостных изданий) в поисковых запросах. Система оценивает, является ли название сущности общеупотребительным словом. Если название уникально (например, «MSNBC»), запрос автоматически переписывается для поиска только на сайте этой сущности. Если название общеупотребительно (например, «Time»), выполняется обычный поиск, но предлагается ссылка для ограничения поиска сайтом этой сущности.
  • US7536382B2
  • 2004-03-31
  • Семантика и интент

Как Google определяет ключевые слова, которые сильно связаны с конкретными категориями, для улучшения ранжирования
Google использует статистический анализ частоты запросов и их связи с категориями документов для выявления сильных ассоциаций (например, запрос «суши-бар» и категория «Японский ресторан»). Если пользователь вводит запрос, который является таким ключевым словом, документы, принадлежащие к соответствующей категории, получают повышение в ранжировании.
  • US7996393B1
  • 2007-09-28
  • Семантика и интент

  • SERP

Как Google автоматически сегментирует обучающие видео ("how-to"), анализируя транскрипты и атрибуты задачи
Google использует систему для анализа и структурирования обучающих ("how-to") видео. Система определяет задачу, оценивает качество видео (Confidence Measure), сравнивая его с идеальным шаблоном (Template), и автоматически разбивает лучшее видео на сегменты (шаги, инструменты). Анализ основан на транскрипте видео и поиске переходных индикаторов, что позволяет пользователям переходить к нужным моментам инструкции (Key Moments).
  • US9304648B2
  • 2013-06-26
  • Семантика и интент

  • Мультимедиа

Как Google фильтрует географические синонимы, чтобы предотвратить подмену местоположений в поиске
Google использует структурированную иерархическую базу географических данных для валидации синонимов. Если исходный термин и предложенный синоним являются разными, но связанными географическими объектами (например, соседние города или город и штат), система помечает их как «Проблемные синонимы». Это предотвращает автоматическую замену одного местоположения другим при обработке запроса, повышая точность локальной выдачи и избегая географического «дрейфа темы».
  • US8041730B1
  • 2007-10-24
  • Local SEO

  • Семантика и интент

Как Google использует LLM для декомпозиции сложных запросов на подзапросы и синтеза генеративного ответа (Основа AI Overviews)
Google использует LLM для анализа сложных, многоаспектных или "шумных" запросов. Система разбивает такой запрос на несколько простых подзапросов, эффективно проверяет их релевантность и разнообразие с помощью эмбеддингов, выполняет поиск по каждому, а затем синтезирует единый ответ (например, AI Overview). Это позволяет отвечать на сложные пользовательские задачи за один шаг.
  • US20250117381A1
  • 2024-10-07
  • Семантика и интент

  • SERP

Как Google определяет интент и позицию вертикальных результатов (например, картинок) для длиннохвостых (long-tail) запросов
Google использует механизм для определения интента пользователя по редким или новым (long-tail) запросам, когда исторические данные отсутствуют. Система эффективно "прощупывает" вертикальные индексы (например, картинки), чтобы решить, стоит ли проводить полный поиск. Для определения позиции блока с результатами используется "предполагаемый интент", унаследованный от характеристик найденных веб-страниц и сайтов, а не от истории самого запроса.
  • US9183312B2
  • 2013-03-12
  • Семантика и интент

  • SERP

  • Индексация

Как Google использует Knowledge Graph для ответа на запросы о пространственной и временной близости сущностей (например, «банки рядом с ресторанами»)
Google обрабатывает сложные «композиционные запросы», сравнивая атрибуты (местоположение или время) разных типов сущностей в Knowledge Graph. Система находит пары, удовлетворяющие критерию связи (например, расстоянию), и визуализирует результаты на картах или временных шкалах с возможностью динамической фильтрации.
  • US11003729B2
  • 2012-12-12
  • Knowledge Graph

  • Семантика и интент

  • Local SEO

Как Google Assistant позволяет пользователям выбирать предпочтительные источники контента (и когда он может их игнорировать)
Патент описывает, как Google Assistant создает и использует "Правила параметров источника" (Source Parameter Rules), чтобы отдавать приоритет контенту из источников, указанных пользователем. Система проверяет качество и актуальность этих источников и может предложить альтернативы, если предпочтительный источник устарел или недоступен, уведомляя пользователя о соблюдении или нарушении его предпочтений.
  • US12347429B2
  • 2021-12-10
  • Персонализация

  • EEAT и качество

  • Свежесть контента

Как Google оптимизирует отображение поисковых подсказок (Autocomplete) на маленьких экранах, показывая только следующие слова
Google использует механизм для экономии места на экранах мобильных и носимых устройств при отображении поисковых подсказок. Вместо показа полной предлагаемой фразы система отображает только следующий вероятный сегмент (слово), ранжированный на основе веб-активности пользователя. Это позволяет итеративно формировать запрос, не перегружая интерфейс.
  • US20140253458A1
  • 2011-07-20
  • Поведенческие сигналы

  • Персонализация

Как Google использует личные данные (Gmail, историю местоположений) для ответов на запросы о посещенных местах
Google анализирует личные данные пользователя (электронные письма, данные о местоположении, календари) для ответа на запросы типа «рестораны, которые я посетил в Атланте». Система определяет, является ли запрос «персональным локационным», извлекает релевантные взаимодействия из приватного индекса пользователя и обогащает их публичными данными о сущности (адрес, телефон), отображая эти персональные результаты над стандартной органической выдачей.
  • US10089394B2
  • 2013-07-11
  • Персонализация

  • Local SEO

  • Индексация

Как Google создает семантические векторы (эмбеддинги) для понимания смысла целых документов (Doc2Vec)
Патент описывает нейросетевой метод (известный как Doc2Vec) для преобразования документов любой длины в числовые векторы (эмбеддинги). Эти векторы фиксируют семантику и контекст всего документа, позволяя системе понимать смысл контента, классифицировать его и находить похожие документы, даже если в них используются разные слова.
  • US20150220833A1
  • 2015-01-30
  • Семантика и интент

Как Google стандартизирует географические названия и их варианты (сленг, сокращения) для точного локального поиска и рекламы
Google использует «Идентификаторы критериев местоположения» (Location Criteria Identifiers), чтобы понять, что разные термины (например, «СПб» и «Санкт-Петербург») относятся к одному и тому же месту. Это позволяет точно сопоставлять контент с таргетингом на местоположение (например, рекламу) с запросами пользователей, даже если они используют сленг, сокращения или допускают ошибки в названиях.
  • US9183570B2
  • 2012-08-31
  • Local SEO

  • Семантика и интент

Как Google использует анализ тональности (Sentiment Analysis) для создания сниппетов из отзывов
Google использует запатентованную систему для генерации информативных сниппетов для сущностей, о которых оставляют отзывы (например, рестораны, товары). Система извлекает фразы, выражающие мнение (sentiment phrases), из множества отзывов, оценивает их тональность с учетом специфики домена и выбирает наиболее частотные и разнообразные фразы для формирования сниппета, суммирующего общественное мнение об этой сущности.
  • US8010539B2
  • 2008-01-25
  • SERP

  • Семантика и интент

Как Google создает ссылки, которые ведут на определенную позицию в выдаче, а не на конкретный документ
Google описывает механизм создания специальных ссылок (rank-specific search links), которые кодируют запрос и позицию результата в выдаче. При активации такой ссылки поиск выполняется заново, и пользователь видит документ, который занимает эту позицию в данный момент, а не тот, который был там изначально.
  • US9087107B2
  • 2012-06-14
  • Ссылки

  • SERP

Как Google превращает объекты на изображениях в интерактивные элементы для выполнения действий (звонок, покупка, маршрут)
Google анализирует визуальные запросы (изображения) для распознавания сущностей (продукты, логотипы, текст, здания). Система находит связанную информацию в индексе (номера телефонов, адреса, URL) и генерирует «действенные результаты» — интерактивные кнопки, позволяющие пользователю немедленно совершить действие (позвонить, купить, проложить маршрут), запуская соответствующее приложение.
  • US8977639B2
  • 2010-08-11
  • Семантика и интент

  • SERP

  • Индексация

Как Google динамически выбирает и ранжирует факты об объектах в зависимости от запроса пользователя (Основы Knowledge Graph)
Патент описывает создание и использование репозитория фактов (предшественника Knowledge Graph). Система извлекает факты из интернета и связывает их с объектами (сущностями). При поиске Google не просто возвращает список объектов, а динамически выбирает и ранжирует наиболее релевантные факты для каждого объекта, основываясь на конкретном запросе пользователя, а также метриках достоверности и важности.
  • US7774328B2
  • 2006-02-17
  • Knowledge Graph

  • Семантика и интент

  • SERP

Как Google использует структурированные данные и логи запросов для создания языковых моделей и исправления орфографии в сложных доменах (например, адресах)
Google решает проблему создания языковых моделей для доменов с огромным количеством комбинаций (например, географических адресов). Система анализирует логи запросов для определения популярных форматов ввода (Template Distribution) и популярности конкретных мест (Location Distribution). Эти данные объединяются для создания вероятностной языковой модели, которая позволяет исправлять орфографические ошибки в запросах пользователей, предлагая более вероятные варианты.
  • US8626681B1
  • 2011-01-04
  • Семантика и интент

  • Knowledge Graph

  • Мультиязычность

Как Google использует анализ совместных поисковых сессий для выявления запросов о неприемлемом или запрещенном контенте
Google анализирует поисковые сессии пользователей для обучения классификатора, выявляющего запросы о неприемлемом контенте (например, насилии, CSAM, терроризме). Система отслеживает, какие еще запросы вводил пользователь незадолго до или после ввода уже известного "плохого" запроса. Это позволяет автоматически расширять базу данных для фильтрации и модерации поисковой выдачи.
  • US9959354B2
  • 2015-06-23
  • Безопасный поиск

  • Поведенческие сигналы

  • Семантика и интент

Как Google использует ваши личные данные (Gmail, Календарь, Фото) для генерации персонализированных подсказок в Autocomplete
Google анализирует активность пользователя и его контент в различных сервисах (таких как email, календарь, фотохостинг). На основе этих данных система генерирует персонализированные поисковые подсказки (Autocomplete), когда пользователь начинает вводить запрос. Это позволяет предлагать запросы типа «мои рейсы» или «мои фото», основываясь на реальных бронированиях или загруженных изображениях пользователя.
  • US9317585B2
  • 2013-03-15
  • Персонализация

  • Индексация

  • Поведенческие сигналы

Как Google динамически регулирует силу фактора близости в локальном поиске в зависимости от плотности результатов
Google использует механизм для динамической корректировки влияния расстояния на ранжирование локальных результатов. Если по запросу доступно много местных компаний (высокая плотность), влияние близости усиливается, и удаленные результаты быстро теряют позиции. Если компаний мало (низкая плотность), влияние близости ослабевает, позволяя ранжироваться более удаленным, но релевантным результатам. Система также гарантирует максимальное повышение для ближайшего результата, независимо от его абсолютного расстояния.
  • US20160070703A1
  • 2013-08-27
  • Local SEO

  • SERP

  • Семантика и интент

Как Google использует графы сущностей и их топологию для семантического понимания запросов и таргетинга контента
Google использует механизм выбора контента (например, рекламы), основанный на свойствах сущностей, а не только на ключевых словах. Система генерирует граф запроса, отражающий сущности и их взаимосвязи из Базы Знаний. Контент выбирается, только если его критерии точно соответствуют как содержанию, так и структуре (топологии) этого графа. Это позволяет учитывать семантический контекст, даже если он не выражен текстом запроса.
  • US9542450B1
  • 2014-04-01
  • Семантика и интент

  • Knowledge Graph

Как Google конвертирует визуальные характеристики изображений в текстовые ключевые слова для визуального поиска
Google использует механизм для понимания содержания изображений путем анализа их визуальных характеристик (цвет, текстура, края). Система сопоставляет эти характеристики с текстовыми терминами, используя модели машинного обучения, обученные на истории поиска картинок. Это позволяет Google генерировать релевантные текстовые запросы для любого изображения, что является основой работы визуального поиска (например, Google Lens).
  • US8935246B2
  • 2012-08-08
  • Семантика и интент

  • Мультимедиа

  • Индексация

Как Google позволяет пользователям изменять, персонализировать и совместно улучшать категории результатов поиска
Google патентует систему организации результатов поиска в иерархию категорий (фасетную навигацию). Пользователи могут модифицировать эту иерархию: добавлять/удалять категории, голосовать за их полезность и связывать страницы с темами. Система сохраняет эти изменения для персонализации будущих результатов пользователя и агрегирует обратную связь для глобального улучшения категоризации.
  • US8214361B1
  • 2008-09-30
  • Персонализация

  • SERP

  • Поведенческие сигналы

  • 1
  • …
  • 20
  • 21
  • 22
  • 23
  • 24
  • …
  • 44
seohardcore