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 создает временные Графы Знаний для освещения срочных новостей и событий в реальном времени
Google использует механизм для мониторинга «live data streams» (социальные сети, поисковые запросы) для обнаружения «developing events» (срочные новости, происшествия). Для этих событий система создает «Event-Specific Provisional Knowledge Graph» – временный слой поверх основного Графа Знаний, который содержит самую свежую, хотя и потенциально непроверенную информацию. Это позволяет Поиску и Ассистенту быстро предоставлять ответы о событиях, происходящих прямо сейчас.
  • US11256992B2
  • 2019-06-25
  • Knowledge Graph

  • Свежесть контента

  • Семантика и интент

Как Google объединяет изображение и текст для создания мультимодальных запросов (Google Multisearch)
Google патентует интерфейс для уточнения визуального поиска. Пользователь загружает изображение, видит результаты и специальное поле для ввода текстового уточнения. Система объединяет изображение и текст в единый мультимодальный запрос (Multimodal Search Query), чтобы точнее понять намерение пользователя и предоставить релевантные результаты разных форматов, включая товары, видео и статьи.
  • US20240028638A1
  • 2022-07-22
  • Мультимедиа

  • Семантика и интент

  • SERP

Как Google агрегирует данные из разных индексов для создания специализированной выдачи по медиазапросам (Фильмы, Сериалы)
Google использует архитектуру для обработки медиазапросов (фильмы, сериалы). Система определяет, что запрос связан с медиа, и одновременно отправляет запросы в разные корпусы данных (структурированные данные, веб-индекс, картинки, расписания). Затем результаты агрегируются в единый специализированный интерфейс (например, Knowledge Panel или детальная страница сущности), предоставляя пользователю сводную информацию из разных источников.
  • US8533761B1
  • 2007-04-30
  • Knowledge Graph

  • Мультимедиа

  • Семантика и интент

Как Google переносит визуальную релевантность между похожими запросами в поиске по картинкам
Патент Google описывает механизм для улучшения ранжирования в поиске по картинкам. Если для конкретного запроса нет обученной модели визуальной релевантности, система использует модель от похожего запроса. Оценка релевантности (Boost) корректируется с помощью "дробного множителя" (Fractional Adjustment Multiplier), который уменьшает влияние модели пропорционально степени различия между запросами.
  • US9152700B2
  • 2012-01-13
  • Мультимедиа

  • Семантика и интент

  • SERP

Как Google классифицирует пользователей в анонимные группы на основе истории браузера для персонализации контента и рекламы
Патент описывает механизм замены индивидуального отслеживания (например, third-party cookies) на квазиперсонализацию. Google анализирует историю просмотров миллиардов пользователей, выделяет общие паттерны и создает модель классификации. Браузер локально определяет, к какой группе (кластеру) относится пользователь, и отправляет анонимный идентификатор группы при запросе контента (например, рекламы), обеспечивая релевантность без раскрытия личных данных.
  • US11194866B2
  • 2019-08-08
  • Персонализация

  • Поведенческие сигналы

Как Google использует местоположение и направление смартфона для понимания запросов о местах поблизости
Google может определять, о каком месте спрашивает пользователь (например, "какие отзывы у этого ресторана?"), даже если название не указано. Система использует GPS и компас, чтобы понять, где находится пользователь и куда направлен его телефон (ориентация). Затем она сужает поиск до объектов в поле зрения, определяя конусообразную зону поиска в направлении взгляда, и переписывает запрос, добавляя название найденного места.
  • US10185746B2
  • 2015-08-20
  • Local SEO

  • Семантика и интент

Как Google распознает, структурирует и использует данные о сущностях для глубокого понимания контента
Патент Google, раскрывающий фундаментальные принципы обработки сущностей. Описано, как Google индексирует контент, распознает именованные сущности (NER) и структурирует данные о них в две категории: общие (Generic Entity Data) и специальные (Special Entity Data). Это дает ключевое понимание архитектуры Knowledge Graph.
  • US9069744B2
  • 2012-05-15
  • Knowledge Graph

  • Индексация

  • Семантика и интент

Как Google использует OCR и канонические документы для улучшения результатов визуального поиска
Google использует технологию визуального поиска для идентификации текста в изображениях (визуальных запросах). Система оценивает качество распознанного текста (OCR), находит соответствующие строки в своей базе канонических документов (например, веб-страниц или книг) и генерирует комбинированный результат. Этот результат может накладывать чистый текст или изображение из канонического источника поверх исходного визуального запроса, создавая «исправленную» версию изображения.
  • US9176986B2
  • 2011-12-01
  • Мультимедиа

  • Индексация

  • EEAT и качество

Как Google адаптирует понимание запроса, ранжирование и формат выдачи в зависимости от типа устройства пользователя (смартфон vs. часы)
Google определяет тип устройства пользователя (например, смартфон или умные часы) и на основе этого предполагает его намерение (интент). Система модифицирует исходный запрос, изменяет ранжирование и форматирует результаты, чтобы предоставить наиболее релевантный и удобный ответ для конкретного устройства и контекста использования.
  • US20160299978A1
  • 2015-04-13
  • Семантика и интент

  • Персонализация

Как Google предлагает категории для уточнения запроса на основе анализа топа выдачи (особенно в локальном поиске)
Google анализирует категории (например, из бизнес-справочников), к которым принадлежат топовые результаты по запросу пользователя. Наиболее релевантные или часто встречающиеся категории предлагаются пользователю для уточнения или сужения поиска, что особенно актуально для локальных запросов и поиска организаций.
  • US7523099B1
  • 2004-12-30
  • Local SEO

  • Семантика и интент

  • SERP

Как Google использует краудсорсинг для понимания фактологических запросов и создания шаблонов ответов
Google использует метод масштабирования понимания фактологических запросов. Система показывает пользователям факт (например, «Рост Барака Обамы 6'1"») и просит их предложить запросы, которые ведут к этому факту. Полученные запросы нормализуются, фильтруются и обобщаются в шаблоны (например, «какой рост у [Person]»). Эти шаблоны связываются с базой знаний, позволяя системе отвечать на аналогичные вопросы о других сущностях.
  • US9037568B1
  • 2013-03-15
  • Семантика и интент

  • Knowledge Graph

Как Google объединяет поисковый запрос и профиль пользователя для персонализации выдачи с помощью векторных эмбеддингов (LCR)
Google использует метод Latent Collaborative Retrieval (LCR) для персонализации поиска. Система создает векторные представления (эмбеддинги) для текущего запроса пользователя и его долгосрочного профиля (история, предпочтения). Эти векторы приводятся к единой размерности в общем латентном пространстве, что позволяет напрямую сравнивать и комбинировать релевантность запросу и соответствие профилю пользователя для формирования финальной выдачи.
  • US20130325846A1
  • 2012-06-01
  • Персонализация

  • Семантика и интент

  • SERP

Как Google разбирает сложные слова в запросе на части и подбирает синонимы к каждой части
Google использует механизм онлайн-декомпозиции для разбора сложных или составных слов в запросе (например, "vlcmediaplayer") на отдельные компоненты ("vlc", "media", "player") прямо во время поиска. Система определяет наилучший вариант разбивки, основываясь на частотности слов в интернете. Затем она подбирает синонимы к каждому компоненту, включая синонимы синонимов (транзитивность), и использует их для расширения запроса.
  • US8392441B1
  • 2010-08-13
  • Семантика и интент

Как Google использует местоположение пользователя для улучшения распознавания текста на изображениях и поиска источника контента
Google использует географическое положение пользователя для выбора наиболее подходящей языковой модели при распознавании текста (OCR) на изображениях (визуальных запросах). Это позволяет системе учитывать региональные различия в языке (например, орфографию или терминологию) для более точной интерпретации контента. Цель — найти оригинальный канонический документ, соответствующий тексту на изображении.
  • US8805079B2
  • 2011-12-01
  • Мультиязычность

  • Local SEO

  • EEAT и качество

Как Google использует Knowledge Graph для автоматической кластеризации результатов поиска по свойствам сущностей
Google использует Knowledge Graph для организации поисковой выдачи по широким запросам. Система определяет сущность в запросе (например, «Собаки»), находит в Knowledge Graph её наиболее важное свойство (например, «Порода») и автоматически генерирует уточняющие подзапросы. Результаты поиска представляются в виде организованных кластеров, соответствующих этим подзапросам.
  • US20150269231A1
  • 2012-08-08
  • Knowledge Graph

  • Семантика и интент

  • SERP

Как Google использует визуальный контекст и значимость сущностей для рекомендации контента без явного запроса пользователя
Google использует систему для анализа контента, отображаемого на экране пользователя (например, веб-страницы или приложения). Система определяет ключевые сущности и оценивает их важность на основе визуального представления (шрифт, позиция, частота). Затем она автоматически генерирует невидимые запросы, комбинируя эти сущности, и рекомендует свежие тематические ресурсы (например, новости), релевантные наиболее важным комбинациям.
  • US10467300B1
  • 2016-12-22
  • Семантика и интент

  • Персонализация

Как Google создает новые поисковые подсказки (Autocomplete), комбинируя структуры и термины из прошлых запросов
Google расширяет покрытие поисковых подсказок (Autocomplete), создавая новые, ранее не использованные запросы. Система анализирует логи, находит запросы с похожей структурой (шаблоны), определяет семантически близкие термины (используя distributional similarity) и комбинирует их. Это позволяет предлагать пользователям релевантные подсказки, даже если такой запрос никогда ранее не вводился.
  • US8521739B1
  • 2011-11-29
  • Семантика и интент

Как Google использует редкость сущностей (IDF) для персонализации и повышения интересности контента
Google использует механизм для персонализации выдачи (например, в Новостях или Рекомендациях), который повышает в ранжировании документы, содержащие сущности, интересующие пользователя, если эти сущности редко встречаются в недавнем корпусе документов. Редкость измеряется с помощью Inverse Document Frequency (IDF). Система продвигает уникальные комбинации тем (группы сущностей), которые могут быть особенно интересны пользователю.
  • US9679018B1
  • 2014-02-19
  • Персонализация

  • Семантика и интент

  • SERP

Как Google [Reader] рекомендовал подписку на RSS-фиды на основе истории посещенных пользователем сайтов
Патент описывает функциональность агрегатора контента (Feed Reader). Система отслеживает веб-страницы, посещаемые пользователем, определяет наличие связанных с ними контент-фидов (например, RSS/Atom) и предлагает подписаться на них через специальный интерфейс. Рекомендации подавляются, если пользователь уже подписан или ранее отклонил предложение.
  • US8190997B2
  • 2005-10-07
  • Персонализация

  • Поведенческие сигналы

  • Ссылки

Как Google определяет наиболее релевантную часть документа, игнорируя ключевые слова из Title и URL
Google использует механизм для определения самой важной части страницы по запросу пользователя. Система классифицирует слова запроса на «навигационные» (если они есть в Title или URL) и «информационные». При анализе контента внутри страницы вес «навигационных» слов снижается или обнуляется, позволяя точнее выделить конкретный фрагмент текста, содержащий ответ.
  • US8005825B1
  • 2005-09-27
  • Семантика и интент

Как Google превращает поисковую выдачу в интерактивные "Мини-приложения" (Mini-Apps) от разных поставщиков
Google патентует систему, которая определяет намерение пользователя и предоставляет интерактивные "мини-приложения" (Mini-Apps) прямо на странице результатов поиска. Пользователи могут выполнять задачи (например, бронировать столик, рассчитывать ипотеку) без перехода на сайт поставщика, сравнивать предложения разных компаний и переносить введенные данные между их приложениями в рамках одной сессии.
  • US11461419B2
  • 2020-07-09
  • SERP

  • Семантика и интент

Как Google использует визуальное сходство для связывания изображений и видео, кластеризации выдачи и обогащения метаданных
Google анализирует визуальное содержимое изображений и ключевых кадров видео для выявления сходств. Это позволяет связывать разнотипный контент, даже если у него мало текстовых данных. Система использует эти связи для переноса метаданных (например, ключевых слов или геопозиции) от одного ресурса к другому, а также для кластеризации и смешивания изображений и видео в результатах поиска.
  • US9652462B2
  • 2011-04-29
  • Мультимедиа

  • SERP

  • Семантика и интент

Как Google выборочно индексирует действия пользователя на локальном устройстве, основываясь на поведении и частоте событий
Анализ патента Google, описывающего инфраструктуру для клиентского поиска (например, Google Desktop). Система фиксирует действия пользователя (события) с контентом (статьями) и решает, индексировать ли их, используя критерии, основанные на частоте событий, доступных ресурсах и предполагаемых интересах пользователя (имплицитно выведенных из его поведения).
  • US8346777B1
  • 2004-03-31
  • Индексация

  • Local SEO

  • Поведенческие сигналы

Как Google использует паттерны скроллинга на SERP для динамического показа связанных запросов и фильтров
Google отслеживает взаимодействие пользователя с поисковой выдачей. Если система фиксирует паттерн «прокрутка вниз, затем быстрый возврат вверх», это интерпретируется как неудовлетворенность результатами. В этот момент Google динамически вставляет дополнительный контент (связанные запросы, фильтры, рекламу) под строкой поиска, чтобы помочь пользователю уточнить запрос без ручного ввода текста, что особенно актуально для мобильных устройств.
  • US20150160817A1
  • 2012-04-10
  • SERP

  • Поведенческие сигналы

Как Google использует генеративные модели (LLM) для переписывания запросов в диалоговом поиске на основе контекста беседы
Google использует генеративные модели (LLM) для анализа истории диалога (multi-turn session) и переписывания неоднозначных запросов пользователя (например, "сколько он стоит?") в полные контекстно-зависимые запросы (например, "сколько стоит смартфон Бренда X?"). Это позволяет системе точно понимать интент в диалоговом поиске (SGE, чат-боты) и предоставлять релевантные результаты, используя графы интентов.
  • US20250173519A1
  • 2023-11-29
  • Семантика и интент

Как Google автоматически определяет поисковые запросы в URL-адресах рефереров для таргетинга рекламы
Google использует систему для автоматического определения того, какой параметр в URL предыдущей посещенной страницы содержит поисковый запрос пользователя. Анализируя разнообразие значений параметров (Diversity Metric), система создает шаблоны для извлечения этих запросов из реферальных URL. Извлеченные данные затем используются для показа релевантной рекламы на текущей странице.
  • US9330093B1
  • 2012-08-02
  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google выявляет и удаляет подсказки в Autocomplete, которые отвлекают пользователя от его изначальной цели поиска
Google использует механизм для очистки системы автозаполнения (Autocomplete). Система выявляет популярные подсказки, которые развлекают или интересуют пользователей, но не соответствуют их изначальному намерению. Путем экспериментов с временным скрытием этих подсказок Google проверяет, ищут ли пользователи эту информацию самостоятельно. Если нет, подсказка классифицируется как отвлекающая и понижается.
  • US9355191B1
  • 2013-01-24
  • Семантика и интент

Как Google переводит изображения в текстовые запросы, валидируя метки через веб-поиск
Google использует эту систему для определения наилучшего текстового описания (метки) для изображения. Система тестирует различные варианты меток, используя их как поисковые запросы, и проверяет, сколько результатов поиска указывают на веб-страницы, содержащие исходное изображение. Это гарантирует, что выбранная метка точно отражает то, как изображение используется и понимается в интернете.
  • US9218546B2
  • 2012-06-01
  • Мультимедиа

  • Семантика и интент

  • Индексация

Как Google обучается распознавать синонимы, анализируя текст сниппетов в результатах поиска
Google использует текст сниппетов для улучшения систем понимания запросов. Анализируя, какие слова часто появляются в сниппетах релевантных или кликабельных результатов, система выявляет потенциальные синонимы для исходных ключевых слов. Это позволяет автоматически расширять будущие запросы, включая эти синонимы для повышения полноты выдачи.
  • US20140358904A1
  • 2012-08-02
  • Семантика и интент

  • SERP

Как Google использует Vision-Language и Генеративные модели для анализа ключевых кадров видео и ответов на вопросы пользователей
Google разработал систему для эффективного понимания содержания видео. Вместо анализа каждого кадра система выбирает ключевые кадры и использует Vision-Language Model для создания их текстового описания. Когда пользователь задает вопрос о видео, система объединяет запрос с этими описаниями и использует генеративную модель (LLM) для формирования точного ответа в реальном времени.
  • US20250190488A1
  • 2023-12-11
  • Мультимедиа

  • Семантика и интент

  • 1
  • …
  • 24
  • 25
  • 26
  • 27
  • 28
  • …
  • 44
seohardcore