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

SERP в Google: разборы патентов

Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
  • 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 отслеживает, анализирует и использует историю поведения пользователя для персонализации поиска и визуализации активности
Патент Google описывает инфраструктуру для сбора и анализа истории действий пользователя (запросы, клики по органике и рекламе, просмотры страниц). Система использует эти данные, включая метрики вовлеченности вроде «stay-time», для определения «предпочитаемых местоположений» и персонализации выдачи. Также описан метод графической визуализации объема этой активности.
  • US7694212B2
  • 2005-03-31
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует «Решающие Клики» и «Решающие Пропуски» для валидации и очистки правил синонимов
Патент Google описывает механизм валидации качества внутренних правил синонимов. Система анализирует логи запросов, чтобы изолировать влияние конкретного синонима на поведение пользователя. Если пользователь кликает на результат, содержащий ТОЛЬКО синоним (а не исходный термин), это засчитывается как «Решающий Клик». Если пропускает такой результат — как «Решающий Пропуск». На основе этих данных система вычисляет оценку уверенности для правила и удаляет неэффективные синонимы.
  • US8965882B1
  • 2011-11-22
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google анализирует последовательность запросов в сессии для предсказания следующего шага пользователя
Google отслеживает последовательность запросов пользователя в текущей поисковой сессии и сравнивает её с миллионами исторических сессий. Если текущий путь поиска совпадает с популярными маршрутами других пользователей, система предлагает наиболее частые следующие или завершающие запросы из этих данных. Это механизм для генерации контекстных подсказок, помогающих пользователю быстрее завершить задачу.
  • US8725756B1
  • 2008-11-11
  • Поведенческие сигналы

  • Семантика и интент

  • Персонализация

Как Google использует IDF и CTR для выбора языка перевода запросов в поиске по картинкам и видео (CLIR)
Google применяет механизм кросс-язычного поиска (CLIR) для улучшения выдачи изображений и видео. Система автоматически переводит запрос пользователя на другие языки, выбирая наиболее подходящий на основе частотности терминов (IDF) в его корпусе. Результаты поиска по переведенному запросу подмешиваются в основную выдачу, а их ранжирование зависит от статистики качества (например, CTR) этого запроса.
  • US8577910B1
  • 2009-06-09
  • Мультиязычность

  • Мультимедиа

  • Поведенческие сигналы

Как Google использует пользовательские аннотации, метаданные и социальные сигналы для переранжирования результатов поиска
Система перехватывает результаты поиска и проверяет их по реестру, содержащему пользовательские аннотации, метаданные и социальные связи. Затем результаты переупорядочиваются на основе релевантности, которая частично определяется этими аннотациями и метаданными. Пользователям предоставляются инструменты для добавления новых аннотаций, которые влияют на будущие результаты поиска.
  • US20110153599A1
  • 2010-12-15
  • SERP

  • EEAT и качество

Как Google использует социальные связи для персонализации и повышения в ранжировании онлайн-форумов в результатах поиска
Google использует механизм для персонализации поисковой выдачи путем интеграции данных из социальной сети. Если система определяет, что результат поиска является онлайн-форумом, она проверяет, являются ли социальные контакты пользователя участниками этого форума. При обнаружении таких связей система повышает рейтинг форума в выдаче и добавляет социальные аннотации, указывая, кто из контактов пользователя активен на этом ресурсе.
  • US8862598B1
  • 2012-09-13
  • Персонализация

  • SERP

  • Поведенческие сигналы

Как Google принудительно добавляет в выдачу результаты с авторитетных сайтов, используя модифицированные запросы и сайт-ограниченный поиск
Google использует механизм для гарантированного включения результатов с авторитетных сайтов в поисковую выдачу. Если исходный запрос содержит ключевое слово, связанное с авторитетным источником, или если качество стандартной выдачи низкое, система выполняет дополнительный поиск. Этот поиск строго ограничен рамками авторитетного сайта и использует модифицированную (часто агрессивно расширенную) версию исходного запроса. Полученный результат затем внедряется в топ выдачи.
  • US9659064B1
  • 2013-03-15
  • EEAT и качество

  • SERP

Как Google визуально выделяет в поиске продавцов, использующих доверенную платежную систему (Брокера)
Google использует механизм для повышения доверия пользователей к результатам поиска в электронной коммерции. Система идентифицирует продавцов, которые принимают оплату через доверенную стороннюю систему (Брокера), и визуально выделяет их контент (рекламу или органические ссылки) специальным значком (Badge). Значки могут иметь несколько уровней и указывать не только на поддержку платежной системы, но и на репутацию продавца и вероятность успешной покупки.
  • US8078497B1
  • 2007-09-19
  • SERP

  • EEAT и качество

Как Google ранжирует результаты для контекстного (неявного) поиска на основе форматирования контента и поведения пользователя
Патент описывает технологию "неявного поиска" (Implicit Search), которая анализирует текущий контекст пользователя (например, редактируемый документ или просматриваемую страницу) для автоматической генерации запросов. Ранжирование этих контекстных результатов учитывает характеристики исходного контента (форматирование, капитализация, TF-IDF) и предпочтения пользователя (клики, типы файлов).
  • US7693825B2
  • 2004-03-31
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google использует историю поиска и текущее местоположение пользователя для проактивных подсказок (Zero-Click)
Google использует механизм для проактивного предложения пользователю его прошлых поисковых запросов и результатов, на которые он кликал, основываясь на его текущем физическом местоположении. Система анализирует историю поиска, определяет связанные с ней локации и оценивает их близость к пользователю. Это позволяет предоставлять релевантные локальные подсказки без необходимости ввода запроса (Zero-Click), особенно на мобильных устройствах.
  • US8301639B1
  • 2010-01-29
  • Персонализация

  • Local SEO

  • Поведенческие сигналы

Как Google использует персональные оценки пользователей для экстраполяции предпочтений и персонализации поисковой выдачи
Google использует механизм для агрегации оценок (явных или неявных), которые пользователь дает отдельным веб-страницам. Система формирует персональный «рейтинг сайта» или раздела сайта на основе этих данных. Затем этот агрегированный рейтинг используется для повышения или понижения позиций других страниц этого сайта в будущих поисковых результатах конкретного пользователя, даже если эти страницы он ранее не оценивал.
  • US8589391B1
  • 2005-09-15
  • Персонализация

  • SERP

  • Поведенческие сигналы

Как Google вычисляет Оценку Оригинальности Сайта (Site Originality Score) для борьбы со скопированным контентом
Google использует систему для количественной оценки оригинальности контента на уровне сайта. Система анализирует, какая доля контента (n-граммы) на сайте впервые появилась именно на нем, основываясь на дате первого сканирования (Crawl Time Stamp). На основе этого соотношения вычисляется Оценка Оригинальности Сайта (Site Originality Score), которая затем используется как фактор ранжирования для продвижения первоисточников и понижения сайтов-копипастеров.
  • US8909628B1
  • 2012-11-02
  • Краулинг

  • EEAT и качество

  • SERP

Как Google визуально выделяет популярные профили в поиске и использует частоту запросов для борьбы с фейковыми аккаунтами
Google использует данные о популярности (количество связей) и качестве (вовлеченность) профилей пользователей, чтобы визуально выделить наиболее авторитетные результаты при поиске людей или брендов. Если один профиль значительно популярнее других, он отображается крупнее. Система также динамически регулирует порог качества в зависимости от частоты запроса: чем популярнее имя, тем выше требования к профилю для его отображения, что помогает бороться со спамом.
  • US8935245B1
  • 2012-09-20
  • SERP

  • Антиспам

  • EEAT и качество

Как Google собирает и анализирует поведение пользователей после клика для оценки удовлетворенности поиском
Google использует распределенную сеть агентов (браузеры, тулбары, скрипты на сайтах) для сбора детальной навигационной статистики и данных о поведении пользователей после перехода из поиска. Ключевым показателем является частота «завершения поисковой сессии» на странице, что указывает на удовлетворенность пользователя. Эта система позволяет Google оценивать качество страниц на основе реальных пользовательских взаимодействий.
  • US8601119B1
  • 2011-07-01
  • Поведенческие сигналы

  • SERP

Как Google адаптивно сортирует комментарии и UGC в зависимости от популярности («buzziness») страницы
Google использует адаптивный механизм для сортировки пользовательского контента (UGC), такого как комментарии или посты в социальных сетях, связанных с веб-страницей. Если страница популярна или трендовая («buzzy»), система отдает приоритет самым свежим комментариям. Если страница не является трендовой, система отдает приоритет самым качественным комментариям, основываясь на авторитете автора, длине контента и других сигналах.
  • US11055332B1
  • 2017-05-31
  • Свежесть контента

  • EEAT и качество

  • SERP

Как Google использует данные подписок на оповещения (Google Alerts) для определения трендовых тем и повышения их в ранжировании Новостей
Google анализирует, на какие темы пользователи массово подписываются в сервисах оповещений (например, Google Alerts) за определенный период времени. Эти трендовые темы (Topical Subjects) затем используются как сигнал для ранжирования: новостные статьи, соответствующие этим актуальным темам, могут получать повышение (boost) в поисковой выдаче, особенно в поиске по новостям.
  • US20140143657A1
  • 2014-01-24
  • Свежесть контента

  • Поведенческие сигналы

  • SERP

Как Google ранжирует стриминговые сервисы и поставщиков медиаконтента в результатах поиска
Google использует персонализированный алгоритм для ранжирования поставщиков медиаконтента (фильмов, сериалов). Система учитывает наличие у пользователя подписок, установленных приложений, историю взаимодействий, стоимость контента, поддержку глубоких ссылок и популярность сервиса, чтобы определить, какие ссылки на просмотр показать первыми в выдаче.
  • US20170364598A1
  • 2015-11-19
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google извлекает, формирует и оценивает контент для Featured Snippets из структурированных и неструктурированных данных
Google использует систему для генерации Featured Snippets (ответных пассажей) в ответ на запросы-вопросы. Система анализирует топовые результаты, разделяя контент на структурированный (таблицы, списки) и неструктурированный (текст). Применяя разные наборы правил для каждого типа контента, система извлекает блоки текста (Passage Units) и формирует из них кандидатов для показа в блоке ответов, после чего оценивает их с помощью комплексного скоринга.
  • US10180964B1
  • 2015-08-12
  • SERP

  • Семантика и интент

Как Google использует эмбеддинги и историю взаимодействий для персонализации результатов в вертикальном поиске (Hotels, Flights, Shopping)
Google использует методы коллаборативной фильтрации для персонализации выдачи в вертикальных поисках (Hotels, Flights, Shopping). Система анализирует историю взаимодействий всех пользователей, чтобы создать векторные представления (эмбеддинги) для элементов (отелей, товаров). Затем она сравнивает персональный эмбеддинг пользователя с эмбеддингами элементов для ранжирования результатов, максимально соответствующих его предпочтениям.
  • US20190171689A1
  • 2018-12-05
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google разделяет результаты поиска товаров на основе источника и надежности данных (фиды vs. извлечение)
Google разделяет результаты поиска товаров на группы в зависимости от источника данных. Информация, полученная напрямую от продавцов через фиды (Vendor Feeds), считается более достоверной. Информация, автоматически извлеченная (Extracted) с веб-страниц, считается менее надежной. Эти группы визуально разделяются на странице выдачи (например, в Google Shopping), чтобы указать пользователю на разницу в надежности данных.
  • US7647300B2
  • 2004-01-26
  • Google Shopping

  • SERP

  • EEAT и качество

Как Google использует историю кликов для персонализации локальной выдачи и показа ранее посещенных страниц
Google создает «Профиль локального поиска», отслеживая, какие сайты пользователь посещал при поиске информации о конкретных местах. Когда пользователь снова ищет это место (или соседнее), Google показывает эти ранее посещенные сайты на видном месте в выдаче, даже если они не релевантны новому запросу, чтобы облегчить навигацию и помочь завершить задачу.
  • US8838621B1
  • 2011-06-16
  • Персонализация

  • Поведенческие сигналы

  • Local SEO

Как Google оценивает отсутствующие факты для Knowledge Graph и объясняет, на чем основана эта оценка
Google использует статистические модели для заполнения пробелов в Knowledge Graph, когда информация о сущности отсутствует. Система вычисляет недостающий факт (например, дату рождения), анализируя связанные данные (например, возраст супруга). Чтобы повысить доверие к этой оценке, Google показывает пользователю объяснение, основанное на наиболее влиятельных фактах, использованных при расчете.
  • US9659056B1
  • 2013-12-30
  • Knowledge Graph

  • EEAT и качество

  • Семантика и интент

Как Google использует клики и пропуски (Clicks/Skips) для определения важности порядка слов в запросе
Google анализирует поведение пользователей для оценки правил, которые меняют порядок слов в запросе (Reordering Rules). Если пользователи кликают на результаты с измененным порядком слов, правило считается полезным (Click Count). Если пропускают такие результаты ради нижестоящих (Skip Count), правило отключается. Это позволяет системе автоматически понять, когда порядок слов критичен для смысла запроса, а когда им можно пренебречь.
  • US8959103B1
  • 2012-05-25
  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Как Google передает данные об интересах пользователя сторонним сайтам для персонализации контента после клика
Google анализирует активность пользователя для определения его тематических интересов (например, "тайская еда" или "собаки"). При генерации поисковой выдачи Google может закодировать релевантные интересы прямо в URL ссылки. Это позволяет стороннему сайту немедленно адаптировать контент лендинга под пользователя и потенциально передать данные о его поведении обратно в Google для уточнения профиля.
  • US9754036B1
  • 2014-03-26
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google создает интерфейс для быстрой навигации между результатами поиска или рекламой без возврата на страницу выдачи
Патент Google описывает интерфейс, который позволяет пользователям переключаться между посадочными страницами результатов поиска или рекламных объявлений напрямую, минуя необходимость возвращаться на исходную страницу выдачи. Система предварительно загружает связанные страницы и может динамически добавлять новые релевантные результаты в сессию на основе времени взаимодействия пользователя (dwell time) с текущей страницей.
  • US9449094B2
  • 2012-07-13
  • SERP

  • Поведенческие сигналы

Как Google автоматически оценивает и удаляет неэффективные синонимы и правила расширения запросов
Google использует механизм для оценки эффективности правил подстановки (синонимов). Если подставленный термин редко встречается в топовых результатах поиска или если пользователи не кликают на результаты, содержащие этот термин, система автоматически удаляет или понижает уверенность в этом правиле. Это позволяет поддерживать качество и точность понимания запросов.
  • US8600973B1
  • 2012-01-03
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google определяет истинный смысл неоднозначных запросов, сравнивая результаты поисковой выдачи
Google использует механизм для разрешения неоднозначности запросов. Система генерирует несколько возможных интерпретаций (интентов) и создает уточненные (модифицированные) запросы для каждой из них. Затем она сравнивает, насколько результаты поиска по уточненным запросам похожи на результаты по исходному запросу. Интерпретация, чьи результаты наиболее схожи, признается наиболее вероятным намерением пользователя.
  • US10353964B2
  • 2015-03-11
  • Семантика и интент

  • SERP

Как Google динамически выбирает текст для сниппета, основываясь на типе запроса и структуре документа
Google использует адаптивную систему для генерации сниппетов в результатах поиска. Система анализирует тип запроса (например, поиск по автору или по содержанию) и местоположение ключевых слов в документе. На основе этого выбирается алгоритм генерации. Параграфы оцениваются по их длине, позиции в документе, качеству текста и форматированию, чтобы выбрать наиболее информативный фрагмент, часто отдавая предпочтение введению или резюме.
  • US8145617B1
  • 2005-11-18
  • SERP

  • Семантика и интент

Как Google использует Социальный Граф и метрику Affinity для персонализации и ранжирования поиска по картинкам
Google использует социальный граф пользователя для персонализации поиска по картинкам. Система идентифицирует изображения, опубликованные контактами пользователя (друзьями, подписками), и ранжирует их в единой выдаче с общими результатами. Ключевую роль играет метрика Affinity (близость контакта к пользователю), основанная на степени связи и частоте взаимодействий, которая используется для повышения релевантных социальных результатов.
  • US20150169571A1
  • 2010-10-21
  • Персонализация

  • Поведенческие сигналы

  • Мультимедиа

Как Google генерирует сниппеты для Sitelinks, используя контент целевых страниц, а не исходный запрос
Google использует специальный метод для генерации сниппетов в расширенных результатах поиска (Sitelinks). Сниппет для главной страницы часто основан на запросе пользователя, но сниппеты для внутренних ссылок (sub-documents) генерируются на основе "репрезентативных ключевых слов" (например, Title) самой внутренней страницы, а не исходного навигационного запроса. Это позволяет сделать описание Sitelinks более точным и релевантным теме целевой страницы.
  • US9081831B2
  • 2013-03-14
  • SERP

  • Семантика и интент

  • Структура сайта

  • 1
  • …
  • 8
  • 9
  • 10
  • 11
  • 12
  • …
  • 19
seohardcore