SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google определяет "Связанные запросы", сравнивая различия в топе выдачи и сходства в нижних результатах
Google использует двухэтапный анализ для генерации блока "Связанные запросы" (Related Searches). Система ищет запросы, у которых ТОП выдачи сильно отличается от исходного запроса (чтобы показать новое), но результаты на низких позициях сильно пересекаются (чтобы сохранить тематическую связь). Это позволяет предлагать пользователю смежные темы, не повторяя уже увиденные результаты.
- US9122727B1
- 2013-03-01
Как Google определяет тип ответа на вопрос: показать конкретную сущность или её описание (Entity vs. Description)
Google использует этот механизм для классификации запросов и выбора формата прямого ответа. Система анализирует, присутствуют ли сущности, извлеченные из результатов поиска, в тексте самого запроса. Если найдена новая сущность (которой нет в запросе), она считается ответом (Entity-triggering). Если все сущности уже известны из запроса, система предоставляет текстовое описание (Description-triggering).
- US9229974B1
- 2012-10-22
Как Google позволяет пользователям изменять, персонализировать и совместно улучшать категории результатов поиска
Google патентует систему организации результатов поиска в иерархию категорий (фасетную навигацию). Пользователи могут модифицировать эту иерархию: добавлять/удалять категории, голосовать за их полезность и связывать страницы с темами. Система сохраняет эти изменения для персонализации будущих результатов пользователя и агрегирует обратную связь для глобального улучшения категоризации.
- US8214361B1
- 2008-09-30
Как Google использует визуальное сходство для связывания изображений и видео, кластеризации выдачи и обогащения метаданных
Google анализирует визуальное содержимое изображений и ключевых кадров видео для выявления сходств. Это позволяет связывать разнотипный контент, даже если у него мало текстовых данных. Система использует эти связи для переноса метаданных (например, ключевых слов или геопозиции) от одного ресурса к другому, а также для кластеризации и смешивания изображений и видео в результатах поиска.
- US9652462B2
- 2011-04-29
Как Google использует контент топовых результатов для генерации разнообразных и контекстуально связанных поисковых подсказок
Google анализирует контент страниц, ранжирующихся в топе по исходному запросу, чтобы понять его контекст. На основе этого контекста система находит похожие запросы из своей базы данных. Затем она фильтрует эти запросы, оставляя только те, которые лексически отличаются от исходного, чтобы предложить пользователю разнообразные и релевантные альтернативы для исследования темы.
- US7725485B1
- 2005-08-01
Как Google обучается распознавать синонимы, анализируя текст сниппетов в результатах поиска
Google использует текст сниппетов для улучшения систем понимания запросов. Анализируя, какие слова часто появляются в сниппетах релевантных или кликабельных результатов, система выявляет потенциальные синонимы для исходных ключевых слов. Это позволяет автоматически расширять будущие запросы, включая эти синонимы для повышения полноты выдачи.
- US20140358904A1
- 2012-08-02
Как Google обогащает сниппеты брендов контентом из их социальных сетей при навигационных запросах
Google использует механизм для улучшения результатов по навигационным (брендовым) запросам. Система определяет официальную страницу субъекта в социальной сети и извлекает оттуда свежий или релевантный контент (например, последние посты или изображения). Этот контент затем комбинируется непосредственно со стандартным сниппетом официального сайта субъекта в поисковой выдаче, делая результат более актуальным и информативным.
- US8799276B1
- 2012-05-30
Как Google динамически переключает выдачу с общего поиска на специализированные вертикали (Рецепты, Вакансии, Товары)
Патент описывает, как Google динамически определяет тематические "режимы поиска" (например, "Вакансии" или "Рецепты") на основе запроса. Система предлагает переключиться в специализированный режим, который использует структурированные данные вместо общего веб-индекса и предоставляет уникальные элементы интерфейса для фильтрации, сортировки и форматирования результатов по атрибутам, специфичным для данной тематики.
- US7890499B1
- 2006-12-01
Как Google классифицирует вакансии и запросы с помощью векторов и таксономии профессий для улучшения поиска работы
Google использует модель идентификации вакансий для преодоления ограничений поиска по ключевым словам в сфере трудоустройства. Система обучается на основе таксономии профессий, генерируя векторы для вакансий с использованием специализированных весовых коэффициентов (Inverse Occupation Frequency и Occupation Derivative). Это позволяет системе понимать, что запросы вроде "Patent Guru" соответствуют профессии "Патентный поверенный", и возвращать релевантные вакансии, даже если ключевые слова не совпадают.
- US10643183B2
- 2016-10-18
Как Google использует редкость сущностей (IDF) для персонализации и повышения интересности контента
Google использует механизм для персонализации выдачи (например, в Новостях или Рекомендациях), который повышает в ранжировании документы, содержащие сущности, интересующие пользователя, если эти сущности редко встречаются в недавнем корпусе документов. Редкость измеряется с помощью Inverse Document Frequency (IDF). Система продвигает уникальные комбинации тем (группы сущностей), которые могут быть особенно интересны пользователю.
- US9679018B1
- 2014-02-19
Как Google использует Knowledge Graph для автоматической кластеризации результатов поиска по свойствам сущностей
Google использует Knowledge Graph для организации поисковой выдачи по широким запросам. Система определяет сущность в запросе (например, «Собаки»), находит в Knowledge Graph её наиболее важное свойство (например, «Порода») и автоматически генерирует уточняющие подзапросы. Результаты поиска представляются в виде организованных кластеров, соответствующих этим подзапросам.
- US20150269231A1
- 2012-08-08
Как Google определяет ключевые слова, которые сильно связаны с конкретными категориями, для улучшения ранжирования
Google использует статистический анализ частоты запросов и их связи с категориями документов для выявления сильных ассоциаций (например, запрос «суши-бар» и категория «Японский ресторан»). Если пользователь вводит запрос, который является таким ключевым словом, документы, принадлежащие к соответствующей категории, получают повышение в ранжировании.
- US7996393B1
- 2007-09-28
Как Google предлагает категории для уточнения запроса на основе анализа топа выдачи (особенно в локальном поиске)
Google анализирует категории (например, из бизнес-справочников), к которым принадлежат топовые результаты по запросу пользователя. Наиболее релевантные или часто встречающиеся категории предлагаются пользователю для уточнения или сужения поиска, что особенно актуально для локальных запросов и поиска организаций.
- US7523099B1
- 2004-12-30
Как Google объединяет поисковый запрос и профиль пользователя для персонализации выдачи с помощью векторных эмбеддингов (LCR)
Google использует метод Latent Collaborative Retrieval (LCR) для персонализации поиска. Система создает векторные представления (эмбеддинги) для текущего запроса пользователя и его долгосрочного профиля (история, предпочтения). Эти векторы приводятся к единой размерности в общем латентном пространстве, что позволяет напрямую сравнивать и комбинировать релевантность запросу и соответствие профилю пользователя для формирования финальной выдачи.
- US20130325846A1
- 2012-06-01
Как Google выбирает главное изображение для новостных статей и кластеров в Google News и Top Stories
Google использует многофакторную систему для выбора наилучшего изображения, представляющего новостную статью или кластер. Система фильтрует неподходящие изображения (рекламу, логотипы), анализирует контекст (подписи, Alt-текст, расположение рядом с заголовком) и оценивает технические параметры (размер, формат), чтобы выбрать изображение для показа в результатах поиска новостей.
- US8775436B1
- 2008-08-20 (Продолжение заявки от 2004-03-19)
Как Google кластеризует новостные результаты для генерации блоков "Связанные темы" и "Категории"
Google анализирует результаты поиска по новостям и группирует статьи, освещающие одно и то же событие, в кластеры. Затем система извлекает общие ключевые слова из этих кластеров для формирования блока "Связанные темы" (Related Topics), помогая уточнить запрос. Одновременно определяется широкая категория новостей (например, "Спорт"), из которой предлагается дополнительный контент для расширения контекста.
- US11194868B1
- 2018-09-28
Как Google превращает объекты на изображениях в интерактивные элементы для выполнения действий (звонок, покупка, маршрут)
Google анализирует визуальные запросы (изображения) для распознавания сущностей (продукты, логотипы, текст, здания). Система находит связанную информацию в индексе (номера телефонов, адреса, URL) и генерирует «действенные результаты» — интерактивные кнопки, позволяющие пользователю немедленно совершить действие (позвонить, купить, проложить маршрут), запуская соответствующее приложение.
- US8977639B2
- 2010-08-11
Как Google интеллектуально уточняет запросы из изображений, предсказывая намерения пользователя и исправляя ошибки OCR
Google совершенствует визуальный поиск (например, Google Lens), анализируя текст на изображениях (OCR) и предсказывая задачу пользователя (например, перевод, покупка). Если результаты поиска по исходному тексту не решают эту задачу, система автоматически корректирует ошибки распознавания и генерирует уточненный запрос, используя данные о завершенных поисковых сессиях (Query Completion).
- US20250217412A1
- 2023-12-28
Как Google оптимизирует персонализированный поиск, выборочно приоритизируя контент от влиятельных социальных аккаунтов
Google использует механизм для эффективного включения социальных результатов в поисковую выдачу. Система анализирует социальный граф пользователя, различая друзей (симметричные связи) и подписки на влиятельных пользователей (асимметричные связи). Если пользователь подписан на слишком много аккаунтов, система ограничивает их число при обработке запроса, чтобы избежать задержек. Приоритет отдается аккаунтам с высокой популярностью (Prominence) и высоким уровнем взаимодействия с пользователем (Affinity).
- US20160246789A1
- 2013-03-07
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
Как Google использует одновременный ввод видео и аудио (Multimodal Search) для понимания сложных запросов
Google разрабатывает систему мультимодального поиска, позволяющую пользователям записывать видео и одновременно задавать вопрос голосом или записывать звук. Система использует продвинутые ML-модели для генерации видео-эмбеддингов, анализа временной информации и аудиосигнатур. Это позволяет поиску понимать сложные запросы, требующие визуального и аудиального контекста (например, диагностика поломок, обучение действиям), и находить релевантные ответы в виде видео, веб-страниц или AR.
- US20240403362A1 (Application)
- 2023-05-31
Как Google динамически выбирает лучший кадр из видео (thumbnail) и точку воспроизведения под конкретный запрос пользователя
Google использует систему для динамического выбора thumbnail для видео в результатах поиска. Система анализирует запрос пользователя и содержание каждого кадра видео, преобразуя их в числовые векторы в общем семантическом пространстве. Кадр, наиболее близкий по смыслу к запросу, выбирается в качестве репрезентативного (thumbnail). Ссылка в выдаче может вести непосредственно к этому моменту в видео (Deep Linking).
- US20160378863A1
- 2015-06-24
Как Google извлекает и ранжирует факты, используя сопоставление шаблонов, IDF и консенсус источников
Google использует многоэтапный процесс для ответов на запросы с пропусками (fill-the-blanks). Система преобразует запрос в шаблон, находит совпадения в тексте и извлекает ответ (Filler Text). Ранжирование ответов основано на уникальности терминов (IDF), качестве документа-источника (Document Quality) и частоте подтверждения этого ответа другими источниками (Relative Frequency), что позволяет валидировать факты через консенсус.
- US7693829B1
- 2005-04-25
Как Google рассчитывает универсальную оценку (MUS Score) для ранжирования локальных результатов и их смешивания с веб-поиском
Google использует механизм расчета Универсальной Оценки (MUS Score) для результатов локального поиска. Эта оценка позволяет сравнивать релевантность карт и локальных объектов с результатами из других вертикалей (например, веб-поиска) для формирования смешанной выдачи. Оценка агрегирует сигналы уверенности в адресе (Address Support), близости к пользователю (Viewport Support) и текстовой релевантности (Matching Score), определяя ранжирование в Local Pack.
- US8463774B1
- 2008-07-15
Как Google переписывает запросы на естественном языке для поиска более качественных результатов
Google использует систему для улучшения результатов поиска по запросам на естественном языке. Если первоначальная выдача не удовлетворяет требованиям качества (например, отсутствуют прямые ответы или релевантность низкая), система генерирует и тестирует альтернативные, переписанные версии запроса. Если альтернативная версия дает лучшие результаты, они заменяют или дополняют исходную выдачу.
- US20170270159A1
- 2013-09-11
Как Google сегментирует поисковую выдачу по разным значениям запроса с помощью вкладок и семантических кластеров
Система для обработки неоднозначных запросов путем идентификации различных значений (концепций) запроса и представления их в виде отдельных вкладок (Tabs). Внутри каждой вкладки похожие результаты группируются в "стеки" (Stacks) для уменьшения дублирования, а для дальнейшего уточнения предлагаются динамически сгенерированные меню (Drill Down).
- US20140229477A1
- 2014-04-07
Как Google комбинирует визуальное сходство и семантические метки для улучшения поиска по картинке (Visual Search)
Google использует систему поиска по изображению, которая сочетает анализ визуальных характеристик и семантических меток. Система генерирует высокоточные метки (High Confidence Labels) для изображения, анализируя текст, связанный с визуально похожими картинками в интернете. Затем она ранжирует кандидатов, используя модель визуального сходства, обученную на основе человеческих оценок, и применяет правила фильтрации для обеспечения однородности результатов.
- US8429173B1
- 2010-04-20
Как Google использует атрибуты сущностей для генерации «Дополненных запросов» и уточнения поиска
Google использует механизм для помощи в исследовании тем, связанных с сущностями (люди, места, продукты). Система распознает сущность в запросе, определяет ее ключевые атрибуты (анализируя результаты поиска или Knowledge Graph) и автоматически генерирует список предлагаемых «дополненных запросов» (Сущность + Атрибут). Это позволяет пользователю одним кликом запустить новый, более сфокусированный поиск по теме.
- US10055462B2
- 2013-03-15
Как Google динамически определяет фразы (семантические единицы) в запросе, анализируя топовые результаты поиска
Google анализирует топовые документы в выдаче по запросу, чтобы определить, следует ли рассматривать несколько слов как единую фразу (семантическую единицу). Если фраза часто встречается в топовых результатах, особенно на самых высоких позициях, Google идентифицирует ее как семантическую единицу и использует для уточнения ранжирования, отдавая приоритет документам с точным совпадением фразы.
- US7249121B1
- 2000-12-05
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