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

Семантика и интент в Google: разборы патентов

Детальные разборы патентов Google, связанные с семантикой, поисковыми запросами и интентами
  • 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 использует контекст запроса для исправления опечаток и понятийных ошибок, анализируя результаты поиска по оставшимся словам
Google использует механизм для исправления сложных, редких или понятийно ошибочных запросов. Если система идентифицирует потенциально неточный термин (опечатку или перепутанное название), она временно удаляет его и выполняет поиск по оставшимся словам. Затем анализируется контент найденных страниц (заголовки, анкоры, URL), чтобы определить правильный термин для замены, обеспечивая релевантную выдачу даже при ошибках пользователя.
  • US8868587B1
  • 2012-05-29
  • 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 комбинирует текстовый запрос и изображение-образец для уточнения поиска по картинкам
Google использует механизм для обработки гибридных запросов (текст + изображение). Система находит изображения, которые одновременно релевантны тексту и визуально похожи на образец. Для этого создаются компактные визуальные дескрипторы и используются "визуальные ключи" для быстрого поиска. Финальная выдача ранжируется по степени визуального сходства с образцом.
  • US9043316B1
  • 2012-03-28
  • Мультимедиа

  • Семантика и интент

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 определяет и ранжирует самые важные факты о сущностях, анализируя поисковые запросы пользователей
Google анализирует логи запросов, чтобы понять, какую информацию пользователи чаще всего ищут о конкретных сущностях (например, «высота» для здания или «альбомы» для музыканта). Система комбинирует данные по конкретной сущности с данными по её типу, чтобы определить и ранжировать наиболее востребованные атрибуты. Эти атрибуты затем используются для формирования блоков с фактами (например, Knowledge Panel) в ответ на запросы, даже если пользователь не спрашивал об этих фактах напрямую.
  • US9047278B1
  • 2012-11-09
  • Knowledge Graph

  • 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 контекстуально выбирает изображения и отзывы для локаций на основе атрибутов запроса пользователя
Google использует машинное обучение для анализа изображений и отзывов о местах (например, ресторанах) и связывания их с конкретными атрибутами (например, "есть детское меню", "вид на горы"). При поиске система динамически ранжирует этот контент, отдавая приоритет тем изображениям и отзывам, которые наиболее релевантны атрибутам, указанным в запросе пользователя.
  • US10671660B2
  • 2017-09-29
  • Семантика и интент

  • Мультимедиа

  • Local SEO

Как Google определяет связанные сущности, анализируя их совместное появление в списках и корректируя результат с учетом их глобальной популярности
Google использует алгоритм расширения набора сущностей (Set Expansion). Система анализирует списки, в которых исходные сущности (seeds) появляются вместе с другими. Чтобы найти действительно связанные сущности, а не просто популярные, система корректирует оценку, используя «фоновую вероятность» (глобальную популярность). Это позволяет продвигать нишевые, но тесно связанные сущности.
  • US9477758B1
  • 2012-07-19
  • Семантика и интент

  • Knowledge Graph

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 комбинирует визуальное сходство и семантические метки для улучшения поиска по картинке (Visual Search)
Google использует систему поиска по изображению, которая сочетает анализ визуальных характеристик и семантических меток. Система генерирует высокоточные метки (High Confidence Labels) для изображения, анализируя текст, связанный с визуально похожими картинками в интернете. Затем она ранжирует кандидатов, используя модель визуального сходства, обученную на основе человеческих оценок, и применяет правила фильтрации для обеспечения однородности результатов.
  • US8429173B1
  • 2010-04-20
  • Семантика и интент

  • Мультимедиа

  • SERP

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 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 извлекает и ранжирует прямые ответы (Featured Snippets) из веб-страниц
Google использует систему для ответов на вопросы пользователей путем извлечения конкретных предложений из результатов поиска. Система оценивает предложения-кандидаты по трем критериям: насколько часто похожие фразы встречаются в других результатах (консенсус), насколько предложение соответствует запросу (релевантность) и насколько авторитетен источник (ранг документа). Лучшие ответы отображаются над стандартными результатами поиска.
  • US8682647B1
  • 2012-01-13
  • SERP

  • Семантика и интент

Как Google определяет намерение поиска изображений, анализируя контент топовых веб-результатов
Google использует систему для определения того, следует ли показывать блок с изображениями в поисковой выдаче. Вместо анализа только текста запроса, система анализирует характеристики контента (например, плотность изображений, соотношение изображений к тексту) на страницах, которые уже ранжируются в топе. Если эти страницы похожи на контент, который обычно удовлетворяет потребность в изображениях, система активирует показ блока картинок.
  • US9195717B2
  • 2013-03-13
  • Семантика и интент

  • Мультимедиа

  • SERP

Как Google агрегирует экспертные знания из разных источников для создания контекстно-зависимой поисковой выдачи
Патент Google описывает механизм агрегирования «контекстных данных» (правил, аннотаций, фильтров) из нескольких Программируемых Поисковых Систем (PSE), созданных сторонними экспертами. Если несколько PSE посвящены схожей тематике, система объединяет их знания. Это позволяет предоставить пользователю единую, обогащенную выдачу, которая учитывает коллективную экспертизу и контекст запроса (например, покупка или решение проблемы).
  • US7716199B2
  • 2005-08-10
  • Семантика и интент

  • SERP

  • Персонализация

Как Google формирует персонализированные поисковые подсказки (Autocomplete) на основе контента пользователя (например, в Gmail)
Google использует механизм для улучшения поисковых подсказок (Autocomplete) в таких сервисах, как Gmail. Система анализирует корпус документов пользователя, распознает сущности (например, email-адреса, имена) и предлагает их в качестве подсказок. Это помогает пользователю быстрее находить нужный контент, предлагая контекстуализированные подсказки (например, полный контакт) вместо отдельных слов.
  • US20140201229A1
  • 2013-08-19
  • Персонализация

  • Индексация

  • Семантика и интент

Как Google анализирует контент топовых результатов, чтобы решить, какие блоки и элементы показать на странице выдачи
Google использует запатентованную систему для определения того, какие дополнительные элементы (например, блоки новостей, изображений, локальной выдачи) отображать на странице результатов поиска. Вместо того чтобы полагаться только на текст запроса, система анализирует и классифицирует сами результаты поиска (URL, заголовки, сниппеты). Доминирующая тематика топовых результатов определяет, какие элементы будут активированы, что позволяет точнее соответствовать намерению пользователя.
  • US8103676B2
  • 2007-10-11
  • SERP

  • 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 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 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 определяет и ранжирует наиболее важные факты о сущности на основе совместных упоминаний в интернете
Google использует механизм для определения наиболее важных свойств (фактов) о сущности в контексте ее типа. Система анализирует частоту совместного упоминания (co-occurrence) сущности и связанных с ней сущностей в интернете (Related Entity Score), агрегирует эти данные для каждого свойства (Property Score) и сортирует свойства по важности. Это определяет, какие факты будут показаны первыми в результатах поиска, например, в Панели знаний.
  • US9256682B1
  • 2012-12-05
  • Knowledge Graph

  • 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 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 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 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 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 понижает удаленные локальные результаты, если существуют более близкие альтернативы или качественные нелокальные сайты
Google анализирует выдачу по запросам с локальным интентом. Если локальный результат находится далеко от пользователя, система проверяет наличие альтернатив: других локальных результатов поблизости или высокорелевантных нелокальных страниц. Если альтернативы найдены, удаленный результат понижается, за исключением случаев, когда он обладает высокой глобальной значимостью (независимо от местоположения).
  • US9262541B2
  • 2013-10-18
  • Local SEO

  • SERP

  • Семантика и интент

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
  • Семантика и интент

  • Индексация

  • SERP

  • 1
  • …
  • 10
  • 11
  • 12
  • 13
  • 14
  • …
  • 21
seohardcore