Как Google использует карусели сущностей для навигации и удержания пользователя в контексте поиска
Google использует механизм для поддержания поискового контекста при исследовании связанных тем. Когда пользователь изучает коллекцию сущностей одного типа (например, породы собак или фильмы актера), система отображает постоянный навигационный элемент (карусель). Это позволяет быстро переключаться между сущностями, обновляя результаты поиска и информационные блоки, не покидая исходную страницу выдачи.
  • US9965529B2
  • 2012-05-02

  • Knowledge Graph

  • SERP

  • Семантика и интент

Как Google изучает новые слова, сленг и опечатки из поисковых запросов и веб-контента для лучшего понимания текста и URL
Google автоматически пополняет свой внутренний словарь (лексикон), анализируя логи поисковых запросов и контент в интернете (включая чаты и мессенджеры). Это позволяет системе выявлять новые термины, аббревиатуры, имена собственные и распространенные опечатки. Дополненный лексикон используется для лучшей сегментации (разбивки на слова) сложных строк без пробелов, например, URL-адресов или слитных запросов.
  • US8051096B1
  • 2004-09-30

  • Семантика и интент

  • Индексация

Как Google использует иерархию запросов для точной идентификации сущностей (товаров, статей), даже при наличии ошибок в данных
Google использует метод "Поиска известного элемента" для надежной идентификации конкретных сущностей (например, научных статей или товаров), даже если исходный запрос содержит ошибки. Система создает несколько запросов с разными комбинациями атрибутов и выполняет их иерархически — от самых точных (например, по DOI/GTIN) к менее точным (по названию/автору). Это позволяет находить нужный объект, игнорируя ошибки в отдельных атрибутах, и используется для сверки данных и каноникализации сущностей.
  • US9886475B1
  • 2015-07-02

  • Семантика и интент

Как Google использует язык интерфейса и статистику корпуса для обработки акцентов, диграфов и транслитерации в запросах
Google использует механизм для обработки запросов, содержащих акценты, диграфы («ue» вместо «ü») и транслитерацию. Система определяет язык запроса, нормализует термины в упрощенную форму и ищет варианты в предварительно созданной «Карте Синонимов». Это позволяет находить документы с правильной орфографией, даже если пользователь ввел упрощенный вариант. Также описан механизм защиты для «малых языков», ограничивающий подбор синонимов для сохранения точности выдачи.
  • US7835903B2
  • 2006-04-19

  • Мультиязычность

  • Семантика и интент

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)

  • Семантика и интент

Как Google интерактивно уточняет неоднозначные запросы у пользователя и изучает новую терминологию без переобучения ИИ-моделей
Google использует систему для обработки неоднозначных запросов на естественном языке. Если запрос можно интерпретировать по-разному, система просит пользователя внести ясность (например, добавить скобки или перефразировать). Это помогает Google точно преобразовать запрос в структурированный формат для поиска по Базе Знаний (Knowledge Base), а также позволяет системе изучать отраслевые термины на лету, не требуя медленного переобучения основных ИИ-моделей.
  • US11301502B1
  • 2016-09-14

  • Семантика и интент

  • Knowledge Graph

Как Google понижает вес уточняющих слов при последовательных запросах в рамках одной сессии
Google анализирует историю запросов пользователя в рамках одной сессии. Если новый запрос является прямым расширением предыдущего (например, "погода Москва" -> "погода Москва завтра"), система снижает вес добавленных терминов ("завтра") или делает их опциональными. Это гарантирует, что результаты останутся сфокусированными на исходном намерении пользователя, а уточнения используются как фильтры.
  • US8645409B1
  • 2008-04-02

  • Семантика и интент

  • Персонализация

Как Google обучает модели ранжирования, сравнивая результаты из разных, но похожих запросов (Cross-List Learning to Rank)
Google использует метод обучения моделей ранжирования, который выходит за рамки одного поискового запроса. Система сравнивает релевантность документа для Запроса А с релевантностью другого документа для Запроса Б, если эти запросы семантически похожи. Это позволяет моделям лучше обобщать сигналы релевантности внутри тематических кластеров и эффективнее определять порядок результатов.
  • US12314275B2
  • 2023-08-14

  • Семантика и интент

Как Google использует аудиовизуальный контекст (то, что пользователь смотрит в данный момент) для уточнения поисковых запросов
Google использует технологию для понимания запросов о медиаконтенте, который воспроизводится в данный момент (например, "Кто этот актер?"). Система идентифицирует программу и точный момент с помощью аудио/видео отпечатков, определяет, какие сущности (актеры, объекты) сейчас на экране, и использует эту информацию как контекст для точного ответа на запрос пользователя.
  • US10002191B2
  • 2014-02-26

  • Мультимедиа

  • Семантика и интент

Как Google использует двухмерный индекс и пре-компьютерные пути для ультрабыстрого поиска в Knowledge Graph
Google использует специализированную архитектуру индекса для Knowledge Graph, отличную от веб-индекса. Патент описывает двумерную структуру индекса, которая позволяет обрабатывать сложные запросы к графу (связи сущностей, диапазоны, геолокация) с очень низкой задержкой. Система интегрирует текстовый поиск с графом, предварительно вычисляет сложные пути и использует специальные структуры для оптимизации локального и диапазонного поиска.
  • US9576007B1
  • 2013-12-10

  • Knowledge Graph

  • Индексация

  • Local SEO

Как Google использует трендовые результаты поиска для понимания неоднозначных запросов в Ассистенте
Google использует этот механизм для разрешения неоднозначных запросов в Цифровом Ассистенте. Если намерение пользователя неясно, система анализирует текущие трендовые результаты веб-поиска или всплески похожих запросов, чтобы определить актуальный контекст (например, новости или музыка). Затем Ассистент формирует ответ, используя предпочитаемые пользователем источники информации для этого контекста.
  • US20220382819A1
  • 2021-05-28

  • Семантика и интент

  • Персонализация

Как Google классифицирует запросы в бизнес-категории с помощью статистических моделей и разнообразных данных для обучения
Google использует систему для автоматического определения релевантных бизнес-категорий (например, «Желтые страницы») для поискового запроса. Система основана на статистической модели (например, Naïve Bayes), которая обучается на различных источниках данных: каталогах, веб-сайтах компаний, логах запросов и рекламном трафике. Это позволяет сопоставлять запросы с категориями, даже если они не имеют общих слов.
  • US20100191768A1
  • 2010-04-08

  • Семантика и интент

Как Google разрешает лингвистическую неоднозначность в сложных запросах, анализируя связи между сущностями в Базе Знаний
Google использует механизм для точной интерпретации запросов на естественном языке при обращении к структурированным данным (например, Графу Знаний). Если слово в запросе неоднозначно, система анализирует возможные связи между сущностями (Пути Соединения) и использует контекст запроса (Подконтексты) для выбора единственно верной интерпретации и генерации точного ответа.
  • US10282444B2
  • 2016-09-09

  • Семантика и интент

  • Knowledge Graph

Как Google использует графовое сопоставление для поиска структурированных данных внутри диаграмм и таблиц
Google патентует систему для сопоставления сложных пользовательских запросов (представленных в виде графов) с базовыми моделями данных визуального контента (например, диаграмм или таблиц) на веб-страницах. Это требует от издателей предоставлять свои данные в доступном структурированном формате («Content Metadata Sets»), чтобы поисковая система могла понять и проиндексировать сложные взаимосвязи внутри контента.
  • US9411890B2
  • 2012-06-05

  • Семантика и интент

  • Индексация

  • Техническое SEO

Как Google Assistant использует контекст пользователя и активные документы для выбора источника ответа
Google использует систему для Автоматизированных Ассистентов, которая ищет ответы не только в общем веб-индексе. Система анализирует текущий контекст пользователя (местоположение, тему диалога) и «активные документы» (открытые веб-страницы, недавно озвученный контент). Это позволяет Ассистенту понимать неоднозначные запросы, отдавая приоритет информации, непосредственно связанной с действиями пользователя, и выбирать лучший ответ из всех источников.
  • US11017037B2
  • 2017-09-13

  • Семантика и интент

  • Персонализация

Как Google использует NLP, Proximity Score и Query Score для извлечения сущностей и приоритизации контента на основе структуры текста и контекста пользователя
Патент детально описывает, как Google анализирует текстовые описания, извлекает ключевые именные группы (Noun Phrases/сущности) и превращает их в поисковые запросы. Система ранжирует результаты, используя «Proximity Score» (порядок появления в тексте) и «Query Score» (контекст пользователя), что дает критическое понимание влияния структуры текста на интерпретацию контента.
  • US9788055B2
  • 2013-03-14

  • Семантика и интент

  • SERP

  • Техническое SEO

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

  • Свежесть контента

  • Семантика и интент

  • Мультимедиа

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

  • Мультимедиа

  • Семантика и интент

Как Google итеративно генерирует запросы из метаданных контента для поиска "Похожих Видео" (на примере YouTube)
Google (в частности, YouTube, упомянутый в патенте) использует итеративный процесс для генерации списков связанного контента. Система анализирует метаданные (заголовок, описание, теги) просматриваемого элемента и создает упорядоченный список ключевых слов. Затем она формирует внутренний поисковый запрос и автоматически уточняет его — сужая добавлением слов или расширяя удалением слов — пока не будет найдено оптимальное количество похожих результатов.
  • US8078632B1
  • 2008-02-15

  • Семантика и интент

  • Персонализация

  • Мультимедиа

Как Google использует камеру и микрофон для понимания неоднозначных голосовых запросов (типа "что это?")
Google использует механизм мультимодального поиска, объединяющий данные с камеры и микрофона устройства. Если пользователь задает неоднозначный голосовой запрос (например, "Сколько это стоит?"), система распознает объект в поле зрения камеры и использует его название для уточнения запроса (например, "Сколько стоит [Распознанный Объект]?"), обеспечивая точный ответ.
  • US20150088923A1
  • 2013-09-23

  • Мультимедиа

  • Семантика и интент

Как Google автоматически генерирует поисковые запросы на основе аудиоконтекста медиа (ТВ, радио, реклама)
Google использует технологию для автоматизации поиска на основе медиаконтента, потребляемого пользователем. Система записывает аудиосэмпл с устройства пользователя (например, звук телевизора), идентифицирует контент (шоу или рекламу) с помощью аудиофингерпринтинга и извлекает связанную метаинформацию (субтитры, EPG, текст из видео). На основе этих данных автоматически формируется и выполняется поисковый запрос, предоставляя пользователю релевантные результаты без ручного ввода ключевых слов.
  • US8694533B2
  • 2010-05-19

  • Индексация

  • Мультимедиа

  • Семантика и интент

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

  • SERP

  • Семантика и интент

Как Google использует анализ самой длинной общей подпоследовательности (LCS) для определения лексических синонимов и вариантов слов
Google использует метод Longest Common Subsequence (LCS) для идентификации лексически близких слов, таких как словоформы, аббревиатуры и составные слова. Система вычисляет самую длинную общую последовательность символов между двумя терминами и сравнивает её длину с длиной более длинного термина. Если коэффициент схожести и расстояние редактирования соответствуют порогам, слова считаются кандидатами в синонимы, что улучшает понимание запросов.
  • US8001136B1
  • 2008-07-02

  • Семантика и интент

Как Google использует отношения Класс-Сущность для генерации специализированных поисковых подсказок (Query Specializations)
Google использует механизм для уточнения поисковых подсказок, заменяя общие термины (Классы) на конкретные примеры (Сущности). Система автоматически извлекает связи «Класс-Сущность» из веб-документов и оценивает их надежность. Например, подсказка «свойства муравьиной кислоты» может быть специализирована до «плотность муравьиной кислоты», помогая пользователю сфокусировать интент.
  • US8452795B1
  • 2010-04-13

  • Семантика и интент

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

  • Мультиязычность

  • Семантика и интент

  • SERP

Как Google рассчитывает значимость сущности в документе (Entity Score) и использует всплески трафика (Traffic Spike Score) для рекомендации контента
Google использует систему для определения того, насколько важна конкретная сущность (человек или бренд) для документа. Система анализирует количество упоминаний, их расположение (заголовок, тело) и упоминания других сущностей для расчета «Entity Score». Этот механизм используется для предложения пользователям контента о них самих для распространения в социальных сетях, а также учитывает «Traffic Spike Score» (всплески трафика) для выявления актуальных документов.
  • US9098502B1
  • 2012-12-27

  • Индексация

  • Семантика и интент

Как Google генерирует синтетические запросы, анализируя шаблоны и структуру HTML на сайте
Google использует структурное сходство между страницами на одном сайте для генерации новых, "синтетических" запросов. Система анализирует, в каких HTML-элементах (например, или <h1>) находятся термины из уже известных эффективных запросов. Затем она создает шаблон и применяет его к другим похожим страницам этого же сайта для извлечения новых фраз, улучшая понимание шаблонного контента.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US8346792B1</li><li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2010-11-09</li> </ul> <ul class="options-list"> <li><p>Структура сайта</p></li> <li><p>Семантика и интент</p></li> <li><p>SERP</p></li> </ul> </div> </div> </div> </div> </div> <div class="listing-single"> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="https://seohardcore.ru/patents/google/US7702614B1/">Как Google использует фразы для построения индекса, оптимизирует поиск и обеспечивает свежесть выдачи</a> <div class="text">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.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US7702614B1</li><li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2007-03-30</li> </ul> <ul class="options-list"> <li><p>Индексация</p></li> <li><p>Свежесть контента</p></li> <li><p>Семантика и интент</p></li> </ul> </div> </div> </div> </div> </div> <div class="listing-single"> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="https://seohardcore.ru/patents/google/US20250069593A1/">Как Google планирует использовать аудио-отпечатки для поиска по голосовым запросам без распознавания речи (ASR)</a> <div class="text">Google разрабатывает технологию для голосового поиска, которая не требует транскрибации речи в текст (ASR). Система создает компактный аудио-отпечаток (фонетический сигнал) из голоса пользователя и напрямую сопоставляет его с токенами документов в общем векторном пространстве. Это позволяет находить релевантные результаты быстрее, эффективнее и с сохранением конфиденциальности пользователя.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US20250069593A1</li><li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2023-08-22</li> </ul> <ul class="options-list"> <li><p>Семантика и интент</p></li> <li><p>Мультимедиа</p></li> </ul> </div> </div> </div> </div> </div> <div class="listing-single"> <div class="listing-block-five"> <div class="image-box"> <div class="se-icon"><img src="/static/img/google-logo-png-29534.png" alt=""></div></div> <div class="inner-box"> <div class="image-box"> </div> <div class="content-box"> <div class="upper-box"> <a class="pat-listing-item-headlink" href="https://seohardcore.ru/patents/google/US9305064B1/">Как Google определяет и предлагает следующие шаги в голосовом поиске для построения разговорного диалога</a> <div class="text">Патент Google, описывающий механизм для облегчения разговорного поиска, в первую очередь на носимых устройствах. Система анализирует исходный запрос и определяет связанные темы (ключевые слова), основываясь на популярных поисковых запросах и семантических связях. Эти ключевые слова отображаются пользователю и одновременно активируются как голосовые команды для быстрого выполнения следующего связанного поиска.</div> </div> <div class="bottom-box"> <ul class="info"> <li>US9305064B1</li><li> <svg xmlns="http://www.w3.org/2000/svg" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.25" stroke-linecap="round" stroke-linejoin="round" class="lucide lucide-calendar-clock-icon lucide-calendar-clock"><path d="M16 14v2.2l1.6 1"></path><path d="M16 2v4"></path><path d="M21 7.5V6a2 2 0 0 0-2-2H5a2 2 0 0 0-2 2v14a2 2 0 0 0 2 2h3.5"></path><path d="M3 10h5"></path><path d="M8 2v4"></path><circle cx="16" cy="16" r="6"></circle></svg> 2013-05-24</li> </ul> <ul class="options-list"> <li><p>Семантика и интент</p></li> </ul> </div> </div> </div> </div> </div> <nav class="ls-pagination" aria-label="Пагинация"> <ul> <li class="prev"><a href="https://seohardcore.ru/patents/google/queries-intent/page-18/" rel="prev" aria-label="Предыдущая"><i class="flaticon-left"></i></a></li> <li><a href="https://seohardcore.ru/patents/google/queries-intent/">1</a></li> <li class="ellipsis" aria-hidden="true">…</li> <li><a href="https://seohardcore.ru/patents/google/queries-intent/page-17/">17</a></li> <li><a href="https://seohardcore.ru/patents/google/queries-intent/page-18/">18</a></li> <li><a href="https://seohardcore.ru/patents/google/queries-intent/page-19/" class="current-page" aria-current="page">19</a></li> <li><a href="https://seohardcore.ru/patents/google/queries-intent/page-20/">20</a></li> <li><a href="https://seohardcore.ru/patents/google/queries-intent/page-21/">21</a></li> <li class="next"><a href="https://seohardcore.ru/patents/google/queries-intent/page-20/" rel="next" aria-label="Следующая"><i class="flaticon-right"></i></a></li> </ul> </nav> </div> </div> </div> <!-- Main Footer --> <footer class="main-footer style-two"> <!-- Footer Bottom --> <div class="footer-bottom"> <div class="text"><a class="tglink" target="_blank" href="https://t.me/seohardcore"><svg xmlns="http://www.w3.org/2000/svg" width="16" height="16" fill="currentColor" class="bi bi-telegram" viewBox="0 0 16 16"> <path d="M16 8A8 8 0 1 1 0 8a8 8 0 0 1 16 0M8.287 5.906q-1.168.486-4.666 2.01-.567.225-.595.442c-.03.243.275.339.69.47l.175.055c.408.133.958.288 1.243.294q.39.01.868-.32 3.269-2.206 3.374-2.23c.05-.012.12-.026.166.016s.042.12.037.141c-.03.129-1.227 1.241-1.846 1.817-.193.18-.33.307-.358.336a8 8 0 0 1-.188.186c-.38.366-.664.64.015 1.088.327.216.589.393.85.571.284.194.568.387.936.629q.14.092.27.187c.331.236.63.448.997.414.214-.02.435-.22.547-.82.265-1.417.786-4.486.906-5.751a1.4 1.4 0 0 0-.013-.315.34.34 0 0 0-.114-.217.53.53 0 0 0-.31-.093c-.3.005-.763.166-2.984 1.09"></path> </svg> seohardcore</a></div> </div> <!-- Scroll To Top --> <div class="scroll-to-top scroll-to-target" data-target="html"><span class="flaticon-up"></span></div> </footer> <!-- End Footer --> </div><!-- End Page Wrapper --> <script src="/js/jquery.js?v=1.04"></script> <!-- <script src="/js/popper.min.js?v=1.04"></script> <script src="/js/chosen.min.js?v=1.04"></script> --> <script src="/js/bootstrap.min.js?v=1.04"></script> <script src="/js/jquery-ui.min.js?v=1.04"></script> <script src="/js/jquery.fancybox.js?v=1.04"></script> <script src="/js/jquery.modal.min.js?v=1.04"></script> <script src="/js/jquery.hideseek.min.js?v=1.04"></script> <script src="/js/mmenu.polyfills.js?v=1.04"></script> <script src="/js/mmenu.js?v=1.04"></script> <script src="/js/appear.js?v=1.04"></script> <script src="/js/wow.js?v=1.04"></script> <script src="/js/script.js?v=1.04"></script> <!-- <script src="/js/listing-nav-sticky.js" defer></script> --> <script src="/js/back-ignoring-hash.js" defer></script> <script src="/js/patents-readmore.js" defer></script> </body> </html>