SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google отслеживает клики (CTR) на сторонних сайтах и защищает свои данные от парсинга в API и виджетах
Google использует двухэтапный метод доставки результатов поиска через API и виджеты (например, Google Maps) на сторонних сайтах. Сначала отображается только базовое описание результата и присваивается уникальный защищенный токен. Полный контент загружается только после клика пользователя и валидации токена. Это защищает данные Google от парсинга третьими сторонами и позволяет точно измерять CTR, который используется как сигнал ранжирования для географических запросов.
- US9177058B2
- 2010-11-18
Как Google создает тематические анимированные превью для SERP, анализируя и кластеризируя изображения на странице
Google использует систему для генерации анимированных сниппетов (например, GIF) в результатах поиска. Система анализирует страницу, идентифицирует постоянные изображения (исключая рекламу и иконки), оценивает их расположение и качество, и группирует их по темам. Для одной страницы создается несколько анимированных превью. При получении запроса Google выбирает то превью, которое наиболее релевантно теме запроса, улучшая визуальное представление выдачи.
- US10503803B2
- 2016-11-23
Как Google переранжирует результаты поиска в реальном времени, скрывая контент, который пользователь уже видел на других сайтах
Google использует механизм оценки новизны информации для динамической корректировки поисковой выдачи во время сессии пользователя. Система вычисляет «Information Gain Score» для непросмотренных документов, определяя, сколько новой информации они содержат по сравнению с уже посещенными сайтами. Результаты с уникальной информацией повышаются, а повторяющийся контент понижается, чтобы уменьшить избыточность.
- US11354342B2
- 2018-10-18
Как Google использует авторитетные сайты в органической выдаче для активации и позиционирования блоков с ответами (Answer Boxes)
Google определяет, когда показывать блок с ответом (Answer Box) или вертикальную интеграцию (погода, акции и т.д.), анализируя не только текст запроса, но и состав органической выдачи. Если в результатах присутствуют специфические авторитетные URL или ключевые слова (называемые «индикаторами блока ответов»), система с большей вероятностью покажет соответствующий блок. Эти индикаторы определяются заранее путем анализа того, какие сайты часто появляются по ключевым «исходным запросам» для данной темы.
- US9607087B1
- 2014-08-01
Как Google персонализирует выдачу, понижая результаты, которые пользователь исторически игнорирует или быстро покидает
Google использует историю поиска пользователя для выявления результатов, которые пользователь систематически пропускает или считает нерелевантными (например, быстро возвращается на выдачу). Такие результаты идентифицируются как «нежелательные» (User-Disfavored) и активно понижаются в персональной выдаче для этого пользователя, даже если их общий рейтинг высок.
- US7827170B1
- 2007-08-28
Как Google использует топовые результаты поиска для активации и выбора блоков с ответами (Answer Boxes/Featured Snippets)
Google может активировать блоки с ответами (Answer Boxes или Featured Snippets), анализируя не только сам запрос, но и топовые результаты поиска. Если ресурсы в выдаче ассоциированы с определенной темой (Answer Box Topic), система покажет соответствующий блок. Это позволяет точнее выбирать ответ при неоднозначных запросах и подчеркивает роль данных, предоставленных издателями.
- US9355175B2
- 2011-05-27
Как Google использует сущности, онтологии и векторные представления для кластеризации и организации поисковой выдачи
Google использует этот механизм для структурирования поисковой выдачи по широким запросам. Система группирует результаты в кластеры на основе их связи с сущностями из Базы Знаний. Для объединения кластеров используются онтологические связи (иерархия, синонимы) и векторная близость (embedding similarity). Система параллельно тестирует несколько алгоритмов и выбирает наилучшую структуру SERP на основе метрик качества (покрытие, баланс, пересечение, силуэт).
- US10496691B1
- 2015-09-08
Как Google создает модель "идеального ответа" (Answer Term Vector) для оценки и выбора Featured Snippets
Google анализирует тысячи существующих пар Вопрос-Ответ в интернете, чтобы понять, какие термины чаще всего используются при ответе на конкретный вопрос. На основе этого анализа создается "Вектор Терминов Ответа" (Answer Term Vector) — эталонная модель ожидаемых слов и их важности. Затем кандидаты в Featured Snippet оцениваются по тому, насколько хорошо их текст совпадает с этим вектором.
- US10019513B1
- 2015-08-12
Как Google контролирует качество и объективность в кастомизированных поисковых системах (PSE), блокируя спам и предвзятость от третьих сторон
Google использует систему контроля для Программируемых Поисковых Систем (PSE), где третьи стороны могут влиять на выдачу через "Контекстные Файлы". Патент описывает двухэтапный процесс (офлайн и во время запроса) для обнаружения и фильтрации спама или предвзятости (Bias). Система сравнивает кастомизированные результаты с результатами основного поиска, чтобы гарантировать объективность выдачи.
- US7743045B2
- 2005-08-10
Как Google выбирает и показывает рекламу в поисковых подсказках (Autocomplete) на основе частичного запроса
Google использует систему для показа рекламы в выпадающем меню подсказок (Autocomplete) до того, как пользователь завершит ввод запроса. Система прогнозирует вероятные завершения запроса (Completions) на основе введенной части (Prefix). Затем проводится аукцион для выбора наиболее релевантной и качественной рекламы, связанной с этими вероятными завершениями. Реклама показывается только при высокой уверенности в намерении пользователя.
- US8504437B1
- 2010-11-04
Как Google использует игровые механики и сравнение изображений для краудсорсинга оценок и ранжирования локальных бизнесов
Патент Google описывает игровой интерфейс, помогающий пользователю выбрать одно место (например, ресторан) из множества кандидатов путем итеративного выбора предпочтительного изображения. Система делит кандидатов на группы и сужает выбор на основе визуальных предпочтений пользователя. Этот механизм используется для сбора данных о предпочтениях и может влиять на ранжирование результатов локального поиска.
- US20140149310A1
- 2012-11-28
Как Google использует структурированные данные для борьбы с дублированием страниц с одинаковыми сущностями (например, фасеты и сортировки)
Google анализирует структурированные данные (например, Schema.org) на веб-страницах, чтобы определить, какие сущности (товары, объекты) на них представлены. Если несколько страниц, особенно с одного сайта, содержат одинаковый набор сущностей (например, листинги с разной сортировкой), Google идентифицирует их как дубликаты. Система понижает или удаляет эти дубликаты из выдачи для повышения разнообразия результатов.
- US20140280084A1
- 2013-03-15
Как Google извлекает факты напрямую из веб-страниц для формирования прямых ответов (Featured Snippets / Answer Boxes)
Google использует систему для динамического извлечения фактов из веб-индекса. Когда поступает фактический запрос, система определяет ожидаемый тип ответа (например, дата, число, имя), анализирует топовые результаты поиска и извлекает соответствующие фразы. Эти фразы нормализуются, оцениваются по частоте, контексту и авторитетности источника, и лучший вариант показывается в виде прямого ответа.
- US8655866B1
- 2011-02-10
Как Google находит, извлекает и ранжирует определения из интернета для формирования словарных блоков в выдаче
Google использует систему для автоматического поиска веб-страниц, содержащих глоссарии или словари. Система идентифицирует эти страницы по ключевым словам в заголовке (например, «глоссарий»), анализирует их HTML-структуру (теги
- ,
- ,
- ) для извлечения пар «термин-определение» и ранжирует результаты на основе авторитетности источника (PageRank).
- US8255417B2
- 2003-06-27
Как Google пессимизирует результаты, содержащие синонимы, если они используются вне контекста исходного запроса
Google классифицирует синонимы на надежные (Non-RLS) и контекстно-зависимые (RLS). Если документ ранжируется благодаря контекстно-зависимому синониму (RLS), но этот синоним используется в документе изолированно (без других слов запроса рядом), система значительно понижает оценку релевантности этого документа, предотвращая ранжирование нерелевантного контента.
- US8631019B1
- 2012-02-13
Как Google использует ИИ для анализа отзывов и создания «Бейджей», выделяющих конкретные сценарии использования продуктов в поиске
Google разрабатывает систему автоматического создания «Бейджей» для продуктов на основе анализа веб-данных (отзывов, описаний, FAQ) с помощью машинного обучения. Эти бейджи выделяют конкретные сценарии использования, преимущества или недостатки продукта (например, «Подходит для новичков» или «Хорош для путешествий»). Бейджи используются для ранжирования и аннотирования результатов поиска, помогая пользователям быстрее сравнивать товары.
- US20240378256A1 (Заявка на патент)
- 2024-04-16 (Приоритет от 2023-05-09)
Как Google приоритизирует локальное поведение пользователей над глобальной популярностью в международном поиске
Google использует систему для корректировки поискового ранжирования на основе местоположения и языка пользователя. Система приоритизирует данные о кликах от конкретной популяции пользователей (например, страны) над более широкими популяциями (например, глобальными данными). Глобальные сигналы популярности «понижаются» в весе, чтобы гарантировать более высокое ранжирование локально релевантных результатов, даже если они менее популярны в мировом масштабе.
- US8694511B1
- 2007-08-20
Как Google объединяет органические результаты, рекламу бренда и контент ритейлеров в единый обогащенный блок выдачи
Google использует механизм для слияния топового органического результата и рекламного объявления, если они относятся к одному и тому же бренду (сущности). Это создает единый обогащенный блок (Combined Content Item). Затем этот блок дополняется контентом от связанных сущностей (например, ритейлеров), который может выбираться через дополнительный аукцион.
- US9298779B1
- 2013-07-16
Как Google использует связанные фразы и Information Gain для автоматической кластеризации и организации поисковой выдачи
Патент описывает комплексную систему перехода от индексации слов к индексации фраз. Google определяет статистическую связь между фразами с помощью меры Information Gain. Эти данные используются для автоматической организации поисковой выдачи в тематические кластеры (таксономию), группируя результаты по наиболее частым связанным фразам.
- US7426507B1
- 2004-07-26
Как Google использует контент, который вы сейчас просматриваете, для фильтрации и уточнения вашей поисковой выдачи
Google анализирует контекст веб-страницы или документа, который просматривает пользователь, чтобы определить основную тему (топик). Когда пользователь вводит запрос, система фильтрует результаты поиска, отдавая предпочтение тем документам, которые соответствуют этой контекстной теме, тем самым уточняя выдачу для неоднозначных запросов.
- US8762368B1
- 2012-04-30
Как Google использует результаты веб-поиска для выбора правильного ответа на неоднозначные фактические запросы
Google использует этот механизм для разрешения неоднозначности в запросах (например, «возраст Вашингтона»). Система генерирует несколько потенциальных ответов из Knowledge Graph, а затем проверяет, какой из них лучше всего подтверждается топовыми результатами органического поиска. Оценка кандидата зависит от того, насколько часто и уверенно Сущность (Topic) и Ответ (Answer) упоминаются (аннотируются) на страницах в топе выдачи.
- US9336269B1
- 2013-03-14
Как Google определяет главную тему страницы (Topical Entity), используя графы сущностей и анализ SERP Features
Google анализирует сущности на странице для определения «Topical Entity» (главной темы). Для этого используются графы сущностей, основанные на совместной встречаемости, и анализ результатов поиска. Присутствие сущности в Title/URL и активация специальных SERP features (Shopping, Maps) могут подтвердить главную тему, даже если страница ранжируется низко. Это понимание используется для генерации релевантного дополнительного контента.
- US10068022B2
- 2011-06-03
Как Google автоматически генерирует персонализированные "псевдо-биографии" для экспертов в результатах поиска
Google использует систему для идентификации экспертов (Authoritative Users) и автоматического создания сниппетов, объясняющих их релевантность конкретному запросу. Эти сниппеты, или «псевдо-биографии», генерируются офлайн путем анализа профилей и публикаций экспертов в компьютерных сервисах (например, социальных сетях) и отображаются в поисковой выдаче для подтверждения их экспертизы.
- US9087130B2
- 2012-10-04
Как Google использует "Белые списки" для определения локального интента и подмешивания локальных результатов, если город в запросе не указан
Google применяет систему для выявления неявного локального интента в запросах без указания местоположения (например, "пицца"). Система проверяет запрос по двум разным "Белым спискам" (Whitelists). В зависимости от того, известно ли местоположение пользователя (из профиля или cookie), система либо автоматически добавляет локальные результаты (Local Pack), либо сначала запрашивает у пользователя его локацию.
- US8359300B1
- 2007-04-03
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
Как Google динамически меняет поисковые подсказки в зависимости от того, что пользователь видит на экране (Viewport)
Google динамически генерирует поисковые подсказки на основе контента, который пользователь просматривает. Система придает больший вес сущностям и темам, которые находятся непосредственно в видимой области экрана (Viewport), меньший вес тому, что пользователь уже пролистал, и наименьший — контенту, до которого он еще не дошел.
- US9652556B2
- 2012-10-05
Как Google создает интерактивные временные шкалы (Timelines) событий, фильтруя результаты по авторитетности источников
Google использует двухэтапную систему для генерации временных шкал. Сначала система определяет значимые события, анализируя всплеск публикаций от широкой категории источников (например, всех СМИ) в определенные интервалы времени. Затем для этих событий выбираются лучшие результаты исключительно от самых авторитетных источников (например, топовых СМИ), которые отображаются в хронологическом порядке.
- US20200074007A1
- 2018-08-30
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
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
Как Google определяет запросы, требующие ответа списком, и генерирует ранжированные списки сущностей для SERP
Google использует систему для определения, когда пользователь ищет список объектов (сущностей). Система анализирует запрос на наличие индикаторов списка («лучшие», «топ»), определяет категорию (например, «фильмы») и извлекает релевантные сущности из топовых веб-документов. Затем эти сущности ранжируются на основе их значимости в документе и релевантности документа запросу, и представляются в виде отдельного структурированного списка на странице результатов поиска.
- US10691702B1
- 2017-08-31