SEO HARDCORE
  • Разборы патентов
    • Патенты Google
  • Скоро SEO инструменты
  • Скоро SEO аналитика
  • seohardcore
SEO HARDCORE

SERP в Google: разборы патентов

Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
  • Ссылки
  • Поведенческие сигналы
  • Антиспам
  • Семантика и интент
  • EEAT и качество
  • SERP
  • Персонализация
  • Индексация
  • Мультимедиа
  • Local SEO
  • Техническое SEO
  • Knowledge Graph
  • Свежесть контента
  • Краулинг
  • Структура сайта
  • Мультиязычность
  • Безопасный поиск
  • Google Shopping
Как Google индексирует контент внутри мобильных приложений и формирует сниппеты для App Deep Linking
Google использует виртуальную машину для запуска и рендеринга нативных мобильных приложений с целью извлечения контента, отображаемого на экранах (Application Pages). Система также анализирует установочный пакет приложения (Application Package File) для извлечения иконки и отображаемого имени. Эти данные объединяются для создания информативных результатов поиска (Deep Links), ведущих непосредственно на конкретный контент внутри приложения.
  • US9881095B2
  • 2015-06-23
  • Индексация

  • SERP

Как Google позволял сторонним провайдерам внедрять специализированные результаты в выдачу по подписке пользователя (Google Subscribed Links)
Патент описывает систему (известную как "Google Subscribed Links"), позволяющую сторонним поставщикам контента определять шаблоны запросов и предоставлять структурированные данные (DataObjects) через XML-фиды. Если запрос пользователя соответствовал шаблону и пользователь был подписан на этого провайдера, система внедряла специализированный ответ непосредственно на страницу результатов поиска.
  • US7593939B2
  • 2007-03-30
  • SERP

  • Индексация

  • Персонализация

Как Google использует попарные сравнения (Side-by-Side тесты) для агрегации оценок качества и создания эталонного рейтинга
Патент описывает математический метод, который Google использует для оценки качества поиска на основе попарных сравнений результатов людьми (асессорами). Система собирает данные о предпочтениях (Side-by-Side тесты) и использует модель, аналогичную PageRank (основанную на Марковских процессах), для агрегации этих оценок в единый, устойчивый к шуму рейтинг качества (Preference Ranking). Эти данные служат эталоном для обучения и валидации алгоритмов ранжирования.
  • US7587391B1
  • 2006-06-13
  • SERP

Как Google извлекает и может отображать оригинальный дизайн (стили) контента в сниппетах поисковой выдачи
Google разработал систему для отображения текстовых сниппетов в поисковой выдаче с сохранением их оригинального стиля (шрифт, размер, форматирование) из исходного документа. Для этого система создает отдельные индексы для текста и стилей. Это позволяет пользователям оценить визуальный контекст, важность контента и эстетику сайта непосредственно в SERP, влияя на выбор результата.
  • US10311114B2
  • 2014-11-03
  • SERP

  • Индексация

  • Техническое SEO

Как Google извлекает даты и локации из контента для отображения результатов на карте и временной шкале
Google извлекает даты и географические локации непосредственно из контента веб-страниц. Это позволяет системе визуализировать результаты поиска на интерактивной временной шкале и на карте, даже если запрос не содержал явных указаний на время или место. Пользователи могут использовать эти визуализации для навигации и уточнения запросов, а сниппеты могут фокусироваться вокруг извлеченных фактов.
  • US10509817B2
  • 2017-02-06 (Продолжение заявки от 2006-09-29)
  • Индексация

  • Краулинг

  • SERP

Как Google использует репрезентативные наборы и Min-Hash для дедупликации видео и аудио в результатах поиска
Google использует масштабируемую систему для борьбы с дублированным и частично дублированным медиаконтентом (видео, аудио). Вместо сравнения всех файлов между собой, система создает компактные «репрезентативные наборы» для каждого элемента, используя фингерпринтинг и хеширование (Min-Hash). При получении запроса система сравнивает эти наборы для быстрого выявления дубликатов и выбора одной канонической версии для показа в выдаче.
  • US10152479B1
  • 2014-08-01
  • Мультимедиа

  • SERP

  • Индексация

Как Google адаптирует формат выдачи (аудио или визуальный) в зависимости от контекста использования устройства
Google использует состояние устройства (например, телефон в автомобильном держателе или подключен к гарнитуре), чтобы определить формат ответа на запрос. Если система сформировала прямой ответ (Summarized Query Response) и устройство находится в «режиме прослушивания» (Audible State), ответ будет автоматически зачитан вслух. Этот механизм подчеркивает критическую важность оптимизации под Featured Snippets для голосового поиска.
  • US10496714B2
  • 2010-08-06
  • Мультимедиа

  • SERP

  • Безопасный поиск

Как Google использует MinHash и кластеризацию для определения и каноникализации дубликатов вакансий в Google Jobs
Google применяет систему для эффективной дедупликации вакансий из разных источников. Используя алгоритмы MinHash и Jaccard Similarity, система создает цифровые отпечатки объявлений и группирует похожие версии в кластеры. Внутри кластера выбирается каноническая «главная вакансия» (Master Job Posting), которая и показывается пользователю, устраняя дублирование в выдаче.
  • US20180181609A1
  • 2016-12-28
  • SERP

Как Google индексирует, ищет и отображает интерактивные 3D-модели в результатах поиска
Google разработал систему для индексации и поиска 3D-моделей. Система может автоматически аннотировать части объектов (например, определять «объектив» на камере), изучая их форму и расположение. Это позволяет искать 3D-объекты, используя изображения или другие 3D-модели в качестве запроса. Результаты поиска включают интерактивные 3D-модели, которые можно вращать прямо в выдаче (moveable inline).
  • US9916345B1
  • 2015-02-11
  • Индексация

  • Мультимедиа

  • SERP

Как Google итеративно подбирает размер изображений в сниппетах, чтобы избежать пустого пространства и обрезки текста
Google использует итеративный алгоритм для оптимизации отображения результатов поиска, содержащих текст и встроенное изображение (thumbnail). Система вычисляет высоту текста и ширину изображения, а затем циклически корректирует их, чтобы минимизировать нежелательное пустое пространство или обрезку контента, обеспечивая визуально целостный вид сниппета.
  • US9373155B2
  • 2013-08-15
  • SERP

Как Google использует "искусственные анкоря" для перехода и подсветки конкретного фрагмента текста на странице (Scroll-To-Text)
Патент Google, описывающий механизм прямой навигации к релевантному фрагменту (сниппету) внутри целевой страницы после клика по результату поиска. Система добавляет к URL "искусственный анкорь", который инструктирует браузер пользователя прокрутить страницу до нужного места и выделить текст, даже если автор сайта не создавал там анкорь.
  • US8150824B2
  • 2003-12-31
  • SERP

Как Google группирует результаты поиска из одного источника («Канала») в поисковой выдаче
Google использует механизм для изменения порядка результатов поиска на медиа-платформах. Если в выдаче присутствует несколько элементов контента (например, видео) из одного источника («Канала»), система может сгруппировать их в визуальный кластер, даже если это нарушает исходный порядок релевантности. Это улучшает восприятие выдачи и повышает видимость авторитетных источников.
  • US10216842B2
  • 2013-06-03
  • SERP

Как Google использует выделенный на странице контент для параллельного поиска в специализированных базах данных (приложения, расширения, товары)
Google патентует механизм «ассистированного поиска» для специализированных баз данных (например, магазинов приложений или расширений). Пользователь выделяет контент (текст/изображение) на веб-странице, и система использует его как запрос. Специальный конвертер анализирует выделенное, определяет несколько возможных интентов, оптимизирует их под конкретную базу данных и выполняет параллельный поиск, выдавая сгруппированные результаты.
  • US20230214427A1
  • 2022-11-21
  • Семантика и интент

  • SERP

Как Google извлекает цены и изображения товаров с веб-страниц для Google Shopping
Этот патент описывает, как Google автоматически идентифицирует страницы электронной коммерции и извлекает структурированные данные о товарах (такие как цена и изображение) из неструктурированного HTML. Система использует анализ близости элементов, структуру HTML и сигналы форматирования для поиска правильных атрибутов, что формирует основу для поисковых систем по товарам, таких как Google Shopping.
  • US7836038B2
  • 2003-12-10
  • Google Shopping

  • SERP

  • Индексация

Как Google позволяет пользователям редактировать свои личные данные прямо в выдаче для улучшения персонализации и устранения неоднозначности
Патент описывает интерфейс Персональной Панели Знаний (PKP), который появляется в результатах поиска, когда пользователь ищет свое собственное имя. Этот интерфейс позволяет редактировать профильную информацию (например, профессию, работодателя) прямо на странице выдачи, не переходя в настройки аккаунта. Эти данные используются Google для обновления профиля пользователя и могут вызвать немедленное переранжирование персонализированных результатов поиска для устранения неоднозначности сущностей.
  • US9311362B1
  • 2013-03-15
  • Персонализация

  • SERP

  • Knowledge Graph

Как Google предлагает несколько вариантов исправления опечаток в запросе и динамически обновляет выдачу без перезагрузки страницы
Google использует механизм для улучшения пользовательского опыта при обработке неоднозначных опечаток. Система предлагает несколько вариантов исправления, включая «агрессивные» (сильно отличающиеся от оригинала). При выборе варианта результаты поиска обновляются динамически, часто без перезагрузки страницы, в том числе в режиме «Живого поиска» (Search as you type).
  • US8583672B1
  • 2011-04-14
  • SERP

  • Семантика и интент

Как Google выбирает и показывает изображения людей рядом с ссылками в результатах поиска
Google анализирует запросы, содержащие имена людей. Система изучает изображения на страницах, попавших в топ выдачи, и использует filename, alt-text и метаданные, чтобы найти фотографию именно этого человека. Выбранное изображение затем отображается рядом с соответствующей ссылкой в SERP для улучшения пользовательского опыта.
  • US8538943B1
  • 2008-07-24
  • SERP

  • Мультимедиа

  • Индексация

Как Google выборочно подсвечивает ключевые слова в заголовках и сниппетах для более чистого вида SERP
Google использует метод выборочной подсветки ключевых слов в результатах поиска. Ключевые слова, найденные в заголовке (Title), подсвечиваются там, но затем специально исключаются из подсветки в сниппете (Snippet). Это призвано уменьшить визуальный шум и улучшить читабельность, гарантируя, что каждое релевантное ключевое слово будет выделено как минимум один раз.
  • US9767169B1
  • 2014-09-26
  • SERP

Как Google кластеризует результаты поиска по картинкам и выбирает репрезентативное (каноническое) изображение для показа
Google организует результаты поиска изображений в иерархические кластеры на основе визуального сходства. Для каждого кластера выбирается «каноническое изображение» — часто это изображение с самым высоким исходным рейтингом или наиболее визуально авторитетное (с использованием метрик типа VisualRank). Эта структура определяет, как изображения группируются и какое изображение получает максимальную видимость в интерфейсе Google Images.
  • US8352465B1
  • 2010-09-03
  • Мультимедиа

  • SERP

Как Google реконструирует дискуссионные треды для обогащения поисковой выдачи
Google идентифицирует, когда результат поиска является частью дискуссионного треда (форума, блога). Система реконструирует весь тред, находя другие его страницы, даже если они не попали в выдачу. Затем извлекается агрегированная статистика (количество постов, авторов, дата последней активности), которая отображается в сниппете, предоставляя пользователю интегрированное представление дискуссии.
  • US8402021B2
  • 2009-07-31
  • SERP

  • Индексация

  • Краулинг

Как Google объединяет результаты поиска по приложениям с веб-версией и без нее, используя универсальную оценку ранжирования
Google разделяет нативные приложения на две группы: те, у которых есть соответствующий веб-ресурс, и те, у которых его нет (app-only). Каждая группа ранжируется отдельно с использованием разных сигналов. Затем система рассчитывает «Универсальную оценку ранжирования» (Universal Ranking Score) на основе позиции приложения в своем списке, что позволяет справедливо объединить эти списки в единую поисковую выдачу.
  • US10268732B2
  • 2015-06-29
  • Индексация

  • SERP

Как Google использует визуальное сходство и графовый анализ (VisualRank) для валидации и ранжирования меток изображений
Google валидирует текстовые метки изображений (например, Alt-текст или имена файлов) с помощью визуального анализа. Система строит граф, связывающий визуально похожие изображения. Симулируя навигацию пользователя по этому графу (алгоритм, подобный PageRank), Google определяет, какие метки наиболее релевантны фактическому содержанию изображения, отфильтровывая шум и повышая качество поиска по картинкам.
  • US7961986B1
  • 2008-06-30
  • Мультимедиа

  • SERP

Как Google помогает пользователям найти релевантный контент внутри страницы после клика по результату поиска (Scroll-to-Text)
Патент описывает механизм (известный как Scroll-to-Text), который автоматически направляет пользователя к фрагменту текста на странице, наиболее релевантному его запросу. Google заранее определяет ключевые фрагменты (Resource Search Tidbits). Если после загрузки страницы эти фрагменты не видны на экране, система активирует навигацию и подсвечивает нужный текст.
  • US8392449B2
  • 2010-07-20
  • SERP

Как Google позволяет пользователям настраивать формат отображения результатов в поиске по товарам (Grid View vs List View)
Google использует систему для повышения эффективности оценки результатов в поиске по товарам. Пользователям предоставляется возможность выбора формата отображения выдачи (например, сетка или список) и настройки типа информации (cues), отображаемой для каждого товара (например, изображение, цена, описание). Это позволяет адаптировать выдачу под конкретные задачи пользователя, например, для быстрого визуального сравнения товаров.
  • US8006197B1
  • 2003-09-29
  • Google Shopping

  • SERP

Как Google синхронизирует начальный ракурс 3D-моделей в поиске с наиболее релевантными 2D-изображениями
Google использует механизм для обеспечения визуальной согласованности между 3D-моделями и 2D-изображениями в результатах поиска. Система определяет наиболее релевантное 2D-изображение по запросу и алгоритмически подбирает начальный ракурс (Initial Viewing Angle) 3D-модели так, чтобы он визуально соответствовал этому 2D-эталону. Это определяет, как пользователь впервые увидит 3D-объект в выдаче.
  • US9372871B2
  • 2012-10-09
  • Мультимедиа

  • SERP

  • Индексация

Как Google оптимизирует вычисление PageRank, используя адаптивную сходимость и матричные операции
Патент Google, описывающий технический метод повышения эффективности расчета итеративных алгоритмов ранжирования, таких как PageRank. Система использует тот факт, что ранги некоторых страниц стабилизируются (сходятся) быстрее, чем других. Определяя эти сошедшиеся ранги, система исключает их из активных вычислений на последующих итерациях, тем самым значительно сокращая общие вычислительные затраты.
  • US7028029B2
  • 2004-08-23
  • SERP

Как Google синдицирует (передает) свои блоки с ответами (Answer Boxes) другим поисковым системам и приложениям через API
Патент описывает технологию, позволяющую сторонним поисковым системам, не имеющим собственной функциональности блоков с ответами (Answer Boxes), запрашивать и отображать эти блоки от другого провайдера (например, Google). Это достигается путем встраивания специального кода (API/AJAX), который отправляет отфильтрованный запрос провайдеру и интегрирует полученный ответ в стороннюю выдачу.
  • US8959111B2
  • 2012-02-06
  • SERP

Как Google автоматически обновляет результаты поиска в реальном времени без перезагрузки страницы
Google использует клиентский скрипт (например, JavaScript), встроенный в страницу результатов поиска, для автоматического обновления блоков с контентом в реальном времени. Этот скрипт периодически повторно отправляет исходный запрос на сервер, получает самые свежие результаты, появившиеся с момента последней проверки, и динамически встраивает их в страницу выдачи без её полной перезагрузки.
  • US8843856B2
  • 2010-12-03
  • Свежесть контента

  • SERP

Как Google тестирует изменения в критериях индексации без перестроения всего индекса
Google использует систему для эффективного тестирования и оценки различных критериев отбора ресурсов для включения в индекс. Вместо затратного перестроения индекса для каждого эксперимента, система симулирует, как разные процессы отбора повлияют на выдачу. Это позволяет сравнивать гипотетические индексы с помощью A/B тестов или асессоров, ускоряя разработку и улучшение качества индекса.
  • US8489604B1
  • 2010-10-26
  • Индексация

  • SERP

Как Google использует математическую аппроксимацию (Ряд Тейлора) для быстрого расчета релевантности категорий к местоположению пользователя
Google использует механизм для быстрой оценки того, насколько релевантна определенная категория (например, «рестораны») для точного местоположения пользователя. Поскольку точный расчет занимает много ресурсов, система заранее вычисляет оценки и математические коэффициенты (Taylor coefficients) для опорных локаций. Затем она использует эти данные для быстрой аппроксимации релевантности в любой другой точке поблизости, ускоряя адаптацию поисковой выдачи, рекламы и подсказок.
  • US8407211B1
  • 2010-12-16
  • Local SEO

  • SERP

  • 1
  • …
  • 16
  • 17
  • 18
  • 19
seohardcore