SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google повышает официальные видео в поиске выше их заявленных копий на контент-платформах (например, YouTube)
Механизм для контент-платформ (например, YouTube), который корректирует результаты поиска, чтобы продвигать контент, загруженный непосредственно владельцем («Предпочтительный контент»), выше копий этого же контента, загруженных другими пользователями, но заявленных владельцем («Заявленный контент»). Система использует различные эвристики, включая смену позиций, бустинг или оптимизацию полезности для владельца, чтобы гарантировать приоритет официальных версий.
- US9852224B2
- 2014-07-03
Как Google идентифицирует, классифицирует и помечает сайты с вредоносным ПО (Scumware) в поиске и браузерах
Google сканирует веб на наличие «Scumware» (вредоносное и нежелательное ПО). Патент описывает, как система различает сайты, которые содержат вредоносный код, и сайты, которые на него ссылаются. Обнаружение угрозы может привести к исключению сайта из поиска, понижению в ранжировании или добавлению различных визуальных предупреждений в SERP и браузерных тулбарах.
- US8126866B1
- 2005-09-30
Как Google использует предварительную загрузку (Pre-fetching) для ускорения отображения следующих страниц поисковой выдачи
Google использует механизм предварительной загрузки (префетчинга) для улучшения пользовательского опыта. Пока пользователь просматривает первую страницу результатов, система автоматически и асинхронно загружает следующую страницу в кэш браузера. Это обеспечивает мгновенное отображение при переходе, а механизм подтверждения просмотра гарантирует точный учет статистики и показов рекламы.
- US8719265B1
- 2012-09-14
Как Google динамически корректирует веса факторов ранжирования для каждого запроса на основе анализа выдачи
Google использует этот механизм для динамической адаптации алгоритма ранжирования к специфике конкретного запроса. Система анализирует, какие факторы оказали наибольшее влияние на формирование первичной выдачи по сравнению с историческими данными. Если влияние факторов отличается от нормы, система корректирует их веса и проводит повторное ранжирование (Re-scoring) для обеспечения оптимального результата.
- US10339144B1
- 2015-05-21
Как Google использует компактные дескрипторы и пространственное кодирование для выявления и удаления почти дубликатов изображений из поиска
Google использует систему для эффективного обнаружения изображений-почти дубликатов (измененный размер, обрезка, сжатие). Система анализирует локальные особенности контента ("визуальные слова") и их точное пространственное расположение ("тайлы"), чтобы создать компактные дескрипторы. Сравнивая эти дескрипторы, Google быстро идентифицирует и удаляет дубликаты из результатов поиска для повышения разнообразия выдачи.
- US9063954B2
- 2013-03-15
Как Google нормализует оценки мобильных приложений и ранжирует их вместе с веб-сайтами в единой выдаче
Google использует механизм для сравнения и совместного ранжирования веб-страниц и нативных мобильных приложений. Поскольку оценки для веба и приложений рассчитываются по разным шкалам, система нормализует оценки приложений, приводя их к единой шкале с веб-результатами. Это позволяет Google формировать унифицированную поисковую выдачу (Universal Search), включающую как ссылки на сайты, так и контент из приложений (Deep Links).
- US8996520B2
- 2013-03-15
Как Google позволяет пользователям отключать категории персонализации (местоположение, историю поиска, социальные связи) для контроля над выдачей
Патент Google, описывающий интерфейс и механизм, позволяющий пользователям выборочно отключать категории поисковых сигналов, используемых для персонализации результатов. Пользователь может исключить такие факторы, как свое местоположение, историю поиска или социальные связи, чтобы получить менее персонализированную (более общую) поисковую выдачу и контролировать свой «пузырь фильтров».
- US8886644B1
- 2012-11-01
Как Google использует машинное обучение для ранжирования в Поиске по Картинкам, динамически взвешивая сигналы изображения и посадочной страницы
Google использует модель машинного обучения для ранжирования изображений, которая совместно обрабатывает признаки запроса, самого изображения и посадочной страницы, на которой оно размещено. Это позволяет системе динамически определять важность визуальных характеристик изображения и контекста страницы в зависимости от конкретного запроса, улучшая релевантность выдачи.
- US20200201915A1
- 2019-01-31
Как Google встраивает ленту социальных обсуждений в реальном времени прямо в результаты поиска по трендовым запросам
Google использует механизм для идентификации трендовых запросов ("active keywords"), связанных с текущими событиями. Если пользователь ищет по такому запросу, система отбирает релевантные посты из социальных сетей, созданные во время события, и отображает их в виде специальной встроенной ленты ("discussion stream") прямо на странице результатов поиска, отделяя их от более старых социальных постов.
- US9984155B2
- 2012-06-07
Как Google интегрирует контактные данные и каналы связи (email, чат, звонок) прямо в поисковую выдачу
Google использует систему для отображения «Карточки Профиля» (Profile Card) в поисковой выдаче, когда запрос касается конкретного человека. Система агрегирует контактные данные из личных контактов пользователя, социальных сетей и публичных источников. Это позволяет инициировать общение (email, звонок, чат) прямо из SERP через всплывающий интерфейс (Interaction Hovercard), не покидая страницу поиска.
- US10061851B1
- 2013-03-12
Как Google фильтрует поисковые подсказки (Autocomplete) на основе оценок безопасности контента в результатах поиска
Google анализирует рейтинги безопасности (например, возрастные ограничения) контента в результатах поиска для популярных запросов. Если выдача по запросу содержит недостаточное количество "безопасного" контента (ниже установленного порога), этот запрос добавляется в список запрещенных и не показывается в качестве поисковой подсказки (Autocomplete) пользователям с включенными фильтрами безопасности.
- US10169488B2
- 2015-02-20
Как Google рассчитывает «Рейтинг безопасности» запроса для фильтрации или блокировки выдачи (SafeSearch)
Google анализирует рейтинги контента (например, «для всех возрастов» или «для взрослых») топовых результатов по запросу, чтобы вычислить его «Safety Score». Если выдача содержит слишком много неприемлемого контента, система может полностью заблокировать запрос или агрессивно отфильтровать результаты, показывая только гарантированно безопасный и релевантный контент.
- US11829373B2
- 2015-02-20
Как Google определяет, когда игнорировать местоположение пользователя и показывать глобальные результаты для уникальных сущностей
Google использует систему для динамического выбора между показом результатов, привязанных к предполагаемому местоположению пользователя (например, по IP или GPS), и глобальными результатами. Если глобальные результаты географически тесно сгруппированы вокруг определенного места, система может решить, что пользователь ищет конкретную уникальную сущность (например, известный ресторан в другом городе), и предпочтет эти глобальные результаты локальным.
- US10037357B1
- 2010-12-09
Как Google корректирует ранжирование, основываясь на типе устройства пользователя и полезности контента для этого устройства
Google использует систему для корректировки поисковой выдачи в зависимости от типа устройства пользователя (например, Android, iOS, десктоп). Контент, полезный для данного устройства, повышается в ранжировании, а бесполезный — понижается. Однако корректировка происходит только при наличии полезных альтернатив и только если это не противоречит явному намерению пользователя (интенту).
- US9652508B1
- 2014-03-05
Как Google использует прямые фиды данных от издателей для создания обогащенных результатов поиска (Rich Results) в реальном времени
Google использует систему, позволяющую «зарегистрированным издателям» предоставлять структурированные данные (например, цены, расписания, статус рейсов) отдельно от основного контента. Эта информация обновляется значительно чаще, чем стандартный веб-индекс, и используется для создания обогащенных результатов (Rich Results) с актуальными, «живыми» данными прямо в выдаче, минуя задержки стандартного сканирования.
- US9208230B2
- 2011-05-27
Как Google идентифицирует и отображает контент на предпочтительном языке пользователя, даже если поиск ведется на другом языке
Google улучшает результаты поиска для мультиязычных пользователей, идентифицируя «параллельные ресурсы» — высококачественные переводы или оригинальные статьи на ту же тему — на предпочтительном языке пользователя (L2), даже если запрос был сделан на другом языке (L1). Эти L2 ресурсы отображаются рядом с результатами L1, улучшая доступ к релевантной информации.
- US7984034B1
- 2007-12-21
Как Google использует структурные шаблоны сайта для идентификации «Визуальных Конечных Страниц» (Visual Leaf Pages) и повышает их в поиске по картинкам
Google анализирует структуру сайтов для автоматического определения «Visual Leaf Pages» (например, карточек товаров или рецептов), где изображение является основным контентом. Система находит «Hub Pages» (например, категории), которые ссылаются на них, и выявляет общие структурные признаки (шаблоны верстки, URL). Эти шаблоны используются для классификации страниц и повышения их ранжирования в поиске по картинкам для соответствующих запросов.
- US11086961B2
- 2017-04-05
Как Google анализирует сущности в топе органической выдачи для выбора релевантной рекламы на SERP
Google использует этот механизм для улучшения релевантности рекламы на странице результатов поиска. Система анализирует контент топовых органических результатов, извлекает из них ключевые сущности (концепции, продукты, бренды) и взвешивает их значимость. Затем эти сущности используются для выбора наиболее подходящих рекламных объявлений, позволяя таргетироваться на семантический контекст выдачи, а не только на ключевые слова запроса.
- US20150199718A1
- 2014-01-14
Как Google определяет запросы, требующие свежего контента (QDF), анализируя темпы создания документов в интернете
Google использует анализ временных меток документов для определения "запросов, ищущих свежесть" (QDF). Система строит временную шкалу публикаций по теме и ищет резкие всплески (события). Если обнаружен значительный недавний всплеск, система повышает в ранжировании документы, созданные после этого события, и понижает более старые результаты.
- US20150169574A1
- 2011-10-20
Как Google анализирует структуру URL и сигналы качества для выбора Sitelinks (Primary Resources)
Google использует алгоритм для идентификации наиболее важных страниц сайта (Primary Resources), которые затем отображаются как Sitelinks в поисковой выдаче. Система строит иерархическую модель сайта на основе структуры URL (а не ссылок) и оценивает каждую страницу по нескольким критериям: глубина в иерархии, количество дочерних страниц, количество внешних и внутренних ссылок, PageRank и качество контента. Этот метод позволяет выбирать Sitelinks даже без данных о трафике.
- US20150199357A1
- 2011-04-14
Как Google использует сравнение DOM и Render Tree для обнаружения и девальвации скрытого текста при генерации сниппетов и ранжировании
Google использует механизм для точного определения, какой текст на веб-странице виден пользователю при загрузке, а какой скрыт. Система сравнивает весь код страницы (DOM Tree) с тем, что фактически отображается (Render Tree). Обнаруженный скрытый текст (например, в меню, скрытый через CSS или цветом фона) получает понижающий коэффициент (Weighting Factor), что снижает вероятность его попадания в сниппет и может влиять на оценку страницы.
- US8639680B1
- 2012-05-07
Как Google группирует локальные результаты поиска вокруг физических адресов и динамически определяет радиус поиска
Google использует систему для организации локальной выдачи, кластеризуя веб-документы вокруг конкретного физического адреса или номера телефона. Система определяет «область интереса», используя динамический радиус поиска, который меняется в зависимости от типа запроса (например, поиск ресторана или автодилера). Результаты ранжируются на основе баланса близости и релевантности.
- US8346770B2
- 2003-09-22
Как Google алгоритмически выбирает наиболее информативные фрагменты из отзывов для создания сниппетов
Google анализирует текст отзыва, разбивая его на предложения. Каждое предложение оценивается по длине, позиции в тексте и информационной ценности слов (используя IDF). Система выбирает последовательность предложений с наивысшей совокупной оценкой качества, чтобы сформировать максимально полезный и информативный сниппет.
- US8010480B2
- 2005-09-30
Как Google позволяет временно отключать персонализацию (социальные сигналы, историю, местоположение) в результатах поиска с автоматическим возвратом к стандарту
Патент Google, описывающий механизм временной кастомизации поиска. Пользователь может отключить влияние персонализированных сигналов (социальные связи, местоположение, история поиска) на выдачу в рамках текущей сессии. После завершения сессии система автоматически возвращается к стандартному персонализированному поиску.
- US9280580B1
- 2013-01-07
Как Google генерирует, ранжирует и отображает результаты поиска в реальном времени (Real-Time Search)
Патент Google описывает комплексную систему для поиска в реальном времени. Он включает механизмы прогнозирования актуальных запросов, предварительного кэширования свежего контента (например, статусов из соцсетей), оценки качества этого контента и авторов. Также описана технология непрерывного обновления выдачи у пользователя с помощью "Time Token" и процесс обработки сокращенных URL.
- US9043319B1
- 2010-12-03
Как Google использует машинное обучение для обнаружения дубликатов, анализируя контент до и после рендеринга
Google использует комплексную систему для обнаружения дубликатов, которая сравнивает как исходный HTML-код (Fetched Body), так и финальную версию страницы после выполнения JavaScript (Synthetic Body). Система вычисляет множество сигналов сравнения, включая основанные на контексте запроса (сниппеты), и использует модель машинного обучения для определения вероятности того, что страницы являются дубликатами.
- US20140188919A1
- 2007-02-14
Как Google разбирает визуальные запросы, отправляя их одновременно в несколько специализированных поисковых систем (OCR, распознавание лиц, объектов)
Google использует архитектуру для обработки визуальных запросов (изображений), которая одновременно отправляет изображение в несколько параллельных поисковых систем (распознавание текста, лиц, объектов, штрихкодов). Система агрегирует результаты, часто создавая интерактивный документ, где разные части изображения связаны с соответствующими результатами поиска, и использует обратную связь для обучения.
- US9135277B2
- 2010-08-04
Как Google автоматически уточняет запросы, используя характеристики топовых результатов из общей выдачи
Google использует механизм для улучшения качества результатов при использовании фильтров или поиске в специализированных коллекциях (например, по дате или типу документа). Система анализирует, какие характеристики объединяют лучшие результаты в общей (неограниченной) выдаче по этому запросу. Затем эти характеристики автоматически добавляются как скрытые ограничения к исходному запросу пользователя, чтобы гарантировать, что отфильтрованные результаты соответствуют шаблону качества общей выдачи.
- US8819000B1
- 2012-05-01
Как Google использует LLM для декомпозиции сложных запросов на подзапросы и синтеза генеративного ответа (Основа AI Overviews)
Google использует LLM для анализа сложных, многоаспектных или "шумных" запросов. Система разбивает такой запрос на несколько простых подзапросов, эффективно проверяет их релевантность и разнообразие с помощью эмбеддингов, выполняет поиск по каждому, а затем синтезирует единый ответ (например, AI Overview). Это позволяет отвечать на сложные пользовательские задачи за один шаг.
- US20250117381A1
- 2024-10-07
Как Google позволяет сторонним сайтам загружать свои базы данных и код прямо в поисковую систему для генерации прямых ответов
Google использует систему, позволяющую владельцам сайтов загружать свои данные (например, таблицы) и логику их обработки (код) непосредственно на серверы Google. Если запрос пользователя соответствует заданному шаблону, Google выполняет этот код в изолированной среде, используя загруженные данные, и генерирует прямой ответ в выдаче. Это позволяет показывать актуальные данные в реальном времени без необходимости сканирования сайта или обращения к внешним API.
- US10019484B2
- 2013-08-06