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 персонализирует сниппеты в выдаче, используя профиль интересов пользователя
Google использует механизм для генерации сниппетов в поисковой выдаче, основанный не только на терминах запроса, но и на профиле интересов пользователя. Система анализирует документ, находит термины, соответствующие интересам пользователя, и выделяет их в сниппете. Это призвано повысить релевантность сниппета для конкретного пользователя и лучше отразить содержание документа в контексте его интересов.
  • US8631006B1
  • 2005-04-14
  • Персонализация

  • SERP

  • Семантика и интент

Как Google индексирует расписание трансляций в местных заведениях, чтобы пользователи могли найти, где посмотреть конкретное событие
Google патентует систему, позволяющую местным заведениям (барам, ресторанам) указывать в своих бизнес-профилях, какие именно события (например, спортивные матчи) они будут транслировать. Эта информация индексируется и используется в Поиске и Картах, позволяя пользователям находить заведения по запросам типа «где посмотреть матч [Команда А] сегодня вечером».
  • US20230308829A1
  • 2023-03-28
  • Local SEO

  • Индексация

  • Свежесть контента

Как Google использует частичные запросы, логи и профили пользователей для формирования подсказок (Autocomplete) и предварительной загрузки результатов
Патент описывает технологию Google Autocomplete (Suggest). Система предсказывает финальный запрос на основе частично введенного текста, используя словари, составленные из популярных запросов сообщества. Предсказания ранжируются по популярности и персонализируются с учетом профиля пользователя. Система также может заранее кэшировать результаты для наиболее вероятных подсказок, чтобы ускорить выдачу.
  • US7836044B2
  • 2004-06-22
  • Персонализация

  • Семантика и интент

Как Google объединяет изображения и текст в мультимодальном поиске для уточнения визуальных запросов
Google использует модель уточнения запросов для мультимодального поиска (например, в Google Lens). Система принимает эмбеддинг исходного изображения и текстовое уточнение от пользователя. Модель генерирует новый, уточненный эмбеддинг изображения, который объединяет визуальные данные с текстовым интентом. Этот новый эмбеддинг используется для поиска релевантных изображений в общем пространстве эмбеддингов, позволяя пользователям итеративно уточнять визуальный поиск текстом.
  • US20240370487A1
  • 2022-11-04
  • Мультимедиа

  • Семантика и интент

Как Google группирует подсказки в Google Картах и адаптирует их в зависимости от масштаба карты
Google использует систему группировки поисковых подсказок (автозаполнения) в интерфейсах карт. Система определяет основной термин запроса (например, «отели») и группирует связанные уточнения (например, «рядом с Oakland» или «люкс»). Ключевая особенность — выбор типа уточнений (географические или качественные) динамически зависит от текущего масштаба и местоположения, отображаемого на карте.
  • US8612414B2
  • 2011-11-21
  • Local SEO

  • Семантика и интент

Как Google связывает изображения с семантическими сущностями для устранения неоднозначности в поиске по картинкам
Google использует систему для понимания того, что именно изображено на картинке, связывая её с конкретной семантической сущностью (например, статьей в Wikipedia или Freebase). Это позволяет устранить неоднозначность (понимать разницу между «Ягуаром» машиной и животным) и предоставлять более точные результаты при поиске по изображению (например, в Google Lens).
  • US9171018B2
  • 2013-01-16
  • Семантика и интент

  • Knowledge Graph

  • Мультимедиа

Как Google использует несколько изображений в одном запросе для уточнения визуального поиска через общие атрибуты и проекции эмбеддингов
Google использует механизм поиска, принимающий на вход два или более изображения. Система анализирует их для выявления общих атрибутов (стиль, цвет, тип объекта) и генерирует векторные представления (эмбеддинги). Если изображения вводятся последовательно, система вычисляет «траекторию» интереса пользователя в векторном пространстве и проецирует поиск в этом направлении, чтобы найти результаты, соответствующие эволюционирующему визуальному интенту.
  • US12271417B2
  • 2023-04-24
  • Мультимедиа

  • Семантика и интент

Как Google использует контент на экране пользователя для понимания и переписывания неоднозначных запросов
Google использует механизм для понимания неоднозначных запросов (например, «Что это?»), анализируя то, что пользователь видит на экране своего устройства. Система определяет основное изображение, распознает объекты на нем и анализирует окружающий текст. Затем, используя эту информацию и историю поиска пользователя, она переписывает исходный запрос в конкретный поисковый запрос.
  • US10565256B2
  • 2017-03-20
  • Семантика и интент

  • Мультимедиа

  • Персонализация

Как Google использует иерархические таксономии для понимания связей между соседними словами в запросе
Google использует механизм для интерпретации поисковых запросов путем анализа соседних слов на предмет иерархических связей (например, «Город, Страна» или «Род, Вид»). Система сопоставляет комбинации слов с известными таксономиями (география, биология, бизнес) и оценивает вероятность того, что пользователь имел в виду именно эту иерархическую связь. Это позволяет точнее определить интент запроса, особенно в локальном поиске и при категоризации.
  • US8745028B1
  • 2012-04-20
  • Семантика и интент

  • Local SEO

Как Google строит и динамически обновляет индекс на основе тем и векторных представлений для семантического поиска
Google индексирует документы, присваивая им семантическую "сигнатуру" — вектор, состоящий из абстрактных тем (Topics) и весов (Weights), определяющих их значимость. Патент описывает инфраструктуру для эффективного обновления этого тематического индекса при изменении контента или обновлении моделей NLP Google. Система использует эти векторы для быстрого определения схожести контента через Cosine Similarity.
  • US8756236B1
  • 2012-01-31
  • Индексация

  • Семантика и интент

Как Google планирует заменить статические веб-сайты страницами, генерируемыми ИИ на лету из «сырого» контента
Патент описывает радикально новую архитектуру веба («Generative Navigational Corpus»), где контент-провайдеры предоставляют «сырые» данные (Seed Content), а Большая Фундаментальная Модель (LFM) генерирует веб-страницы, UI и ссылки в реальном времени, адаптируя формат и структуру под конкретный интент пользователя и контекст навигации.
  • US20250094521A1
  • 2024-09-18
  • Семантика и интент

  • Персонализация

  • Индексация

Как Google определяет главные темы сайта ("Top Phrases") и позволяет вебмастерам уточнять их для улучшения индексации
Google использует систему фразовой индексации для определения "Топ Фраз" сайта на основе анализа совместного употребления связанных словосочетаний. Патент описывает механизм, позволяющий вебмастерам корректировать эти Топ Фразы. Система интегрирует эту обратную связь, обновляя семантические связи между фразами в индексе и улучшая понимание контента сайта.
  • US8117223B2
  • 2007-09-07
  • Индексация

  • Семантика и интент

  • Техническое SEO

Как Google использует контекст текущей страницы для понимания запроса и прямой навигации к результату (минуя SERP)
Google может анализировать контент страницы, которую просматривает пользователь, чтобы понять неоднозначные запросы (например, содержащие местоимения). Система переписывает запрос, добавляя контекст, ищет результаты и автоматически выбирает один лучший ответ. Затем пользователь направляется прямо на этот ресурс, минуя стандартную страницу результатов поиска (SERP).
  • US10503733B2
  • 2015-10-13
  • SERP

  • Семантика и интент

Как Google использует историю запросов в сессии для эффективного распознавания фраз (N-грамм) и понимания уточнений пользователя
Google оптимизирует процесс распознавания фраз (N-грамм) в запросе, анализируя предыдущий запрос пользователя в той же сессии. Если пользователь уточняет запрос, добавляя новые слова, система исключает эти новые слова из анализа N-грамм в сочетании со старыми терминами. Это повышает эффективность и позволяет точнее понять, какие слова являются единым понятием, а какие — дополнительными уточнениями.
  • US8359326B1
  • 2008-04-02
  • Семантика и интент

Как Google анализирует историю поисковых запросов для устранения неоднозначности имен и генерации контекстных подсказок
Google использует систему для устранения неоднозначности имен людей. Анализируя исторические данные о том, какие запросы (как включающие имя, так и нет) приводили пользователей на одни и те же ресурсы, система кластеризует различные контексты имени (например, разные люди с одним именем). Для каждого контекста выбирается лучший уточняющий термин, который затем предлагается пользователю в качестве поисковой подсказки.
  • US9830379B2
  • 2010-11-29
  • Семантика и интент

Как Google поддерживает контекст в диалоговом поиске, переписывая неполные запросы на основе предыдущих результатов и грамматических шаблонов
Google использует систему для понимания диалогового поиска. Если пользователь задает последующий неполный запрос (например, «напомни мне за час до этого»), система определяет контекст из предыдущего запроса (например, время рейса). Затем она использует грамматические шаблоны, чтобы переписать неполный запрос в полный и понятный для выполнения действия (например, «установить напоминание на 13:40 для рейса UA 214»).
  • US20180285444A1
  • 2014-08-01
  • Семантика и интент

Как Google использует контент топовых результатов для генерации разнообразных и контекстуально связанных поисковых подсказок
Google анализирует контент страниц, ранжирующихся в топе по исходному запросу, чтобы понять его контекст. На основе этого контекста система находит похожие запросы из своей базы данных. Затем она фильтрует эти запросы, оставляя только те, которые лексически отличаются от исходного, чтобы предложить пользователю разнообразные и релевантные альтернативы для исследования темы.
  • US7725485B1
  • 2005-08-01
  • Семантика и интент

  • SERP

Как Google анализирует контент вашего сайта для валидации и приоритизации предлагаемых ключевых слов в своих инструментах
Google использует систему для проверки релевантности предлагаемых ключевых слов (например, в Google Ads), анализируя контент конкретного веб-сайта. Система генерирует семантически связанные термины, но затем проверяет, как часто они фактически встречаются вместе с исходным словом на этом сайте. Это позволяет автоматически отфильтровать нерелевантные предложения и разрешить семантическую неоднозначность, адаптируя подсказки к контексту домена.
  • US11106712B2
  • 2016-10-24
  • Семантика и интент

Как Google идентифицирует конкретные видео (фильмы, клипы, эпизоды) на веб-страницах, анализируя окружающий текст
Google использует библиографические данные (название, актеры, длина) для поиска и идентификации конкретных видео на веб-страницах. Система анализирует текст, расположенный рядом с видеоплеером («associated text»), и вычисляет «оценку совпадения» (Occurrence Score), чтобы точно понять, какой именно фильм, клип или эпизод представлен на странице.
  • US8983945B1
  • 2012-01-03
  • Мультимедиа

  • Семантика и интент

Как Google связывает медиаконтент (видео) с Графом Знаний для улучшения поиска и автоматического тегирования
Google использует систему для связи медиаконтента (например, видео на YouTube) со структурированными данными из Базы Знаний (Knowledge Graph). Описывается, как создаются ассоциации между видео и сущностями путем анализа метаданных, что позволяет пользователям искать контент по идентификаторам сущностей и автоматически тегировать медиафайлы, улучшая их обнаруживаемость.
  • US9189528B1
  • 2013-03-15
  • Knowledge Graph

  • Семантика и интент

  • Мультимедиа

Как Google использует Граф Сущностей для определения главных тем страницы и генерации релевантных рекомендаций контента
Патент Google описывает систему анализа веб-страницы для выявления ее главных тем («Центральных Сущностей») с помощью глобального Графа Сущностей, основанного на совместной встречаемости терминов. Система отфильтровывает периферийные и неоднозначные темы, генерирует на основе главных тем поисковые запросы и предлагает пользователю категоризированный дополнительный контент (новости, видео, товары).
  • US20160026727A1
  • 2011-06-03
  • Семантика и интент

  • Knowledge Graph

  • Мультимедиа

Как Google создает видео-нарезки (Composite Videos) на лету, используя текстовый запрос и анализ аудиодорожек
Google может анализировать аудиодорожки (транскрипты) видео для идентификации конкретных сегментов, где произносятся слова из запроса пользователя. Система автоматически объединяет эти сегменты из разных видео в одно новое сводное видео (Composite Video). Для выбора сегментов используются метрики релевантности, популярности и свежести исходного контента.
  • US9672280B2
  • 2014-04-10
  • Мультимедиа

  • Индексация

  • Семантика и интент

Как Google встраивает синонимы и контекст непосредственно в поисковый индекс на этапе индексирования
Google использует механизм для повышения релевантности поиска путем определения синонимов на основе контекста документа во время индексирования. Система встраивает эти синонимы, включая сложные многословные замены (N-to-M), непосредственно в инвертированный индекс. Это позволяет поисковой системе находить релевантные документы, даже если они не содержат точных ключевых слов из запроса, без необходимости переписывать запрос на лету.
  • US9037591B1
  • 2012-04-30
  • Индексация

  • Семантика и интент

Как Google определяет сущности (например, болезни) по их атрибутам (например, симптомам) в запросе пользователя
Google использует несколько методов для ответа на запросы, которые описывают атрибуты (например, симптомы) и подразумевают поиск соответствующей сущности (например, болезни). Система может генерировать множество комбинированных запросов (Атрибут + Сущность), изменять исходный запрос (Атрибут + Тип Сущности) или анализировать выдачу по исходному запросу для выявления часто упоминаемых сущностей. Это позволяет предоставлять список релевантных сущностей и предлагать дополнительные атрибуты для уточнения поиска.
  • US8473489B1
  • 2011-09-27
  • Семантика и интент

  • SERP

Как Google использует освещение научных исследований в СМИ для повышения их ранжирования и генерации поисковых подсказок
Google анализирует, как часто и в каких новостных источниках цитируются научные работы. На основе этого рассчитывается «Оценка Популярности» (Popularity Score), учитывающая авторитетность СМИ и Импакт-фактор журнала. Это позволяет высоко ранжировать авторитетные исследования в общем веб-поиске, даже если они были популярны в прошлом, а также генерировать новые поисковые подсказки на основе их терминологии.
  • US20140188861A1
  • 2012-12-28
  • EEAT и качество

  • SERP

  • Свежесть контента

Как Google динамически определяет фразы (семантические единицы) в запросе, анализируя топовые результаты поиска
Google анализирует топовые документы в выдаче по запросу, чтобы определить, следует ли рассматривать несколько слов как единую фразу (семантическую единицу). Если фраза часто встречается в топовых результатах, особенно на самых высоких позициях, Google идентифицирует ее как семантическую единицу и использует для уточнения ранжирования, отдавая приоритет документам с точным совпадением фразы.
  • US7249121B1
  • 2000-12-05
  • Семантика и интент

  • SERP

Как Google использует анализ списков для выявления связанных, но не синонимичных терминов и предотвращения смещения темы
Google анализирует, как термины совместно встречаются в списках и таблицах на веб-страницах, чтобы выявить связанные, но не синонимичные пары (например, "кошка" и "собака"). Если пара идентифицирована как связанная, система применяет более строгие критерии (Penalty Criteria) для признания их синонимами, чтобы избежать неверного расширения запроса и смещения темы (Topic Drift).
  • US8037086B1
  • 2008-07-02
  • Семантика и интент

Как Google выбирает, синтезирует и озвучивает прямые ответы для голосового поиска с учетом контекста пользователя
Google обрабатывает голосовые запросы, идентифицируя стандартный результат (ссылка и сниппет) и одновременно находя или синтезируя прямой ответ в форме законченного предложения. Этот ответ адаптируется под контекст пользователя (например, местоположение), конвертируется в аудиоформат и озвучивается вместе с отображением визуальной выдачи.
  • US20170235827A1
  • 2013-06-20
  • Семантика и интент

  • Мультимедиа

  • Персонализация

Как Google использует распознавание сущностей в тексте (например, в email) для отображения персонализированного медиаконтента и социальных действий
Google анализирует текст (например, электронные письма) для идентификации медиа-сущностей (фильмов, книг, музыки). Система автоматически отображает связанный контент, ссылки для покупки и персонализированную информацию, включая активность социальных связей пользователя. Это демонстрирует возможности Google в извлечении сущностей из неструктурированного текста и их связи с действиями и социальным графом.
  • US9430447B1
  • 2013-05-20
  • Персонализация

  • Семантика и интент

  • Мультимедиа

Как Google решает, когда переводить запрос пользователя на другие языки, а когда уважать его языковой выбор
Google использует систему фильтрации для управления межъязыковым поиском (CLIR). Система анализирует язык запроса, язык интерфейса пользователя и его местоположение. Если пользователь вводит запрос на языке, отличном от языка интерфейса, Google предполагает мультиязычность и не переводит запрос, экономя ресурсы. Перевод активируется, если язык запроса совпадает с языком интерфейса, особенно если локальных результатов мало.
  • US9824147B1
  • 2013-02-28
  • Мультиязычность

  • Персонализация

  • Семантика и интент

  • 1
  • …
  • 22
  • 23
  • 24
  • 25
  • 26
  • …
  • 44
seohardcore