SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google использует паттерны скроллинга на SERP для динамического показа связанных запросов и фильтров
Google отслеживает взаимодействие пользователя с поисковой выдачей. Если система фиксирует паттерн «прокрутка вниз, затем быстрый возврат вверх», это интерпретируется как неудовлетворенность результатами. В этот момент Google динамически вставляет дополнительный контент (связанные запросы, фильтры, рекламу) под строкой поиска, чтобы помочь пользователю уточнить запрос без ручного ввода текста, что особенно актуально для мобильных устройств.
- US20150160817A1
- 2012-04-10
Как Google использует базу данных сущностей (Knowledge Graph) для формирования прямых ответов на вопросы о фактах
Google использует систему для идентификации запросов, направленных на получение фактов о конкретной сущности (Entity-Triggering Questions). Система анализирует топовые результаты поиска, определяет, какие сущности чаще всего ассоциируются с этими документами, и выбирает наиболее релевантную сущность. Затем система извлекает запрошенный атрибут (например, адрес, дату рождения) из своей базы данных сущностей или находит лучший сниппет, содержащий этот факт, чтобы предоставить прямой ответ пользователю.
- US9081814B1
- 2013-03-12
Как Google адаптирует содержимое Панели Знаний под контекст поискового запроса пользователя
Google использует механизм для динамической настройки Панели Знаний. Система анализирует не только главную сущность в запросе, но и дополнительные контекстные термины. На основе этого контекста система переранжировывает факты и контент внутри панели, выделяет наиболее релевантную информацию и меняет порядок блоков, чтобы точнее ответить на интент пользователя.
- US10402410B2
- 2015-12-16
Как Google кластеризует, фильтрует и ранжирует популярные запросы для сервисов типа Google Trends
Патент описывает систему Google для определения популярных и быстрорастущих запросов (например, для Google Trends). Чтобы избежать дублирования и повысить качество, система группирует похожие запросы в кластеры, выбирает лучший репрезентативный запрос и ранжирует темы. Ранжирование учитывает общую популярность темы, качество результатов поиска (используя CTR, PageRank, длительность кликов) и популярность категории.
- US8145623B1
- 2009-05-01
Как Google использует мультимодальный поиск (изображение + голос) для более точного понимания запросов и ранжирования результатов
Google использует механизм мультимодального поиска, обрабатывая запросы, которые одновременно содержат изображение (например, фото) и аудио (например, голосовое описание или уточнение). Система анализирует визуальные признаки и конвертирует речь в текст, используя совместную модель релевантности для поиска ресурсов (таких как товары или веб-страницы), которые соответствуют обоим типам входных данных.
- US8788434B2
- 2010-10-28
Как Google ранжирует сущности в Knowledge Graph, используя адаптивные веса для метрик вклада, известности и наград
Google использует систему для ранжирования сущностей, извлеченных из Knowledge Graph. Система рассчитывает четыре ключевые метрики: связанность, значимость типа, вклад и награды. Затем она применяет весовые коэффициенты, которые адаптируются в зависимости от типа сущности (например, «Фильм» или «Человек»), чтобы определить итоговый рейтинг. Это влияет на то, какие сущности будут показаны в каруселях, панелях знаний и других функциях поиска, связанных с сущностями.
- US10235423B2
- 2012-12-12
Как Google определяет наиболее релевантный раздел структурированного документа (сайта или книги) для показа в выдаче
Google использует структуру документа (например, иерархию сайта или главы книги) для определения наилучшей точки входа для пользователя. Система анализирует, где именно в структуре сконцентрированы (кластеризованы) ключевые слова из запроса. Вместо показа всего документа, Google может представить конкретный раздел, главу или страницу, которая наиболее точно соответствует запросу, основываясь на плотности и расположении этих совпадений.
- US9031898B2
- 2004-09-27
Как Google обнаруживает неэффективные последовательности запросов и обучает пользователей контекстному поиску
Google анализирует последовательности запросов для выявления паттернов, при которых пользователи излишне повторяют контекст. При обнаружении такого паттерна Google отображает «Teachable Moment Interface» с подсказками о том, как задавать более короткие контекстные последующие запросы (например, с использованием местоимений), повышая эффективность поиска.
- US10120903B2
- 2015-10-15
Как Google находит ответы на фактологические вопросы, анализируя консенсус сущностей в топе поисковой выдачи
Google использует этот механизм для автоматического ответа на фактологические вопросы путем анализа неструктурированного текста топовых результатов поиска. Система определяет, какая сущность (например, человек, место) чаще всего упоминается на авторитетных страницах. Эта наиболее часто упоминаемая сущность, с учетом нормализации частоты и веса источника, выбирается в качестве ответа.
- US9477759B2
- 2013-03-15
Как Google использует связанные фразы и расширения запросов для генерации сниппетов в поисковой выдаче
Google использует запатентованный метод для автоматической генерации описаний документов (сниппетов) в результатах поиска. Система анализирует предложения в документе и ранжирует их на основе наличия трех элементов: самой фразы из запроса, семантически связанных фраз (определенных через Information Gain) и расширений фразы запроса. Наиболее релевантные предложения выбираются для формирования сниппета.
- US7584175B2
- 2004-07-26
Как Google отличает сетевые бренды от общих терминов и локальных компаний для улучшения локальной выдачи
Google использует несколько алгоритмов для автоматического определения, является ли бизнес сетевым (имеет много филиалов) и ищет ли пользователь именно его. Система анализирует триггерные слова (например, «адреса»), соотношение локальных и веб-запросов (Localness Score), частоту упоминания в названиях и категориях, а также географическое распределение запросов. Это позволяет точнее ранжировать результаты и показывать ближайшие точки на карте.
- US20140358971A1
- 2010-10-19
Как Google определяет сущности (например, болезни) по их атрибутам (например, симптомам), анализируя результаты поиска и аннотации индекса
Google использует систему для ответа на запросы, которые перечисляют атрибуты (например, симптомы), но ищут сущность (например, болезнь). Система определяет связь между ними, используя несколько методов: предварительное аннотирование индекса связями сущностей, анализ частоты упоминания сущностей в топе выдачи или генерацию комбинированных запросов. Также система предлагает дополнительные атрибуты для уточнения.
- US8856099B1
- 2011-09-27
Как Google использует внешние метки (аннотации) и шаблоны URL для фильтрации и переранжирования поисковой выдачи
Google может обрабатывать запросы, включающие ключевые слова и метки (labels), предоставленные третьими сторонами. Система строит компактный фильтр доменов, связанных с этими метками, и гарантирует минимальную долю результатов из этих источников. Затем результаты, точно соответствующие полным шаблонам URL меток, получают значительное повышение в ранжировании.
- US7668812B1
- 2006-05-09
Как Google персонализирует сниппеты в выдаче, используя профиль интересов пользователя
Google использует механизм для генерации сниппетов в поисковой выдаче, основанный не только на терминах запроса, но и на профиле интересов пользователя. Система анализирует документ, находит термины, соответствующие интересам пользователя, и выделяет их в сниппете. Это призвано повысить релевантность сниппета для конкретного пользователя и лучше отразить содержание документа в контексте его интересов.
- US8631006B1
- 2005-04-14
Как Google определяет скрытый локальный интент в общих запросах на основе региональной популярности и использования Карт
Google анализирует, является ли общий запрос (без указания места) статистически более популярным в конкретном регионе или часто вводится через интерфейс Карт. Если да, система определяет запрос как «локально значимый», автоматически создает его локализованную версию и подмешивает местные результаты в основную выдачу, обеспечивая видимость локального контента.
- US9348925B2
- 2011-06-16
Как Google использует консенсус между сайтами для валидации ключевых слов и ранжирования изображений и видео
Google агрегирует описания (метки) изображения или видео со всех сайтов, где этот контент размещен. Чтобы метка была принята как надежная («Final Label») и использовалась для ранжирования, она должна подтверждаться несколькими независимыми группами источников (консенсус). Этот механизм двойной группировки (по домену и по смыслу) снижает влияние спама и значительно повышает релевантность поиска медиаконтента.
- US8275771B1
- 2010-06-07
Как Google генерирует сниппеты для фактических ответов, требуя близости вопроса и ответа в тексте источника
Патент Google описывает систему ответа на фактические запросы (Fact Query Engine). Для подтверждения факта, извлеченного из Fact Repository (аналог Knowledge Graph), система генерирует сниппеты из исходных веб-документов. Ключевое требование: сниппет должен содержать как термины из запроса пользователя, так и термины ответа, причем система предпочитает фрагменты, где они расположены близко друг к другу (Proximity).
- US7587387B2
- 2005-03-31
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
Как Google определяет тематику и интент запроса, анализируя контент уже ранжирующихся страниц в выдаче
Google использует метод классификации запросов, который анализирует не сам текст запроса, а контент (URL, заголовки, сниппеты) страниц, находящихся в топе выдачи по этому запросу. Сравнивая набор терминов из этих результатов с эталонными профилями разных тематик или типов контента (Новости, Видео, Картинки), система определяет интент пользователя и решает, какие вертикали поиска активировать.
- US8756218B1
- 2011-08-16
Как Google динамически регулирует силу фактора близости в локальном поиске в зависимости от плотности результатов
Google использует механизм для динамической корректировки влияния расстояния на ранжирование локальных результатов. Если по запросу доступно много местных компаний (высокая плотность), влияние близости усиливается, и удаленные результаты быстро теряют позиции. Если компаний мало (низкая плотность), влияние близости ослабевает, позволяя ранжироваться более удаленным, но релевантным результатам. Система также гарантирует максимальное повышение для ближайшего результата, независимо от его абсолютного расстояния.
- US20160070703A1
- 2013-08-27
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
Как Google использует освещение научных исследований в СМИ для повышения их ранжирования и генерации поисковых подсказок
Google анализирует, как часто и в каких новостных источниках цитируются научные работы. На основе этого рассчитывается «Оценка Популярности» (Popularity Score), учитывающая авторитетность СМИ и Импакт-фактор журнала. Это позволяет высоко ранжировать авторитетные исследования в общем веб-поиске, даже если они были популярны в прошлом, а также генерировать новые поисковые подсказки на основе их терминологии.
- US20140188861A1
- 2012-12-28
Как Google превращает поисковую выдачу в интерактивные "Мини-приложения" (Mini-Apps) от разных поставщиков
Google патентует систему, которая определяет намерение пользователя и предоставляет интерактивные "мини-приложения" (Mini-Apps) прямо на странице результатов поиска. Пользователи могут выполнять задачи (например, бронировать столик, рассчитывать ипотеку) без перехода на сайт поставщика, сравнивать предложения разных компаний и переносить введенные данные между их приложениями в рамках одной сессии.
- US11461419B2
- 2020-07-09
Как Google использует поиск для сопоставления отзывов о товарах, у которых нет уникальных идентификаторов (GTIN, UPC)
Google использует механизм для агрегации отзывов о товарах в свой продуктовый каталог (например, Google Shopping). Если в отзыве отсутствует уникальный идентификатор товара (GTIN, UPC), система извлекает ключевую информацию (например, название товара), выполняет поиск в интернете и анализирует результаты выдачи. Найдя наиболее вероятный идентификатор в результатах поиска, Google связывает отзыв с соответствующим товаром в каталоге.
- US20120254158A1
- 2011-09-12
Как Google позволяет внешним экспертам настраивать поисковую выдачу и таргетировать рекламу с помощью контекстных файлов
Google использует систему, позволяющую владельцам тематических (вертикальных) сайтов программно управлять поведением поисковой системы с помощью «Файлов Контекста». Эти файлы содержат инструкции по модификации запроса, выбору коллекций документов для поиска, фильтрации и аннотированию результатов. Это позволяет адаптировать поиск под конкретный интент пользователя (например, покупка или техподдержка) и использовать этот же контекст для более точного таргетинга рекламы.
- US20160299983A1 (Заявка)
- 2016-06-20 (Продолжение заявки от 2005-08-10)
Как Google автоматически определяет и проверяет атрибуты, бренды и категории товаров, анализируя веб-контент и поведение пользователей
Google использует систему для автоматического извлечения и проверки «Структурных параметров» (бренды, атрибуты, категории, линейки продуктов) из неструктурированного веб-контента и логов запросов. Система валидирует классификацию с помощью анализа контекстуального сходства, целевого краулинга (поиск фраз типа «X является Y») и анализа распределения кликов. Это позволяет стандартизировать данные о товарах от разных продавцов и формировать структурированную E-commerce выдачу.
- US9171088B2
- 2011-04-06
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
Как Google персонализирует поиск, уточняя социальную близость к авторам на основе истории кликов пользователя
Google анализирует, как пользователь взаимодействует (кликает или игнорирует) с контентом авторов из его социального графа. Если взаимодействие по определенной теме превышает порог и у пользователя уже есть социальная связь с автором, система уточняет степень их близости (Affinity) к этой теме. Эта уточненная близость используется для повышения или понижения контента этого автора по этим темам в будущей выдаче пользователя.
- US9519683B1
- 2012-09-06
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
Как Google использует визуальные превью (Query Suggestion Groupings) для уточнения поисковых запросов
Google патентует интерфейс "Query Suggestion Groupings", который показывает не только текст предлагаемого уточнения запроса, но и визуальное превью результатов (например, миниатюры изображений). Ключевая особенность: эти превью намеренно исключают результаты из топа основной выдачи, чтобы обеспечить разнообразие. Это позволяет пользователям визуально оценить контекст уточнения, не покидая текущую страницу.
- US9230023B2
- 2013-04-16