Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google определяет тип ответа на вопрос: показать конкретную сущность или её описание (Entity vs. Description)
Google использует этот механизм для классификации запросов и выбора формата прямого ответа. Система анализирует, присутствуют ли сущности, извлеченные из результатов поиска, в тексте самого запроса. Если найдена новая сущность (которой нет в запросе), она считается ответом (Entity-triggering). Если все сущности уже известны из запроса, система предоставляет текстовое описание (Description-triggering).
- US9229974B1
- 2012-10-22
Как Google персонализирует поиск, уточняя социальную близость к авторам на основе истории кликов пользователя
Google анализирует, как пользователь взаимодействует (кликает или игнорирует) с контентом авторов из его социального графа. Если взаимодействие по определенной теме превышает порог и у пользователя уже есть социальная связь с автором, система уточняет степень их близости (Affinity) к этой теме. Эта уточненная близость используется для повышения или понижения контента этого автора по этим темам в будущей выдаче пользователя.
- US9519683B1
- 2012-09-06
Как Google использует визуальные превью (Query Suggestion Groupings) для уточнения поисковых запросов
Google патентует интерфейс "Query Suggestion Groupings", который показывает не только текст предлагаемого уточнения запроса, но и визуальное превью результатов (например, миниатюры изображений). Ключевая особенность: эти превью намеренно исключают результаты из топа основной выдачи, чтобы обеспечить разнообразие. Это позволяет пользователям визуально оценить контекст уточнения, не покидая текущую страницу.
- US9230023B2
- 2013-04-16
Как Google автоматически определяет и отображает ключевые моменты (Key Moments) в видео для улучшения навигации
Google использует систему для анализа видеоконтента с помощью текстовых, визуальных и аудиосигналов. Система определяет "ключевые моменты" (salient topics), генерирует для них текстовые метки и интеллектуально выбирает наиболее релевантные стоп-кадры. Эти "временные анкоря" (Video Timed Anchors) позволяют пользователям понять структуру видео и перейти к интересующему сегменту прямо из поиска или плеера.
- US20240046964A1
- 2023-10-17
Как Google распознает сущности в результатах поиска по описательным запросам и предлагает их для уточнения поиска
Google использует этот механизм для улучшения поиска, особенно по картинкам. Если пользователь вводит описательный запрос (например, «коричневая собака-пловец»), система распознает конкретные сущности в найденных результатах (например, «Чесапик-бей-ретривер») и отображает их названия как кликабельные элементы. Это позволяет пользователю перейти от общего описания к поиску конкретной сущности.
- US9418121B2
- 2013-03-12
Как Google анализирует личные данные (Email, Календарь, Контакты) для определения скрытого интента и персонализации выдачи
Google создает персонализированную «Модель пользователя» на основе его личного контента (письма, события, контакты). Эта модель хранит ключевые термины и их контекст. Система использует ее, чтобы понять «неявное намерение» запроса — ищет ли пользователь общую информацию в вебе или свои личные данные (например, свой рейс) — и соответствующим образом адаптирует выдачу, даже если запрос выглядит общим.
- US20150012532A1
- 2013-07-02
Как Google интеллектуально уточняет запросы из изображений, предсказывая намерения пользователя и исправляя ошибки OCR
Google совершенствует визуальный поиск (например, Google Lens), анализируя текст на изображениях (OCR) и предсказывая задачу пользователя (например, перевод, покупка). Если результаты поиска по исходному тексту не решают эту задачу, система автоматически корректирует ошибки распознавания и генерирует уточненный запрос, используя данные о завершенных поисковых сессиях (Query Completion).
- US20250217412A1
- 2023-12-28
Как Google понимает контекст в цепочках запросов, используя популярность запросов для разрешения неоднозначности местоимений (анафоры)
Google использует механизм для понимания контекстных (последовательных) запросов, содержащих местоимения (например, "он", "она", "это"). Если предыдущий запрос содержал несколько сущностей, система создает варианты переписанного запроса и выбирает наиболее вероятный, основываясь на данных о популярности запросов в интернете (Query Logs) или используя результаты веб-ранжирования.
- US9183257B1
- 2013-03-14
Как Google извлекает списки сущностей из веб-страниц и использует графовый анализ для проверки их достоверности и релевантности
Google использует этот механизм для ответов на запросы, требующие списка элементов (например, «города в Калифорнии»). Система извлекает потенциальные списки из неструктурированных веб-документов, анализирует их взаимосвязи и совпадения в виде графа (Vertex-Edge Graph) и использует методы консенсуса (например, поиск клик) для определения наиболее достоверных и релевантных сущностей.
- US20110106819A1
- 2009-10-29
Как Google идентифицирует и игнорирует навигацию, футеры и рекламу на странице для понимания основного контента
Google использует технологию анализа структуры документа (DOM-дерева) для отделения основного содержания страницы от шаблонных элементов (boilerplate) — таких как навигационные меню, футеры, списки ссылок и рекламные блоки. Система анализирует геометрические, структурные и иерархические признаки элементов (например, размер, форму, количество дочерних ссылок, расположение), чтобы классифицировать контент как шаблонный и исключить его при анализе тематики страницы.
- US8898296B2
- 2012-08-01
Как Google анализирует логи запросов для поиска популярных вопросов и определения их лучшей формулировки
Google использует этот механизм для анализа логов поисковых запросов и автоматического поиска часто задаваемых вопросов. Система группирует разные варианты одного и того же вопроса в «каноническую форму» путем нормализации текста. Затем она выбирает наиболее часто используемую формулировку как «репрезентативный вопрос» для публикации в Q&A сервисах или использования в поиске.
- US8135712B1
- 2008-06-27
Как Google кластеризует новостные результаты для генерации блоков "Связанные темы" и "Категории"
Google анализирует результаты поиска по новостям и группирует статьи, освещающие одно и то же событие, в кластеры. Затем система извлекает общие ключевые слова из этих кластеров для формирования блока "Связанные темы" (Related Topics), помогая уточнить запрос. Одновременно определяется широкая категория новостей (например, "Спорт"), из которой предлагается дополнительный контент для расширения контекста.
- US11194868B1
- 2018-09-28
Как Google сегментирует веб-страницы на семантические блоки (хедер, футер, контент) с помощью анализа геометрии рендеринга
Google использует механизм "псевдо-рендеринга" для анализа геометрической структуры веб-страницы и её разделения на семантически различные области (чанки), такие как основное содержимое, навигация, футер и реклама. Это позволяет системе определять важность контента и ссылок в зависимости от их расположения на странице.
- US7913163B1
- 2004-09-22
Как Google использует связанные фразы и расширения запросов для генерации сниппетов в поисковой выдаче
Google использует запатентованный метод для автоматической генерации описаний документов (сниппетов) в результатах поиска. Система анализирует предложения в документе и ранжирует их на основе наличия трех элементов: самой фразы из запроса, семантически связанных фраз (определенных через Information Gain) и расширений фразы запроса. Наиболее релевантные предложения выбираются для формирования сниппета.
- US7584175B2
- 2004-07-26
Как Google использует Knowledge Graph для генерации коллекций связанных сущностей и облегчения навигации в поиске
Google использует этот механизм для помощи пользователям в изучении тем, связанных с их исходным запросом. Когда пользователь ищет коллекцию сущностей (например, «Романтические фильмы»), система анализирует связи этих сущностей в Knowledge Graph (например, кто режиссер, кто актер). На основе этих связей (триплетов) система генерирует и предлагает пользователю новые коллекции для изучения (например, «Актеры романтических фильмов»).
- US20160063106A1
- 2012-08-08
Как Google использует GTIN, MPN и машинное обучение для определения синонимов брендов в каталоге товаров
Google использует механизм машинного обучения для решения проблемы несогласованности данных в фидах мерчантов. Система анализирует пары товарных предложений с одинаковыми идентификаторами (GTIN, MPN), но разными названиями брендов. Путем расчета метрик схожести (цены, заголовка) и статистического анализа система определяет, являются ли разные названия (например, «HP» и «Hewlett-Packard») синонимами одного и того же бренда для корректной группировки товаров.
- US8655737B1
- 2011-01-31
Как Google агрегирует и ранжирует пользовательские метки для идентификации объектов в Визуальном поиске (Google Lens)
Google использует этот механизм для повышения точности идентификации объектов при поиске по изображению. Система находит множество визуально похожих изображений, загруженных пользователями (UGC), и анализирует их текстовые метки. Метки группируются по смыслу, а затем эти группы ранжируются на основе совокупной визуальной релевантности. Это позволяет определить наиболее вероятное название объекта, опираясь на коллективное мнение.
- US9424279B2
- 2013-03-08
Как Google выявляет новые временные связи между ключевыми словами и сущностями на основе текущих событий
Google использует систему для выявления новых, временных ассоциаций между ключевыми словами, анализируя недавние онлайн-документы (новости, социальные сети) и сравнивая их с историческими данными. Если обнаруживается новая значимая связь («временная ссылка»), система использует её для отбора релевантного контента, даже если ключевые слова традиционно не были связаны. Это позволяет поиску быстро адаптироваться к меняющемуся контексту и текущим событиям.
- US9146980B1
- 2013-06-24
Как Google использует историю запросов в текущей сессии для понимания контекста и переписывания неоднозначных запросов
Google анализирует предыдущие запросы пользователя в рамках текущей сессии, чтобы понять контекст нового запроса. Если новый запрос неоднозначен или содержит отсылки (например, местоимения типа «он», «это»), система пытается объединить его с сущностями из предыдущих запросов. Это позволяет переписать запрос более точно (например, заменить «он» на имя человека), чтобы предоставить результаты, соответствующие истинному намерению пользователя.
- US9547690B2
- 2014-09-15
Как Google вычисляет схожесть документов, используя значимость слов, их описательность и распознавание фраз
Google использует алгоритм для определения схожести документов, который превосходит традиционный TF-IDF. Система вычисляет Оценку Значимости (Prominence Score) и Оценку Описательности (Descriptiveness Score) для отдельных слов и фраз. Учитывается, где именно на странице расположены термины и насколько информативными они являются в целом. Это позволяет точнее определять релевантность и тематическую близость контента.
- US7958136B1
- 2008-03-18
Как Google использует Граф Знаний для выбора, группировки и ранжирования связанных сущностей в Knowledge Panel
Google использует этот механизм для определения того, какие группы связанных сущностей (например, "Фильмы", "Члены семьи", "Коллеги") показать в Панели Знаний. Система анализирует пути в Графе Знаний, группирует сущности по типу их связи (Path Type) и ранжирует эти группы по популярности и силе связи (Relationship Strength), основанной на совместном упоминании в вебе и запросах.
- US9411857B1
- 2013-06-28
Как Google определяет наиболее релевантный раздел структурированного документа (сайта или книги) для показа в выдаче
Google использует структуру документа (например, иерархию сайта или главы книги) для определения наилучшей точки входа для пользователя. Система анализирует, где именно в структуре сконцентрированы (кластеризованы) ключевые слова из запроса. Вместо показа всего документа, Google может представить конкретный раздел, главу или страницу, которая наиболее точно соответствует запросу, основываясь на плотности и расположении этих совпадений.
- US9031898B2
- 2004-09-27
Как Google объединяет данные из RSS-фидов, веб-страниц и профилей авторов для индексации и ранжирования блогов
Google создает "гибридный документ" для индексации блогов, объединяя информацию из разных источников: контент поста, данные из RSS/Atom фида, контекст всего блога (например, блогролл) и внешние связанные страницы (например, профиль автора). Это позволяет точнее определять релевантность и использовать контекстные сигналы для ранжирования отдельных постов.
- US7765209B1
- 2005-09-13
Как Google заложил основу визуального поиска (Google Lens), превращая изображения с камеры в поисковые запросы
Google разработал систему, позволяющую использовать изображения с мобильных устройств в качестве поисковых запросов. Система распознает объекты на изображении (продукты, здания, текст, лица), преобразует их в символьное описание (текстовый запрос) и использует его для поиска релевантной информации в стандартной поисковой системе.
- US8421872B2
- 2004-02-20
Как Google определяет текстовое описание изображения для визуального поиска, анализируя похожие картинки и связанные с ними запросы
Google использует систему визуального поиска, которая позволяет пользователям отправлять изображение в качестве запроса. Для этого система создает индекс визуальных признаков и анализирует метаданные (запросы, по которым кликали на картинку, и текст на ссылающихся страницах). При получении изображения система находит визуально похожие картинки в индексе, анализирует связанные с ними текстовые фразы (n-граммы) и выбирает наилучшее описание. Затем выполняется стандартный поиск по этому текстовому описанию.
- US8761512B1
- 2010-12-03
Как Google определяет "Связанные запросы", сравнивая различия в топе выдачи и сходства в нижних результатах
Google использует двухэтапный анализ для генерации блока "Связанные запросы" (Related Searches). Система ищет запросы, у которых ТОП выдачи сильно отличается от исходного запроса (чтобы показать новое), но результаты на низких позициях сильно пересекаются (чтобы сохранить тематическую связь). Это позволяет предлагать пользователю смежные темы, не повторяя уже увиденные результаты.
- US9122727B1
- 2013-03-01
Как Google использует мультимодальные модели и парсинг диаграмм для понимания визуальных запросов и решения задач по фото
Google использует передовые методы для интерпретации изображений, содержащих диаграммы (например, задачи по геометрии, физике, химии). Система преобразует визуальную информацию либо в формальное языковое представление, либо в мультимодальный эмбеддинг для генерации текстового запроса. Это позволяет пользователям получать решения, пошаговые инструкции и похожие задачи, просто загрузив фотографию диаграммы.
- US20240152546A1
- 2023-11-06
Как Google использует классификаторы запросов и контента для фильтрации и понижения оскорбительных результатов, связанных с защищенными группами
Google применяет систему двойной классификации для защиты пользователей от неуместного или оскорбительного контента. Система оценивает, относится ли запрос к «защищенной группе людей» и содержит ли он деликатные термины. Параллельно анализируется, содержат ли результаты поиска оскорбительный контент. На основе комбинации этих классификаций и анализа сессии пользователя результаты могут быть отфильтрованы или понижены в ранжировании.
- US10083237B2
- 2015-08-31
Как Google использует обобщенные запросы для проверки визуального соответствия в Поиске по Картинкам
Google использует этот механизм для повышения точности поиска изображений, когда запрос содержит визуальные ограничения (например, ракурс или контекст). Система генерирует более общий запрос (например, «автомобиль вид сбоку» вместо «Subaru вид сбоку»), чтобы понять, как выглядит это ограничение в данной категории. Затем эти знания используются для фильтрации или переранжирования результатов исходного запроса, отдавая предпочтение изображениям, которые визуально соответствуют намерению пользователя.
- US8751530B1
- 2012-08-02
Как Google позволяет внешним экспертам настраивать поисковую выдачу и таргетировать рекламу с помощью контекстных файлов
Google использует систему, позволяющую владельцам тематических (вертикальных) сайтов программно управлять поведением поисковой системы с помощью «Файлов Контекста». Эти файлы содержат инструкции по модификации запроса, выбору коллекций документов для поиска, фильтрации и аннотированию результатов. Это позволяет адаптировать поиск под конкретный интент пользователя (например, покупка или техподдержка) и использовать этот же контекст для более точного таргетинга рекламы.
- US20160299983A1 (Заявка)
- 2016-06-20 (Продолжение заявки от 2005-08-10)