SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google динамически выбирает и отображает инструменты (фильтры) для манипуляции поисковой выдачей
Google анализирует поисковый запрос и состав выдачи (типы контента, даты), а также историю использования фильтров пользователями. На основе этого анализа система динамически определяет, какие инструменты (например, фильтры по времени, типу контента или инструменты визуализации) наиболее релевантны для пользователя, и отображает их на видном месте в интерфейсе поисковой выдачи.
- US8909619B1
- 2011-02-03
Как Google использует популярность сущностей в Веб-поиске для ранжирования результатов в Вертикальном поиске (Музыка, Книги, Товары)
Google улучшает ранжирование в специализированных поисковых вертикалях (например, Музыка, Книги, Товары), где данных для оценки контента недостаточно (Sparse Corpora). Система использует сигналы из основного Веб-поиска (популярность запросов, CTR веб-страниц), чтобы определить авторитетность и популярность сущностей (песен, книг, товаров) и скорректировать их позиции в вертикальной выдаче.
- US9779140B2
- 2012-11-16
Как Google связывает запросы с сущностями для формирования выдачи, подсказок и определения доминирующего интента
Google использует систему для определения того, какие сущности (люди, места, объекты) подразумеваются в поисковом запросе. Система анализирует, насколько релевантны топовые документы запросу и насколько центральное место в этих документах занимает конкретная сущность. На основе этого рассчитывается оценка Entity Score, которая определяет ранжирование сущностей для запроса. Этот механизм используется для показа блоков знаний, организации поисковой выдачи и предоставления уточняющих поисковых подсказок.
- US20160224621A1
- 2013-03-13
Как Google использует пары «Сущность-Действие» для таргетинга и отображения рекламы в результатах поиска
Google использует механизм показа рекламы, основанный не на ключевых словах, а на парах «Сущность-Действие» (Entity-Action pairs). Система определяет сущность в запросе (например, фильм) и связанные с ней действия (например, «стриминг» или «купить DVD»). Для каждого действия проводятся отдельные аукционы, что позволяет разным типам рекламодателей конкурировать в своих нишах. Формат показа рекламы динамически меняется в зависимости от того, насколько точно запрос соответствует действию.
- US20140258014A1
- 2013-03-05
Как Google создает ссылки, которые ведут на определенную позицию в выдаче, а не на конкретный документ
Google описывает механизм создания специальных ссылок (rank-specific search links), которые кодируют запрос и позицию результата в выдаче. При активации такой ссылки поиск выполняется заново, и пользователь видит документ, который занимает эту позицию в данный момент, а не тот, который был там изначально.
- US9087107B2
- 2012-06-14
Как Google выбирает контекстуально релевантные изображения для блоков с ответами (Featured Snippets и Direct Answers)
Google улучшает блоки с ответами, добавляя релевантные изображения. Система объединяет вопрос и ответ в «контекстуальный запрос» для поиска изображений. Затем эти изображения фильтруются и переранжируются, чтобы гарантировать, что они представляют как тему вопроса, так и контекст ответа, обеспечивая более точное визуальное представление.
- US8819006B1
- 2013-12-31
Как Google генерирует визуальные превью страниц в выдаче, используя "разрывы страницы" и масштабирование релевантного контента
Google использует систему для создания визуальных превью страниц (Page Previews) в результатах поиска. Система оценивает релевантность контента, учитывая близость ключевых слов и тип контента (например, пессимизируя сноски). Для показа наиболее важных, но разрозненных участков используются "разрывы страницы" (Page Tears). Ключевой контент также может отображаться в увеличенном масштабе для читаемости, помогая пользователю оценить формат страницы до клика.
- US8954427B2
- 2011-05-31
Как Google определяет, когда показывать экспертов (авторитетных пользователей) в результатах поиска
Google использует систему для идентификации «триггерных запросов», которые активируют показ списка экспертов или авторитетных пользователей (например, из социальной сети) по данной теме. Система рассчитывает совокупную оценку авторитетности для запроса и сравнивает её с динамическим порогом, который зависит от популярности и типа запроса, чтобы решить, стоит ли показывать блок с экспертами.
- US9183251B1
- 2012-12-21
Как Google классифицирует коммерческие запросы, чтобы изменить алгоритм ранжирования и нейтрализовать манипуляции
Google использует систему для определения коммерческого намерения пользователя в реальном времени. Система использует предварительно созданный список коммерческих шаблонов, основанный на данных рекламодателей, анализе логов и выявлении манипулятивных техник (например, доменов с множеством дефисов). Если запрос классифицируется как коммерческий, Google применяет измененный алгоритм ранжирования, например, снижая вес ключевых слов в доменном имени, чтобы обеспечить непредвзятые результаты.
- US8046350B1
- 2003-09-24
Как Google объединяет и нормализует результаты из разных индексов (веб и мобильного) для пользователей мобильных устройств
Google использует систему смешивания (Results Mixer) для объединения выдачи из разных поисковых движков (например, основного веба и мобильного веба). Поскольку движки используют разные формулы ранжирования, система нормализует оценки, используя классификацию запросов, свойства контента и калибровку на основе человеческих оценок. Также описан механизм дедупликации, отдающий приоритет мобильной версии контента.
- US7962477B2
- 2008-01-24
Как Google использует категоризацию контента и запросов для уточнения релевантности и ранжирования результатов
Google использует систему для улучшения ранжирования, комбинируя стандартную текстовую релевантность с оценкой соответствия категории. Система определяет, насколько сильно документ принадлежит к определенным категориям и насколько сильно запрос соответствует этим же категориям. Если и документ, и запрос сильно совпадают по категории, результат получает повышение в ранжировании. Это особенно важно для E-commerce и контента с четкой структурой.
- US7814085B1
- 2004-02-26
Как Google использует оценку новизны (Novelty Score) для ранжирования новостей и блогов, отдавая приоритет первоисточникам
Google анализирует темпоральную последовательность документов (например, новости по одной теме) для выявления нового контента. Система идентифицирует «информационные фрагменты» (сущности, факты) и их взаимодействия. Документы, которые первыми вводят важные фрагменты или значительно дополняют существующие, получают более высокую оценку новизны (Novelty Score) и ранжируются выше, вытесняя вторичный контент.
- US7451120B1
- 2006-03-20
Как Google определяет интент и позицию вертикальных результатов (например, картинок) для длиннохвостых (long-tail) запросов
Google использует механизм для определения интента пользователя по редким или новым (long-tail) запросам, когда исторические данные отсутствуют. Система эффективно "прощупывает" вертикальные индексы (например, картинки), чтобы решить, стоит ли проводить полный поиск. Для определения позиции блока с результатами используется "предполагаемый интент", унаследованный от характеристик найденных веб-страниц и сайтов, а не от истории самого запроса.
- US9183312B2
- 2013-03-12
Как Google динамически выбирает, форматирует и приоритизирует контент внутри Панели Знаний
Google использует систему для динамической генерации Панелей Знаний. Для сущности определяются релевантные элементы контента (факты, изображения, события), которые классифицируются и оцениваются по популярности/релевантности (Rank Score). Система выбирает, какие категории контента показать и в каком формате (модуле), основываясь на этих оценках и строгих ограничениях по верстке (Panel Constraints), гарантируя приоритет наиболее важной информации.
- US9477711B2
- 2013-03-15
Как Google использует Knowledge Graph для выбора формата отображения и ранжирования ответов на запросы с модификаторами (например, «лучший», «самый высокий»)
Google использует этот механизм для ответов на запросы, содержащие сущности и модификаторы (например, «самые высокие здания» или «лучшие фильмы»). Система анализирует запрос, извлекает данные из Knowledge Graph и автоматически определяет, как ранжировать результаты (например, по высоте или рейтингу) и в каком формате их представить (например, в виде списка, карты, временной шкалы или диаграммы) на основе свойств сущностей.
- US9390174B2
- 2012-08-08
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
Как Google идентифицирует, отбирает и диверсифицирует показ экспертов (Authoritative Users) в результатах поиска
Патент описывает механизм интеграции экспертов (Authoritative Users) в поисковую выдачу. Когда запрос совпадает с триггерным запросом, система извлекает пул экспертов и их оценки авторитетности. Этот пул фильтруется с использованием оценок, социальных связей пользователя и элемента случайности. Система специально разработана для диверсификации показа экспертов при повторных идентичных запросах.
- US9165030B1
- 2012-12-21
Как Google связывает коммерческие действия с сущностями и меняет вид выдачи в зависимости от интента пользователя
Google патентует систему, которая связывает Сущности (например, фильмы, книги, места) с Онлайн-действиями (например, купить, стримить, забронировать). Вместо таргетинга по ключевым словам, партнеры делают ставки на пары «Сущность-Действие». Система определяет, насколько запрос связан с действием, и динамически меняет визуальное представление этих коммерческих предложений в выдаче (например, в Панели знаний), делая их более или менее заметными.
- US9536259B2
- 2013-03-05
Как Google показывает блоки с ответами (Answer Boxes) прямо в поисковых подсказках во время ввода запроса
Google может показывать блоки с готовыми ответами (Answer Boxes) прямо в интерфейсе поисковых подсказок, ещё до того, как пользователь отправил запрос. Система прогнозирует наиболее вероятный полный запрос ("Dominant Query") на основе частичного ввода, истории поиска и данных профиля пользователя (например, местоположения), и если для этого запроса существует готовый ответ, он отображается немедленно.
- US8538982B2
- 2010-08-31
Как Google использует выделение деталей на изображении для уточнения визуального поиска и комбинирования результатов
Google использует технологию, позволяющую пользователям уточнять визуальные запросы путем произвольного выделения конкретных деталей на изображении (например, обводя или закрашивая элемент). Система интерпретирует это действие для понимания истинного намерения пользователя. Используя визуальные эмбеддинги, система находит результаты, релевантные как выделенному признаку, так и объекту в целом, и предоставляет комбинированную выдачу, сохраняя контекст исходного запроса.
- US12072925B2
- 2022-03-18
Как Google использует шаблоны запросов для выявления скрытых вопросов в неоднозначных поисковых запросах
Google определяет, когда неоднозначный запрос (например, "высота Эвереста") на самом деле ищет конкретный ответ. Система сопоставляет запрос с историческими шаблонами поиска (Query Templates). Если этот шаблон связан с явным, валидированным вопросительным шаблоном (например, "какова высота Эвереста?"), Google классифицирует исходный запрос как поиск ответа, что влияет на SERP и показ Featured Snippets.
- US9898554B2
- 2013-11-18
Как Google использует контекст текущей страницы для понимания запроса и прямой навигации к результату (минуя SERP)
Google может анализировать контент страницы, которую просматривает пользователь, чтобы понять неоднозначные запросы (например, содержащие местоимения). Система переписывает запрос, добавляя контекст, ищет результаты и автоматически выбирает один лучший ответ. Затем пользователь направляется прямо на этот ресурс, минуя стандартную страницу результатов поиска (SERP).
- US10503733B2
- 2015-10-13
Как Google определяет контекстную значимость слов в запросе, делая неважные термины опциональными при поиске
Google использует систему для определения значимости слов в поисковом запросе в зависимости от их контекста. Анализируя историю запросов, система выявляет, меняется ли выдача при добавлении определенного слова. Если выдача остается схожей, слово признается малозначимым в данном контексте. При обработке запроса такие слова становятся опциональными (необязательными для нахождения в документе) и получают пониженный вес при ранжировании.
- US8346757B1
- 2005-03-28
Как Google использует машинное обучение для обнаружения и удаления "revenge porn" и другого неконсенсусного контента из поиска
Google использует систему для борьбы с лично нежелательным контентом (например, «revenge porn»). Система применяет два классификатора: один определяет, является ли контент нежелательным (например, порнографическим), а второй — является ли он любительским. Если контент одновременно нежелательный и любительский, он удаляется из выдачи. Система также проактивно анализирует запросы с низкой популярностью для выявления нового такого контента.
- US10795926B1
- 2016-04-22
Как Google использует семантические сигнатуры на основе фраз для выявления и удаления дубликатов контента
Google использует механизм для обнаружения дубликатов и почти дубликатов контента. Система анализирует, какие семантически связанные фразы (related phrases) содержатся в документе. Затем она выбирает несколько ключевых предложений с наибольшей концентрацией этих фраз для создания уникальной сигнатуры документа. Если сигнатуры двух документов совпадают, они считаются дубликатами и удаляются из индекса или поисковой выдачи.
- US7711679B2
- 2004-07-26
Как Google использует отзывы для сравнения, фильтрации и ранжирования сущностей в поиске
Патент Google описывает систему, которая позволяет пользователям искать внутри отзывов (UGR) сразу по нескольким сущностям (например, отелям или товарам) и сравнивать их в едином интерфейсе. Система индексирует отзывы как отдельные документы и использует их содержание для обнаружения сущностей, фильтрации результатов основного поиска и в качестве сигналов ранжирования веб-страниц.
- US11568004B2
- 2020-07-14
Как Google использует вероятностное тематическое моделирование для ранжирования видео и медиаконтента с недостатком текста
Google применяет вероятностную модель для улучшения поиска медиаконтента, такого как видео, где текстовых данных мало. Система определяет скрытые темы (Domain Topics) запроса P(T|Q) и находит контент, релевантный этим темам P(R|T). Это позволяет ранжировать видео, даже если оно не содержит ключевых слов из запроса, используя данные о кликах и базы знаний для установления связей.
- US8620951B1
- 2012-06-01
Как Google использует кластеризацию контента и результаты поиска для определения авторства и формирования профилей сущностей
Google использует механизм для точной ассоциации контента (статей, веб-страниц) с конкретными сущностями (авторами, людьми). Система предварительно группирует похожий контент в кластеры. При запросе имени автора система ранжирует эти кластеры, сравнивая их содержимое с результатами поиска по этому имени. Это позволяет разрешать неоднозначность авторов, формировать точные профили (например, в Google Scholar или Knowledge Graph) и автоматически их обновлять.
- US9400789B2
- 2013-07-17
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
Как Google определяет скрытый локальный интент запроса, анализируя аномальную популярность запроса в конкретном регионе
Google анализирует статистику запросов по разным географическим регионам. Если конкретный запрос вводится в определенном регионе значительно чаще, чем ожидалось (по сравнению с базовым регионом), Google классифицирует этот запрос как "локальный" для данной местности. При получении такого запроса от пользователя из этого региона, система автоматически повышает в ранжировании результаты, связанные с местными достопримечательностями или темами, даже если в запросе нет явных указаний на местоположение.
- US9424342B1
- 2010-02-19