SERP в Google: разборы патентов
Детальные разборы патентов Google, связанные с формированием результатов поисковой выдачи
Как Google (YouTube) ранжирует видео, повышая те, которые начинают сессию просмотра и приводят внешний трафик ("Lead Video")
Google использует систему ранжирования для видеоплатформ, которая идентифицирует "ведущее видео" (Lead Video), инициирующее сессию просмотра. Система применяет повышающие коэффициенты (Scaling Factors) ко времени просмотра этого видео. Видео, привлекшие пользователя на платформу из внешних источников (например, из социальных сетей или поиска Google), получают значительно больший коэффициент, чем те, что были найдены через внутренние рекомендации.
- US10346417B2
- 2016-08-18
Как Google использует query-specific модели для переранжирования изображений на основе их визуальных характеристик в реальном времени
Google использует систему для корректировки ранжирования изображений непосредственно в момент запроса (онлайн). Для популярных запросов система заранее обучает индивидуальные модели релевантности на основе исторических данных о кликах. При получении нового запроса система активирует наиболее подходящую модель и использует визуальные характеристики (цвет, текстура) для переоценки и переранжирования результатов, обеспечивая точное соответствие визуального контента интенту пользователя.
- US10311096B2
- 2013-02-28
Как Google анализирует сессии пользователей и кластеризует концепции для генерации блока "Связанные запросы" (Related Searches)
Google анализирует последовательности запросов пользователей в рамках одной сессии для выявления шаблонов уточнений. Система кластеризует эти уточнения по смыслу, анализируя контент ранжирующихся по ним документов или другие запросы, ведущие на эти документы. Это позволяет предлагать пользователям концептуально различные варианты для сужения или изменения темы поиска.
- US8065316B1
- 2004-09-30
Как Google автоматически добавляет текст существующих объявлений к сайтлинкам (Sitelinks) для повышения CTR
Google использует систему для автоматического улучшения сайтлинков в рекламных объявлениях. Система анализирует существующие текстовые объявления (креативы) рекламодателя и определяет их конечные целевые страницы, игнорируя параметры отслеживания. Затем она сопоставляет их с URL сайтлинков и добавляет наиболее релевантный и эффективный текст креатива к сайтлинку для повышения кликабельности (CTR).
- US10650066B2
- 2013-03-15
Как Google использует CTR и разницу в оценках релевантности для визуального выделения доминирующего результата в выдаче
Google может визуально выделять результат поиска (например, с помощью миниатюры страницы), если система уверена, что это именно то, что ищет пользователь. Эта уверенность основана на значительном превосходстве результата над всеми остальными по показателям CTR (Click-Through Rate) и/или оценке релевантности (Relevance Score).
- US7836391B2
- 2003-06-10
Как Google использует данные о закладках, сообществах и поведении пользователей для персонализации и контекстуализации поиска
Патент описывает раннюю систему персонализации поиска, которая собирает и анализирует закладки (content pointers) пользователей и групп, организованные в иерархические категории. Эта информация используется для создания профилей интересов (content vectors), которые затем применяются для дополнения поисковых запросов (query augmentation) и переранжирования результатов (contextualization) с учетом личного контекста, интересов сообщества и недавней активности пользователя.
- US7031961B2
- 2000-12-04
Как Google кластеризует похожие страницы, анализируя, куда пользователи переходят дальше (Co-visitation)
Google анализирует навигационные пути пользователей для определения схожести документов. Если после просмотра Страницы А и Страницы Б пользователи часто переходят к одному и тому же набору последующих страниц, Google считает Страницу А и Страницу Б похожими и объединяет их в кластер. Этот механизм позволяет определять тематическую близость на основе поведения пользователей.
- US8650196B1
- 2011-09-30
Как Google использует историю поведения пользователя для персонализации выбора и ранжирования вертикальных блоков (Universal Search)
Google отслеживает, с какими типами специализированных результатов (Новости, Картинки, Карты и т.д.) взаимодействует пользователь. На основе этой истории поведения строится персональная вероятностная модель, которая предсказывает, какие вертикали предпочтет пользователь в будущем. Система использует эти предсказания для выбора, оценки и ранжирования блоков вертикального поиска в выдаче.
- US9305088B1
- 2006-11-30
Как Google использует сохраненные пользователями результаты (закладки в поиске) для оценки качества, персонализации и повышения рейтинга похожих документов
Google анализирует, какие результаты поиска пользователи явно сохраняют (добавляют в закладки). Эти действия интерпретируются как сильные сигналы качества и используются для повышения рейтинга популярных результатов. Ключевой механизм патента — персонализация выдачи путем повышения рейтинга документов, которые похожи (по структуре, ссылкам и контенту) на те, что пользователь сохранял ранее.
- US8423541B1
- 2005-05-19
Как Google нормализует поведенческие сигналы (Dwell Time), калибруя показатели «короткого» и «длинного» клика для разных категорий сайтов
Google использует механизм для устранения предвзятости в поведенческих сигналах, таких как продолжительность клика (Dwell Time). Поскольку пользователи взаимодействуют с разными типами контента по-разному, система определяет, что считать «коротким кликом» и «длинным кликом» отдельно для каждой категории (например, Новости, Недвижимость, Словари). Это позволяет более точно оценивать качество ресурса, сравнивая его показатели с нормами его конкретной ниши.
- US8868565B1
- 2012-10-30
Как Google генерирует "Свежие связанные запросы" на основе анализа трендов и новостного контента
Google анализирует недавние поисковые логи, чтобы выявить запросы, демонстрирующие резкий рост популярности или отклонение от ожидаемой частоты. Эти "свежие" запросы проходят обязательную валидацию: они должны возвращать достаточное количество новостных результатов и иметь хорошие показатели вовлеченности (CTR). Это позволяет Google динамически обновлять блок "Связанные поиски", отражая актуальные события и тренды.
- US8412699B1
- 2009-06-12
Как Google использует удобство взаимодействия (UX) и аффинитивность пользователя для ранжирования поставщиков контента и услуг
Патент Google описывает систему ранжирования результатов для сущностей (например, музыка, фильмы, бронирования). Система использует «Меру Эффективности» (Effectiveness Measure), которая учитывает два ключевых фактора: насколько быстро пользователь может получить контент или завершить транзакцию после клика (Quantity of Steps) и насколько пользователь предпочитает конкретного поставщика (Affinity Measure), основываясь на его подписках, установленных приложениях и истории взаимодействий.
- US9767159B2
- 2014-06-13
Как Google ранжирует сущности (книги, фильмы, людей), анализируя тематичность и авторитетность их упоминаний в вебе
Google использует механизм для оценки значимости конкретных сущностей (например, изданий книг или фильмов). Система анализирует, как эти сущности упоминаются на релевантных веб-страницах, учитывая уверенность распознавания (Confidence) и то, насколько страница посвящена именно этой сущности (Topicality). Эти сигналы агрегируются с учетом авторитетности и релевантности страниц для расчета итоговой оценки сущности, которая затем корректирует ее ранжирование в поиске.
- US20150161127A1
- 2013-02-13
Как Google использует верифицированные данные об авторе (Credibility Factor) для ранжирования контента
Google патентует метод оценки авторитетности автора («Credibility Factor»). Он основан на комбинации онлайн-репутации автора и верифицированной информации о его реальных достижениях (образование, работа, награды, членство в организациях). Этот фактор используется для влияния на ранжирование контента автора в результатах поиска.
- US8126882B2
- 2008-12-11
Как Google использует данные о наведении курсора (Hover Data) для ранжирования изображений и борьбы с кликбейтными миниатюрами
Google использует данные о взаимодействии пользователя с миниатюрами в поиске по картинкам (наведение курсора) как сигнал интереса. Для редких запросов эти сигналы получают больший вес, дополняя недостаток данных о кликах. Система также вычисляет соотношение кликов к наведениям (Click-to-Hover Ratio), чтобы идентифицировать и понижать в выдаче «магниты кликов» — привлекательные, но нерелевантные изображения, которые собирают много наведений, но мало кликов.
- US8819004B1
- 2012-08-15
Как Google использует клики пользователей в Поиске по Картинкам для определения реального содержания изображений
Google использует данные о поведении пользователей для автоматической идентификации содержания изображений. Если пользователи вводят определенный запрос (Идею) и массово кликают на конкретное изображение в результатах поиска, система ассоциирует это изображение с Концептом, производным от запроса. Это позволяет Google понимать, что изображено на картинке, не полагаясь исключительно на метаданные или сложный визуальный анализ, и улучшает релевантность ранжирования в Image Search.
- US8065611B1
- 2004-06-30
Как Google использует данные о кликах разных групп пользователей (популяций) для локализации и персонализации ранжирования
Google адаптирует результаты поиска, анализируя, как разные группы пользователей (популяции), определяемые по местоположению, языку или демографии, взаимодействуют с выдачей. Система рассчитывает «Сигнал Популяции» (Population Signal) на основе исторических кликов группы и корректирует ранжирование. Также используется механизм сглаживания для компенсации нехватки данных по конкретным группам.
- US7454417B2
- 2003-09-12
Как Google использует историю поиска и браузера для персонализации выдачи и определения предпочтений пользователя
Google записывает историю поиска, кликов по результатам и рекламе, а также посещенные сайты в централизованную базу данных пользователя. Эта информация используется для модификации поисковой выдачи: повышения позиций ранее посещенных сайтов, предложения связанных запросов и определения "предпочтительных местоположений" (избранного). Система позволяет пользователю контролировать сбор данных (подписка) и объединять историю с разных устройств.
- US7747632B2
- 2005-03-31
Как Google использует социальные связи для обнаружения ссылочного спама и накрутки кликов
Google может анализировать связи между владельцами сайтов в социальных сетях, чтобы оценить независимость ссылок между их ресурсами. Если владельцы тесно связаны (например, друзья), ссылки между их сайтами могут получить меньший вес в ранжировании, а клики по рекламе могут быть классифицированы как спам (накрутка).
- US8060405B1
- 2004-12-31
Как Google использует паттерны просмотра пользователей (co-visitation) для определения связанности документов и улучшения поиска
Google использует систему для определения того, насколько тесно связаны два документа, основываясь на агрегированных данных о поведении пользователей. Система рассчитывает вероятность того, что пользователь просмотрит Документ B в течение определенного времени после того, как Документ А был показан ему в результатах поиска. Эти данные используются для персонализации выдачи, предложения рекомендаций и улучшения релевантности на основе контекста сессии пользователя.
- US8447760B1
- 2009-07-20
Как Google использует социальный граф и профиль интересов пользователя для глубокой персонализации Knowledge Panel и поисковой выдачи
Google использует механизм для обогащения поисковой выдачи и Панелей Знаний (Knowledge Panels) персонализированными социальными аннотациями. Если тема запроса пересекается с сильными интересами пользователя (определяется по Topic Score), система подмешивает в выдачу релевантный контент из его социального графа, например, действия друзей, фотографии или чекины, связанные с темой.
- US9934283B2
- 2013-03-08
Как Google классифицирует веб-страницы и персонализирует выдачу, используя историю запросов и поведенческие данные
Google использует итеративный метод для тематической классификации веб-страниц, не анализируя их контент напрямую. Система анализирует исторические логи запросов и данные о кликах. Классификация известных страниц переносится на запросы, в результатах которых они появляются, а затем классификация этих запросов переносится на новые страницы. Эти данные используются для построения профилей пользователей и персонализации поисковой выдачи.
- US8185544B2
- 2009-04-08
Как Google динамически повышает детский контент в безопасном поиске, чтобы компенсировать недостаток данных о популярности
Google использует механизм для улучшения видимости детского контента (Youth-Oriented, Y) в безопасной выдаче. Поскольку такой контент часто имеет меньше поведенческих данных, чем общий контент (General Audience, G), система вычисляет динамический повышающий коэффициент (Query-Dependent Factor). Этот коэффициент рассчитывается путем статистического сравнения метрик популярности Y и G контента для конкретного запроса и применяется только к результатам, прошедшим порог релевантности.
- US10671616B1
- 2015-02-22
Как Google использует Матрицу Переходов (Markov Chains) для связи запросов, документов, времени и сессий, чтобы улучшить релевантность, прогнозировать QDF и бороться со спамом
Google моделирует поведение пользователей как Марковскую цепь, создавая Матрицу Переходов между поисковыми сущностями (запросы, документы, время, сессии, домены). Эта матрица определяет силу связей на основе истории поиска и используется для прогнозирования трендов (QDF), распространения сигналов релевантности между связанными документами и идентификации спама путем анализа поведенческих паттернов.
- US8515975B1
- 2009-12-07
Как Google использует анализ "Свежести Ранжирования" (Rank Freshness) и человеческую оценку для борьбы с манипуляциями в поиске и спамом
Патент Google описывает гибридную систему для выявления и разрыва нежелательных ассоциаций контента (например, манипулятивных результатов поиска или спам-комментариев). Система алгоритмически выявляет подозрительные связи, используя сигналы, такие как "Свежесть Ранжирования" (внезапный рост позиций), и отправляет их на проверку оценщикам (Арбитрам). Если консенсус подтверждает нарушение, ассоциация разрывается.
- US8176055B1
- 2007-03-27
Как Google анализирует поведение пользователей для выбора разнообразных связанных запросов и диверсификации контента на выдаче
Google использует механизм для диверсификации предложений на странице результатов (например, связанных запросов или рекламных блоков), основанный на анализе сессий пользователей. Система отбирает подсказки, которые часто следуют за исходным запросом (высокая «Utility»), но при этом редко следуют друг за другом (высокая «Diversity»). Это позволяет покрыть разные намерения пользователя, исходящие из одного неоднозначного запроса.
- US8631030B1
- 2010-12-28
Как Google использует поведенческие данные (Dwell Time) для оценки качества страниц и генерации превью в поиске
Google патентует систему "вспомогательного браузинга", которая активируется на странице результатов поиска (SERP) при проявлении интереса к ссылке. Система показывает текстовый сниппет и оценку интереса предыдущих пользователей, рассчитанную на основе имплицитных поведенческих сигналов, таких как время пребывания на странице (Linger Time/Dwell Time), повторные визиты и клики.
- US7516118B1
- 2003-12-31
Как Google использует генетические алгоритмы для оптимизации порядка применения факторов ранжирования
Google использует генетические алгоритмы для определения оптимальной последовательности применения корректировок ранжирования (adjusters). Система тестирует разные комбинации порядка факторов, оценивая их эффективность на основе исторических данных о поведении пользователей (клики, время на сайте). Цель — найти ту последовательность, которая поднимает предпочитаемые пользователями результаты выше в выдаче.
- US9152714B1
- 2012-10-01
Как Google использует историю кликов для автоматического переписывания запросов и ограничения поиска по конкретным сайтам или сущностям
Google анализирует агрегированные данные о поведении пользователей (Query Logs), чтобы определить, когда название бренда или сущности в запросе указывает на намерение искать только на этом сайте. Если пользователи подавляюще кликают на один домен при использовании определенного термина (пиковое распределение кликов), Google автоматически переписывает запрос для ограничения поиска (например, добавляя оператор типа store: или site:). Если намерение неоднозначно, Google предлагает переписанный запрос в виде ссылки.
- US7996419B2
- 2004-03-31
Как Google использует историю браузера пользователя для персонализации и переранжирования результатов поиска
Google использует локально сохраненную историю посещений пользователя для изменения стандартной поисковой выдачи. Система отслеживает, какие документы пользователь посещал ранее, как часто и как долго. При последующих поисках ранее посещенные сайты агрессивно повышаются в выдаче или добавляются в нее, обеспечивая персонализированный результат, основанный на предыдущем поведении пользователя.
- US7730054B1
- 2003-09-30