SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google выбирает, синтезирует и озвучивает прямые ответы для голосового поиска с учетом контекста пользователя
Google обрабатывает голосовые запросы, идентифицируя стандартный результат (ссылка и сниппет) и одновременно находя или синтезируя прямой ответ в форме законченного предложения. Этот ответ адаптируется под контекст пользователя (например, местоположение), конвертируется в аудиоформат и озвучивается вместе с отображением визуальной выдачи.
- US20170235827A1
- 2013-06-20
Как Google использует классификаторы запросов и контента для фильтрации и понижения оскорбительных результатов, связанных с защищенными группами
Google применяет систему двойной классификации для защиты пользователей от неуместного или оскорбительного контента. Система оценивает, относится ли запрос к «защищенной группе людей» и содержит ли он деликатные термины. Параллельно анализируется, содержат ли результаты поиска оскорбительный контент. На основе комбинации этих классификаций и анализа сессии пользователя результаты могут быть отфильтрованы или понижены в ранжировании.
- US10083237B2
- 2015-08-31
Как Google объединяет изображение и текст для создания мультимодальных запросов (Google Multisearch)
Google патентует интерфейс для уточнения визуального поиска. Пользователь загружает изображение, видит результаты и специальное поле для ввода текстового уточнения. Система объединяет изображение и текст в единый мультимодальный запрос (Multimodal Search Query), чтобы точнее понять намерение пользователя и предоставить релевантные результаты разных форматов, включая товары, видео и статьи.
- US20240028638A1
- 2022-07-22
Как Google переносит визуальную релевантность между похожими запросами в поиске по картинкам
Патент Google описывает механизм для улучшения ранжирования в поиске по картинкам. Если для конкретного запроса нет обученной модели визуальной релевантности, система использует модель от похожего запроса. Оценка релевантности (Boost) корректируется с помощью "дробного множителя" (Fractional Adjustment Multiplier), который уменьшает влияние модели пропорционально степени различия между запросами.
- US9152700B2
- 2012-01-13
Как Google использует взаимодействие с выдачей и контекст для уточнения временных рамок поиска
Google использует механизм для уточнения временного контекста запроса. Это происходит тремя способами: анализом временных указаний в самом запросе (например, «сезон охоты»), учетом текущего времени и местоположения пользователя (например, поиск «кофейни» ночью), или анализом того, какие результаты выбирает пользователь из первоначальной выдачи (например, выбор зимних фотографий). На основе этого уточненного временного контекста выдача перестраивается.
- US8977609B1
- 2012-09-14
Как Google встраивает поиск (ботов) напрямую в чаты и голосовые звонки с помощью триггерных слов и контекста
Система отслеживает электронные разговоры (чаты, VoIP-звонки) на наличие триггерных слов. При активации она захватывает запрос, может использовать контекст разговора для его уточнения и внедряет краткий ответ обратно в поток беседы. Патент также описывает функцию автоматического звонка по найденному номеру (Search-to-Call).
- US9031216B1
- 2009-03-05
Как Google выбирает изображения для блоков с ответами (Featured Snippets), обеспечивая контекст и скорость
Google использует многоэтапный процесс для выбора изображений, отображаемых рядом с прямыми ответами на вопросы. Система генерирует отдельный запрос для поиска изображений на основе темы вопроса и заранее оценивает изображения на релевантных страницах. Когда источник текстового ответа определен, Google отдает предпочтение лучшему изображению с этой же страницы, гарантируя его контекстуальную связь с ответом.
- US10691746B2
- 2016-07-12
Как Google выявляет новые временные связи между ключевыми словами и сущностями на основе текущих событий
Google использует систему для выявления новых, временных ассоциаций между ключевыми словами, анализируя недавние онлайн-документы (новости, социальные сети) и сравнивая их с историческими данными. Если обнаруживается новая значимая связь («временная ссылка»), система использует её для отбора релевантного контента, даже если ключевые слова традиционно не были связаны. Это позволяет поиску быстро адаптироваться к меняющемуся контексту и текущим событиям.
- US9146980B1
- 2013-06-24
Как Google агрегирует и ранжирует пользовательские метки для идентификации объектов в Визуальном поиске (Google Lens)
Google использует этот механизм для повышения точности идентификации объектов при поиске по изображению. Система находит множество визуально похожих изображений, загруженных пользователями (UGC), и анализирует их текстовые метки. Метки группируются по смыслу, а затем эти группы ранжируются на основе совокупной визуальной релевантности. Это позволяет определить наиболее вероятное название объекта, опираясь на коллективное мнение.
- US9424279B2
- 2013-03-08
Как Google ускоряет нейронный поиск, используя выборочные векторные взаимодействия токенов и механизм импутации
Google патентует высокоэффективную систему нейронного поиска (Contextualized Token Retriever). Она обеспечивает высокую точность за счет анализа взаимодействий на уровне отдельных контекстуализированных токенов между запросом и документом. Ключевое нововведение — механизм импутации, который позволяет рассчитывать релевантность, используя только предварительно извлеченные векторы, что радикально снижает вычислительные затраты.
- US20250217373A1
- 2024-12-30
Как Google использует прогрессивную загрузку результатов в поиске по картинкам во время автозаполнения запроса
Патент Google, описывающий механизм оптимизации загрузки результатов поиска по картинкам во время ввода запроса (as-you-type). Система сначала показывает небольшой набор изображений для лучшего предполагаемого запроса. Дополнительные результаты загружаются автоматически только в том случае, если система обнаруживает «сигнал заинтересованности пользователя» (например, прокрутку или паузу при вводе), что позволяет экономить ресурсы сервера и трафик.
- US20150169643A1
- 2012-05-14
Как Google анализирует, извлекает и ранжирует данные из таблиц для формирования Featured Snippets
Google использует систему для идентификации таблиц с упорядоченными данными (рейтингами) на веб-страницах. Система анализирует структуру таблицы и контекст страницы (заголовки, окружающий текст, прошлые запросы), чтобы понять, что именно и по какому критерию ранжируется. Если исходная страница уже занимает высокие позиции, Google может извлечь данные из таблицы и показать их непосредственно в выдаче в виде Featured Snippet, отвечая на запросы о рейтингах и сравнениях.
- US20190065502A1
- 2015-04-21
Как Google использует коллекции сущностей для определения коммерческого интента запроса
Google анализирует сущности (entities), распознанные в поисковом запросе, и определяет, к каким «коллекциям» (группам связанных сущностей) они принадлежат. Оценивая характеристики этих коллекций, система вычисляет вероятность коммерческого намерения пользователя. Этот механизм используется для разрешения неоднозначностей и принятия решения о показе релевантного коммерческого контента.
- US20150088648A1
- 2013-09-24
Как Google может генерировать альтернативные запросы из контента страниц и встраивать их в сниппеты
Google использует механизм для помощи пользователям в уточнении их поискового намерения. Система анализирует текст веб-страниц в результатах поиска и находит фразы, похожие на исходный запрос или характеризующие документ. Эти фразы затем встраиваются непосредственно в сниппеты как кликабельные предложения для нового поиска, облегчая навигацию и уточнение запроса.
- US9183323B1
- 2008-06-27
Как Google использует машинное обучение для автоматического расширения запросов о фильмах и сериалах и показа связанного контента
Google использует систему для распознавания запросов, связанных с медиа (фильмы, сериалы). Если запрос идентифицирован как медийный, система автоматически расширяет его, добавляя семантически связанные термины (например, похожие шоу, актеров, жанры), найденные с помощью обученной модели машинного обучения. Это позволяет возвращать более широкий и релевантный набор результатов, даже если исходный запрос был узким.
- US8484192B1
- 2007-04-30
Как Google оценивает авторитетность академических конференций и журналов по репутации их организаторов для ранжирования статей
Google использует репутацию и научный вес членов программных или редакционных комитетов (например, их цитируемость) для оценки качества академического события (конференции, журнала). Эта оценка качества события затем используется для ранжирования документов (например, научных статей), опубликованных в рамках этого события.
- US8489614B2
- 2005-12-14
Как Google автоматически генерирует и выполняет поисковые запросы на основе того, что пользователь смотрит или слушает
Google патентует систему проактивного поиска для "второго экрана". Анализируя исторические данные, система определяет, что пользователи ищут во время просмотра контента (фильма, матча). Когда новый пользователь смотрит этот контент, система распознает его (например, по звуку) и автоматически выполняет релевантные запросы в нужный момент, показывая свежие результаты без ручного ввода.
- US10545954B2
- 2017-03-15
Как Google использует структурированные данные и шаблоны для создания обогащенных сниппетов (Rich Results)
Google использует механизм, позволяющий владельцам сайтов влиять на отображение своих страниц в поиске. Система идентифицирует «Объекты отображения результатов поиска» (структурированные данные) и «Шаблоны» (правила форматирования), предоставленные вебмастером или сгенерированные автоматически. Это позволяет формировать обогащенные сниппеты с дополнительной информацией (цены, рейтинги, изображения).
- US20100114874A1
- 2008-10-20
Как Google автоматически определяет ключевые темы в медиапотоках (ТВ, аудио, текст) и использует механизм "Boosting" для поиска релевантного контента
Система анализирует мультимедийные потоки (например, ТВ-трансляции) в реальном времени, преобразует их в текст и автоматически генерирует поисковые запросы. Используются классические методы IR (TF-IDF, стемминг, анализ контекста). Ключевой особенностью является механизм пост-обработки "Boosting", который переранжирует результаты поиска на основе дополнительного контекста, не вошедшего в исходный запрос.
- US8868543B1
- 2003-04-08
Как Google использует контекст документа и данные пользователя для генерации мгновенных ответов (Knowledge Panels, Answer Boxes) при выделении текста
Google анализирует текст, выделенный пользователем на странице, и окружающий контекст (контент документа, язык и местоположение пользователя). Система определяет, является ли выделение сущностью, иностранной валютой или словом, требующим перевода, и динамически генерирует соответствующую информационную карточку (Knowledge Panel или Answer Box) поверх страницы.
- US9613145B2
- 2014-06-18
Как Google намеренно задерживает или искажает изменения в ранжировании для выявления SEO-манипуляций
Google использует механизм для борьбы со спамом, который вносит временные задержки и неожиданные колебания в ранжирование документа после изменения его факторов. Вместо немедленного применения нового рейтинга система использует "Функцию перехода ранга". Это делается для того, чтобы запутать спамеров и проанализировать их реакцию на неожиданные изменения (например, падение позиций вместо ожидаемого роста), выявляя таким образом манипуляции.
- US8244722B1
- 2010-01-05 (Продолжение заявки от 2005-06-30)
Как Google встраивает интерактивные ответы (OneBox) в контент веб-страниц и сниппеты поисковой выдачи
Патент описывает систему для идентификации ключевых терминов (например, названий компаний, локаций, медиа) на любой веб-странице или в сниппете поисковой выдачи. Система динамически встраивает интерактивные гаджеты (Answer Box Gadgets), предоставляющие пользователю мгновенную информацию (например, текущую цену акции или погоду) по клику или наведению, не требуя покидать страницу.
- US9146992B2
- 2012-01-13
Как Google рассчитывает оценки для связанных запросов (Related Searches) на основе частоты терминов и популярности уточнений
Google анализирует логи поисковых сессий, чтобы понять, как пользователи уточняют свои запросы. Система вычисляет, какие термины чаще всего встречаются в этих уточнениях (Term Occurrence Score) и насколько популярен сам путь уточнения (Refinement Rate). На основе этих метрик формируются релевантные поисковые подсказки и блоки «Связанные запросы».
- US8515985B1
- 2011-06-24
Как Google использует NLP, Proximity Score и Query Score для извлечения сущностей и приоритизации контента на основе структуры текста и контекста пользователя
Патент детально описывает, как Google анализирует текстовые описания, извлекает ключевые именные группы (Noun Phrases/сущности) и превращает их в поисковые запросы. Система ранжирует результаты, используя «Proximity Score» (порядок появления в тексте) и «Query Score» (контекст пользователя), что дает критическое понимание влияния структуры текста на интерпретацию контента.
- US9788055B2
- 2013-03-14
Как Google использует анализ контента в топе выдачи для активации "слабых" синонимов и уточнения запроса
Google анализирует термины, которые необычно часто встречаются в первоначальных результатах поиска (сверхпредставленные термины). Если такой термин является потенциальным, но слабым синонимом для слова из запроса, система активирует эту связь и перезапускает поиск с уточненным запросом. Это позволяет контекстуально улучшать запрос на лету, используя специализированную лексику, доминирующую в нише.
- US9152698B1
- 2012-01-03
Как Google использует машинное обучение для распознавания разных смыслов запроса и ранжирования изображений в Image Search
Google использует модель машинного обучения для улучшения ранжирования в поиске по картинкам. Система определяет различные смыслы (senses) неоднозначного запроса (например, "Jaguar" как автомобиль и как животное), проецирует изображения в многомерное пространство признаков и строит гиперплоскости (hyperplanes) для разделения этих смыслов. Итоговый ранг изображения определяется его близостью к любому из релевантных смыслов.
- US8923655B1
- 2012-10-12
Как Google формирует универсальную выдачу (Universal Search), смешивая и ранжируя результаты из разных вертикалей поиска
Патент описывает фундаментальный механизм "Универсального Поиска". Google одновременно ищет информацию по запросу в разных категориях (Веб, Новости, Товары, Картинки). Система ранжирует не только документы, но и сами категории по релевантности запросу, определяя, какие результаты объединить в единую выдачу и насколько заметно (Prominence) они будут представлены.
- US7447678B2
- 2003-12-31
Как Google в реальном времени перестраивает поисковые подсказки (Autocomplete) на основе прямых эфиров и трансляций
Google отслеживает прямые эфиры (ТВ, радио, стримы) и извлекает из них ключевые темы и сущности. Система использует эту информацию для повышения в реальном времени релевантных поисковых подсказок (Autocomplete), адаптируя их под текущие события. Это также помогает валидировать всплески поискового интереса (query spikes).
- US20150149482A1
- 2013-03-14
Как Google определяет, является ли ответ на вопрос «Кто...?» именем человека или названием организации, и переранжирует выдачу
Google использует статистический анализ языка для разрешения неоднозначности в запросах (например, начинающихся с «Кто»). Система анализирует, как часто глагол и объект из запроса встречаются в корпусе текстов с субъектом-человеком по сравнению с субъектом-организацией. На основе этой вероятности Google переранжирует результаты, повышая или понижая позиции сущностей (людей или организаций) в зависимости от того, какой тип ответа ожидается.
- US9063983B1
- 2013-03-12
Как Google синтезирует сниппеты, объединяя заголовки высококачественных внутренних страниц сайта (Sitelinks)
Google может заменить стандартный сниппет веб-страницы на «синтезированный сниппет», созданный путем объединения заголовков её наиболее важных подстраниц (например, тех, что попадают в Sitelinks). Это происходит, когда стандартный сниппет неинформативен, позволяя пользователю лучше понять структуру и содержание сайта прямо в выдаче.
- US9158849B2
- 2013-02-19