Разборы патентов Google для SEO
Разобрано 1 300 из ~2 500
Как Google использует IDF и Энтропию для определения семантической схожести запросов при генерации поисковых подсказок
Google определяет схожесть поисковых запросов для генерации релевантных подсказок, используя модель взвешенных N-грамм. Каждой фразе (N-грамме) присваивается «семантический вес», основанный на её уникальности в документах (IDF) и в логах запросов пользователей (Entropy). Схожесть запросов вычисляется путем сравнения этих взвешенных векторов, гарантируя, что подсказки основаны на наиболее значимых терминах.
- US8019748B1
- 2007-11-14
Как Google автоматически генерирует, ранжирует и отображает навигационные фильтры (структурированные сниппеты и Sitelinks) для результатов поиска и рекламы
Google использует систему для автоматического извлечения структурированных данных (заголовков и связанных элементов) с целевой страницы. Эти данные организуются в "Навигационные фильтры" — концептуально параллельные списки (например, "Бренды: Canon, Nikon, Sony"). Система ранжирует эти фильтры на основе запроса пользователя, его интересов и доступного пространства, а затем интегрирует их в сниппет результата поиска или рекламное объявление для улучшения навигации.
- US9276855B1
- 2013-07-16
Как Google использует фразы для построения индекса, оптимизирует поиск и обеспечивает свежесть выдачи
Анализ патента, описывающего архитектуру поисковой системы Google, основанную на индексировании фраз, а не отдельных слов. Патент раскрывает, как система извлекает значимые фразы из документов, используя структурные сигналы (заголовки, абзацы, форматирование), организует индекс в многоуровневую структуру (Tiers и Shards) и обеспечивает непрерывное обновление данных (Segment Swapping) без остановки поиска.
- US7702614B1
- 2007-03-30
Как Google использует графы уточнений запросов для бустинга документов и переписывания широких запросов
Google анализирует, как пользователи уточняют свои запросы, и строит «Граф Запросов». Этот граф используется двумя способами: 1) Для повышения ранжирования документов (особенно по заголовкам), которые точно соответствуют популярным кластерам запросов, даже если у них мало ссылок. 2) Для автоматического переписывания широкого запроса пользователя в его наиболее популярные конкретные уточнения и объединения результатов.
- US20150169589A1
- 2015-02-26 (Continuation of application filed on 2009-04-29)
Как Google строит инфраструктуру поиска на основе фраз и оптимизирует извлечение концепций из контента
Патент описывает комплексную систему поиска, которая индексирует документы на основе фраз, а не отдельных слов. Он детализирует процесс извлечения фраз (Phrase Extraction), учитывающий структуру и форматирование контента. Для хранения этого индекса используется многоуровневая (Tiers) и шардированная (Shards) архитектура, которая оптимизирует скорость поиска и снижает нагрузку на серверы.
- US7693813B1
- 2007-03-30
Как Google комбинирует временные тренды и контекстуальный анализ для определения схожести поисковых запросов
Google использует систему машинного обучения для определения схожести между запросами путем объединения разнородных сигналов. Система анализирует как временные паттерны использования терминов в разных источниках (Temporal Correlation), так и контекст, в котором термины появляются в интернете (Distributional Similarity). Комбинация этих данных позволяет генерировать более точные поисковые подсказки и связанные запросы.
- US8478699B1
- 2010-04-30
Как Google анализирует видеоконтент, прогнозирует поисковые намерения пользователей и динамически показывает поясняющие карточки сущностей
Google использует машинное обучение для анализа транскрипции видео и прогнозирования, какие сущности (термины, концепции, объекты) зрители, скорее всего, захотят поискать. Система автоматически генерирует информационные «Карточки сущностей», используя контент из внешних веб-источников, и синхронно показывает их в интерфейсе плеера в момент упоминания сущности в видео.
- US12072934B2
- 2022-12-30
Как Google реализует интерактивный визуальный поиск объектов и людей внутри видеоконтента
Google использует систему интерактивного поиска внутри видеоконтента. Пользователь может остановить видео, и система автоматически распознает объекты и людей в кадре. Используя визуальные индикаторы (например, цветные рамки), система показывает статус идентификации (известен, неизвестен, несколько вариантов). При выборе объекта пользователь получает информацию и ссылки в оверлее поверх видео.
- US9596515B2
- 2012-01-04
Как Google в реальном времени вычисляет схожесть между сущностями (сайтами, запросами, пользователями) внутри конкретных тематических категорий
Google использует инфраструктурное решение для мгновенного расчета сложных метрик схожести (например, Personalized PageRank) в огромных графах связей (например, Документы и Запросы). Система заранее разбивает граф на тематические категории и создает компактные подграфы (Reduction). Это позволяет в реальном времени оценивать тематическую близость контента или интересов пользователей (Aggregation), минуя обработку всего массива данных.
- US10152557B2
- 2014-05-15
Как Google автоматически понимает контекст запросов, заданных во время просмотра видео, используя временные метки и анализ N-грамм
Google использует систему для автоматического уточнения запросов, заданных во время просмотра мультимедиа (например, «Кто это?»). Система определяет сущности (людей, объекты), присутствующие на экране в момент запроса, используя временные метки и анализ истории поисковых запросов (N-грамм). Затем она переписывает запрос, добавляя релевантный контекст, чтобы предоставить точный ответ без прерывания просмотра.
- US9852188B2
- 2014-06-23
Как Google анализирует контент на экране пользователя для генерации и рекомендации контекстных поисковых запросов
Google использует систему для анализа контента, который пользователь просматривает в данный момент (веб-страница, приложение). Система генерирует потенциальные поисковые запросы на основе этого контента, оценивает их качество (популярность, качество результатов, визуальное выделение терминов) и предлагает пользователю лучшие запросы для быстрого контекстного поиска без необходимости вручную вводить текст.
- US10489459B1
- 2016-12-22
Как Google в реальном времени перестраивает поисковые подсказки (Autocomplete) на основе прямых эфиров и трансляций
Google отслеживает прямые эфиры (ТВ, радио, стримы) и извлекает из них ключевые темы и сущности. Система использует эту информацию для повышения в реальном времени релевантных поисковых подсказок (Autocomplete), адаптируя их под текущие события. Это также помогает валидировать всплески поискового интереса (query spikes).
- US20150149482A1
- 2013-03-14
Как Google предотвращает потерю смысла при подборе синонимов для многословных запросов (механизм "Pseudo-Drop")
Google использует механизм валидации синонимов к многословным фразам, чтобы предотвратить потерю информации (т.н. "pseudo-drop"). Если синоним для всей фразы совпадает с синонимом только для её части, система блокирует такую замену. Это предотвращает чрезмерное обобщение запроса и сохраняет точность исходного поискового намерения.
- US8661012B1
- 2006-12-29
Как Google использует машинное обучение для распознавания разных смыслов запроса и ранжирования изображений в Image Search
Google использует модель машинного обучения для улучшения ранжирования в поиске по картинкам. Система определяет различные смыслы (senses) неоднозначного запроса (например, "Jaguar" как автомобиль и как животное), проецирует изображения в многомерное пространство признаков и строит гиперплоскости (hyperplanes) для разделения этих смыслов. Итоговый ранг изображения определяется его близостью к любому из релевантных смыслов.
- US8923655B1
- 2012-10-12
Как Google использует датчики устройства (камеру, микрофон, GPS), чтобы скрывать личную историю поиска в публичных местах
Google анализирует окружающую среду пользователя с помощью датчиков устройства (звук, местоположение, изображение), чтобы определить уровень конфиденциальности контекста. Если пользователь находится в общественном месте, система скрывает из поисковых подсказок и автодополнения те исторические запросы, которые были сделаны в приватной обстановке, защищая конфиденциальные данные от посторонних.
- US11790005B2
- 2020-11-30
Как Google обрабатывает неоднозначные запросы с устройств с ограниченным вводом, используя логическое "ИЛИ" и логи прошлых поисковых запросов
Система обрабатывает неоднозначные входные данные, например, цифровую последовательность с телефонной клавиатуры, преобразуя их во все возможные буквенные комбинации. Эти комбинации проверяются по лексикону (включая словарь и журнал прошлых запросов) и отправляются в поисковую систему как единый запрос с оператором «ИЛИ». Это позволяет поисковой системе вернуть релевантные результаты, отфильтровав неправдоподобные интерпретации.
- US7136854B2
- 2000-12-26
Как Google использует сущности (Concepts) для определения точного контекста и генерации синонимов запроса
Google идентифицирует многословные фразы (Concepts) в запросе и рассматривает их как единое целое. Это позволяет системе понять точный контекст остальных слов в запросе и сгенерировать высокоточные синонимы (замены) на основе анализа поведения пользователей в логах запросов, минуя вычислительные ограничения стандартного N-граммного анализа.
- US9104750B1
- 2012-10-12
Как Google агрегирует и показывает историю кликов пользователя по результатам поиска из разных источников
Патент описывает систему, которая собирает результаты поиска, ранее выбранные пользователем (клики, просмотры) на разных платформах или сайтах. Эти результаты агрегируются и отображаются в едином интерфейсе для быстрого повторного доступа. Система использует фильтры по времени взаимодействия и частоте кликов для исключения случайных или нерелевантных посещений.
- US9471669B2
- 2013-11-20
Как Google использует машинное обучение для автоматического расширения запросов о фильмах и сериалах и показа связанного контента
Google использует систему для распознавания запросов, связанных с медиа (фильмы, сериалы). Если запрос идентифицирован как медийный, система автоматически расширяет его, добавляя семантически связанные термины (например, похожие шоу, актеров, жанры), найденные с помощью обученной модели машинного обучения. Это позволяет возвращать более широкий и релевантный набор результатов, даже если исходный запрос был узким.
- US8484192B1
- 2007-04-30
Как Google кластеризует контент на основе общих интересов аудитории, используя анализ ближайших соседей
Google использует механизм для кластеризации контента (например, рекламы или рекомендаций), основанный на профилях интересов пользователей, которые с ним взаимодействуют. Система создает векторы интересов аудитории для каждого элемента контента, затем формирует Списки Ближайших Соседей (Nearest Neighbor Lists). Контент объединяется в кластеры, если их списки соседей схожи. Это позволяет группировать контент по аудитории, а не только по тематике, улучшая таргетинг.
- US8745074B1
- 2012-09-14
Как Google превращает поисковые подсказки (Autocomplete) в задачи и напоминания, используя персональные данные пользователя
Google может интерпретировать поисковые запросы как намерение выполнить действие (например, «оплатить счет»). Система анализирует персональные данные (почту, календарь, контакты) и предлагает в поисковых подсказках не просто текст, а конкретные задачи. Выбор такой подсказки создает напоминание или событие напрямую, часто минуя стандартный поиск по веб-страницам.
- US9483565B2
- 2013-10-28
Как Google использует контент открытого документа пользователя для уточнения автодополнений (Autocomplete) поискового запроса
Google использует механизм для персонализации предложений автодополнения (Autocomplete) на основе контента документа, который пользователь просматривает или редактирует в данный момент. Система сравнивает семантику текущего документа пользователя с результатами поиска по потенциальным вариантам завершения запроса. Варианты, чьи результаты поиска наиболее похожи на контекст документа пользователя, повышаются в списке предложений.
- US9135250B1
- 2013-02-22
Как Google использует мультимодальный поиск (текст + изображение) для уточнения запросов и фильтрации видеоконтента
Google использует механизм мультимодального поиска, позволяющий пользователям дополнять текстовые запросы визуальным вводом (например, фотографией). Система анализирует изображение с помощью моделей машинного обучения для распознавания объектов и генерации семантической информации. Эта информация используется либо для создания уточненного составного запроса (composite query), либо для фильтрации исходных результатов поиска путем сопоставления метаданных изображения с метаданными проиндексированного видеоконтента.
- US20210064652A1
- 2020-09-03
Как Google трансформирует табличные данные (фиды, spreadsheets, HTML-таблицы) в структурированный Граф Знаний
Google использует системы для преобразования неструктурированных табличных данных (например, из spreadsheets, HTML-таблиц или продуктовых фидов) в структурированный граф знаний. Патент описывает механизмы импорта таблиц, автоматического создания сущностей и связей, а также процесс сверки (reconciliation) для связи данных с существующими сущностями во внешних графах (Knowledge Graph).
- US9798829B1
- 2013-10-22
Как Google решает, когда переводить запрос пользователя и показывать результаты на другом языке, сравнивая релевантность и распознавая сущности
Google анализирует запрос пользователя, переводит его на другой язык (например, английский) и сравнивает релевантность результатов в обоих языках. Если контент на иностранном языке значительно релевантнее, система подмешивает его в выдачу. При этом учитываются локальные и иностранные сущности в запросе, а также качество автоматического перевода.
- US20090083243A1
- 2008-09-22
Как Google интегрирует предсказание и выполнение поиска непосредственно в клавиатуру (Gboard) на основе контекста ввода
Google использует клавиатурное приложение (например, Gboard) для анализа текста, вводимого пользователем в реальном времени (например, в чате). Система идентифицирует поисковые сущности или триггерные фразы, автоматически генерирует релевантные поисковые запросы и предлагает их прямо в интерфейсе клавиатуры. Это позволяет пользователю мгновенно выполнить поиск и получить результаты, не покидая текущее приложение.
- US10305828B2
- 2016-04-20
Как Google использует анализ контента в топе выдачи для активации "слабых" синонимов и уточнения запроса
Google анализирует термины, которые необычно часто встречаются в первоначальных результатах поиска (сверхпредставленные термины). Если такой термин является потенциальным, но слабым синонимом для слова из запроса, система активирует эту связь и перезапускает поиск с уточненным запросом. Это позволяет контекстуально улучшать запрос на лету, используя специализированную лексику, доминирующую в нише.
- US9152698B1
- 2012-01-03
Как Google идентифицирует и ранжирует людей, связанных с запросом, и различает однофамильцев с помощью контекста
Google использует механизм для определения людей, наиболее релевантных поисковому запросу. Система анализирует контекст вокруг имен в документах, используя «термины классификации» (например, должности, локации, email), чтобы сгруппировать упоминания и различить людей с одинаковыми именами (дисамбигуация). Это позволяет точно идентифицировать сущности и организовать выдачу вокруг них.
- US9245022B2
- 2010-12-30
Как Google использует «IR-адаптеры» для эффективной донастройки фиксированных или Black-Box LLM под задачи поиска
Google патентует метод «IR Adapter» для улучшения работы больших языковых моделей (LLM) в поиске без их полного переобучения. Этот метод позволяет адаптировать фиксированные или закрытые (black-box) LLM, модифицируя их выходные эмбеддинги (векторные представления). Адаптер обучается на конкретных данных о релевантности, повышая точность поиска и сохраняя базовые знания модели.
- US20240378224A1
- 2024-05-03 (Заявка), 2023-05-09 (Предварительная заявка)
Как Google распознает, согласовывает и упорядочивает сериализованный контент (книги, фильмы) из разрозненных источников
Google использует алгоритмы для анализа информации о контенте (например, книгах, фильмах, сериалах) из множества источников. Система создает записи, кластеризует их для выявления серий, определяет канонические названия серий и отдельных произведений, а затем упорядочивает их последовательность. Это позволяет структурировать разрозненные и противоречивые данные для улучшения поисковой выдачи и формирования Графа Знаний.
- US9244919B2
- 2013-02-19