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 использует клики и пропуски (skips) для определения, какие слова в запросе можно игнорировать
Google тестирует правила, которые делают определенные слова в запросе необязательными (опциональными), чтобы найти более релевантные результаты. Патент описывает, как система оценивает эффективность этих правил, анализируя поведение пользователей. Если пользователи кликают на результаты, найденные благодаря игнорированию слова, правило считается успешным. Если пропускают (skip) такие результаты, правило может быть удалено.
  • US9141672B1
  • 2012-12-27
  • Поведенческие сигналы

  • Семантика и интент

  • SERP

Как Google использует закладки, историю посещений и поведение пользователей для персонализации поиска и таргетинга рекламы
Патент Google, описывающий фундаментальный механизм персонализации поиска. Система объединяет результаты из глобального индекса с результатами из персонального индекса пользователя (закладки, аннотации, история посещений). Ранжирование корректируется на основе явных оценок пользователя и неявных поведенческих сигналов (частота визитов, время на сайте). Эти же данные используются для таргетинга рекламы.
  • US7523096B2
  • 2003-12-03
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует языковые модели и анализ «набивки запросами» (Query Stuffing) для выявления и пессимизации спамного и сгенерированного контента
Google применяет систему для обнаружения бессмысленного контента (спама), вычисляя «Gibberish Score». Эта оценка состоит из двух частей: «Language Model Score», проверяющего статистическую вероятность того, что текст является естественным языком, и «Query Stuffing Score», который выявляет неестественное скопление реальных пользовательских запросов на странице. Ресурсы с низким баллом понижаются в выдаче или удаляются из индекса.
  • US8554769B1
  • 2009-06-17
  • Антиспам

  • SERP

  • EEAT и качество

Как Google использует авторитетность в веб-поиске для определения порядка ранжирования в Локальном поиске (Local Pack)
Google использует механизм объединения результатов из Универсального (веб) и Локального поиска. Система идентифицирует авторитетные бизнес-сайты в веб-выдаче и оценивает их по локальным критериям. Затем Локальный блок (Local Pack) переранжируется так, чтобы порядок результатов соответствовал их авторитетности в Универсальном поиске. Это подтверждает, что авторитетность сайта в вебе напрямую влияет на его позиции в Локальном поиске.
  • US8392394B1
  • 2010-05-04
  • Local SEO

  • EEAT и качество

  • SERP

Как Google использует профили пользователей для персонализации и изменения порядка показа рекламы в поиске
Google создает детальные профили интересов пользователей на основе истории поиска, поведения и взаимодействия с контентом. Эти профили используются для персонализации выдачи, в частности, для изменения порядка показа рекламы (Placed Content). Система вычисляет показатель сходства между профилем пользователя и профилем рекламы, корректируя стандартный рейтинг (CTR * Ставка), чтобы показывать пользователю наиболее релевантные объявления.
  • US7693827B2
  • 2004-07-13
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google нормализует популярность для смешивания разных типов контента (например, платного и бесплатного) в единой выдаче
Google использует метод статистической нормализации для сравнения популярности контента из разнородных групп (популяций), например, бесплатных и платных приложений. Поскольку бесплатный контент имеет на порядки больше просмотров, система вычисляет средние показатели (Геометрическое среднее) для каждой популяции и применяет смещение (Offset). Это позволяет популярному платному контенту конкурировать с популярным бесплатным контентом в едином смешанном списке.
  • US9058332B1
  • 2012-12-28
  • SERP

  • Поведенческие сигналы

Как Google оценивает качество и авторитетность новостных источников для ранжирования в Google News
Google использует систему для оценки качества новостных источников на основе 13 различных метрик, включая объем публикаций, скорость освещения событий (Breaking News Score), оригинальность контента (Original Named Entities), размер штата, данные о трафике и репутацию. На основе этих метрик вычисляется "Рейтинг Источника" (Source Rank), который затем используется для повышения позиций статей от авторитетных изданий в новостном поиске.
  • US7577655B2
  • 2003-09-16
  • EEAT и качество

  • SERP

  • Свежесть контента

Как Google использует агрегированные поведенческие данные для маркировки результатов поиска и подсказок индикаторами ожидаемых действий
Google анализирует агрегированные данные о том, что пользователи делают после клика по результату поиска или подсказке (например, покупка, сохранение, бронирование). Если определенное действие статистически значимо для конкретного результата, Google добавляет к нему визуальный индикатор (значок или бейдж), чтобы помочь другим пользователям понять вероятный исход клика.
  • US11132406B2
  • 2018-05-18
  • Поведенческие сигналы

  • SERP

Как Google использует консенсус между топовыми результатами для валидации и выбора Featured Snippets (Short Answers)
Google использует систему оценки точности коротких ответов (Featured Snippets). Система сравнивает потенциальный ответ из топового результата с контентом других высокоранжированных страниц (контекстными пассажами). Если ответ подтверждается консенсусом между источниками, он получает высокий балл точности и отображается в выдаче. Это снижает вероятность показа неверной или спорной информации в блоках с ответами.
  • US12248529B2
  • 2022-03-09
  • SERP

  • EEAT и качество

Как Google использует агрегированные интересы социальных групп для персонализации и переранжирования поисковой выдачи
Google патентует механизм «Социальной линзы», позволяющий пользователям уточнять результаты поиска на основе интересов и поведения выбранного социального круга (например, «Коллеги» или «Геймеры»). Система агрегирует историю поиска и веб-активность участников круга в профиль интересов и использует эти данные для переранжирования или фильтрации выдачи, делая ее более релевантной контексту этой группы.
  • US9141617B1
  • 2012-10-26
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google сегментирует сложные запросы на смысловые компоненты для генерации поисковых подсказок и связанных запросов
Google использует механизм для генерации уточнений запроса (поисковых подсказок или связанных запросов) путем разделения исходного запроса на семантические компоненты (устойчивые фразы) с помощью вероятностного анализа. Система находит уточнения для каждого компонента по отдельности, а затем рекомбинирует их, сохраняя исходный порядок. Финальные кандидаты строго фильтруются на основе пользовательских данных (CTR) и синтаксической схожести.
  • US9703871B1
  • 2010-07-30
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google переносит данные о поведении пользователей из основного веб-поиска для улучшения ранжирования в вертикальных поисках (Книги, Товары)
Google использует механизм для решения проблемы «холодного старта» в специализированных или новых поисковых вертикалях. Система идентифицирует один и тот же объект (например, товар или книгу по уникальному идентификатору) в разных корпусах. Затем она заимствует данные о релевантности (клики, время просмотра) из высокопосещаемого общего веб-поиска для корректировки ранжирования в вертикальном поиске, пока не накопит достаточно собственных данных.
  • US8396865B1
  • 2008-12-10
  • Поведенческие сигналы

  • Google Shopping

  • SERP

Как Google оценивает качество изображений, комбинируя визуальные характеристики, распознанный контент и социальные сигналы для ранжирования
Google использует систему для автоматического определения качества изображений, анализируя три класса характеристик: техническое качество (резкость, экспозиция), содержание (объекты, лица, ландшафты) и социальную популярность (просмотры, шеры, рейтинги). Система присваивает баллы этим характеристикам, взвешивает их (учитывая репутацию пользователей, оставивших отзывы) и формирует общий рейтинг для выбора лучших изображений.
  • US9858295B2
  • 2015-06-23
  • Мультимедиа

  • Поведенческие сигналы

  • SERP

Как Google использует персональные оценки и метки (аннотации) для персонализации и переранжирования поисковой выдачи
Патент Google описывает систему, позволяющую пользователям явно оценивать, комментировать и помечать веб-страницы. Эти аннотации используются для переранжирования будущих результатов поиска пользователя, повышая полезные страницы и понижая бесполезные. Система также вычисляет общие оценки сайтов (Site Rating) на основе оценок отдельных страниц для дальнейшей персонализации.
  • US8990193B1
  • 2005-09-15
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует персональные выделения контента и поведение чтения для гиперперсонализации поисковой выдачи
Google отслеживает, какой текст пользователи выделяют на веб-страницах и как они читают контент (включая скорость прокрутки и потенциально отслеживание взгляда). Эта информация используется для глубокой персонализации будущих поисковых запросов: система аннотирует знакомые результаты, использует содержание выделенного текста для подбора другого релевантного контента и автоматически возвращает пользователя к последнему просмотренному фрагменту.
  • US11514126B2
  • 2020-05-19
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует агрегированные поведенческие данные для корректировки ранжирования на основе шаблонов запросов
Google анализирует логи поисковых запросов для выявления общих шаблонов (Query Patterns), удаляя при этом приватную информацию. Для каждого шаблона система вычисляет агрегированную статистику поведения пользователей (клики, отказы). Если будущий запрос соответствует определенному шаблону, эта статистика используется для корректировки ранжирования результатов или предложений, оптимизируя выдачу под типичное поведение пользователей для данного класса запросов.
  • US9953185B2
  • 2015-11-24
  • Поведенческие сигналы

  • SERP

Как Google проектирует интерфейс и навигацию для поиска внутри оцифрованных документов (Google Books)
Патент описывает дизайн пользовательского интерфейса для поиска по оцифрованным печатным материалам (книги, журналы). Он включает механизмы отображения результатов с выдержками (excerpts), навигацию к следующим релевантным фрагментам внутри документа (пропуская нерелевантные страницы), агрегацию связанной веб-информации и отслеживание истории просмотров.
  • US8364668B2
  • 2004-09-29
  • SERP

  • Ссылки

Как Google использует репутацию контент-канала (например, YouTube) для ранжирования отдельных видео в зависимости от типа запроса
Google оценивает контент-каналы (например, YouTube), вычисляя специализированные «Оценки канала» (Channel Scores) для разных типов запросов (например, за свежесть или качество). Эти оценки рассчитываются на основе выбранного подмножества метрик канала и его контента, затем присваиваются отдельным видео и используются для корректировки их рейтинга в поиске.
  • US8949874B1
  • 2013-06-25
  • EEAT и качество

  • Свежесть контента

  • SERP

Как Google автоматически запускает нативные приложения в ответ на поисковый запрос, минуя SERP
Google использует механизм для автоматического запуска нативных приложений в ответ на определенные поисковые запросы. Если система определяет, что запрос имеет четкое намерение использовать конкретное приложение ("Focus Intent") и это приложение значительно превосходит другие результаты в ранжировании, Google может запустить его напрямую, минуя страницу результатов поиска (SERP). Система также учитывает обратную связь от пользователей, прекращая автозапуск, если пользователи часто сразу закрывают приложение.
  • US9524347B1
  • 2014-04-01
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google выбирает между веб-сайтом (десктоп/мобайл) и нативным приложением для показа в результатах поиска
Google анализирует различные форматы доступа к контенту (например, десктопный сайт, мобильный сайт, нативное приложение). Система оценивает качество, скорость, стабильность и совместимость каждого варианта с устройством пользователя. В результатах поиска Google покажет ссылку на тот формат, который имеет наивысшую оценку качества для конкретного пользователя и устройства.
  • US9146972B2
  • 2013-03-15
  • SERP

  • Поведенческие сигналы

  • Персонализация

Как Google динамически генерирует фильтры (теги) в выдаче на основе контента ранжируемых страниц
Google использует механизм для автоматического создания фильтров поисковой выдачи (например, в виде тегов или «пузырьков»). Система анализирует контент страниц, уже отобранных для показа по запросу, извлекает из них ключевые слова и проверяет их полезность, используя данные о поведении пользователей. Затем система отбирает наиболее релевантные и разнообразные фильтры, позволяя пользователю уточнить свой интент в один клик.
  • US10242112B2
  • 2016-06-15
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google использует историю поиска и браузинга для персонализации выдачи и создания неявного "Избранного"
Google записывает историю поиска и просмотров пользователя для персонализации результатов. Система определяет "предпочтительные сайты" на основе частоты посещений, кликов и времени на сайте, повышая их в выдаче для этого пользователя. Патент также описывает объединение предпочтений пользователя с предпочтениями других людей для формирования комбинированного рейтинга.
  • US20060224608A1
  • 2005-03-31
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует машинное обучение для предсказания повторяющихся запросов и предоставления динамических результатов
Google использует систему машинного обучения для анализа контекста и поведения пользователей, чтобы предсказать, какие запросы будут повторяться в будущем. Для этих «повторяемых запросов» система упрощает ввод через ярлыки или меню. При повторном выполнении Google может намеренно изменять выдачу, предоставляя динамические результаты, и приоритизировать сканирование связанного контента.
  • US11868417B2
  • 2019-11-06
  • Поведенческие сигналы

  • Семантика и интент

  • Персонализация

Как Google предлагает контекстные уточнения запроса на основе взаимодействия пользователя с текстом в строке поиска
Google использует механизм для предложения уточнений запроса, основанный на том, с какой частью (токеном) исходного запроса взаимодействует пользователь в строке поиска. Когда пользователь выделяет или кликает на слово, система определяет контекст и предлагает релевантные замены именно для этой части, используя алгоритм "голосования по перекрытиям" и сортировку по качеству/популярности для выбора лучших вариантов.
  • US7917528B1
  • 2007-04-02
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google ранжирует документы, используя качество источника, свежесть, оригинальность и кластеризацию контента
Google оценивает документы, анализируя авторитетность и экспертизу источника публикации, свежесть контента и его оригинальность. Документы группируются в кластеры по темам (например, новостные сюжеты). Оценка кластера (например, разнообразие и важность источников внутри него) также влияет на ранжирование отдельных документов.
  • US8090717B1
  • 2003-06-30
  • EEAT и качество

  • Свежесть контента

  • Семантика и интент

Как Google использует контекст просмотра ТВ для модификации поисковых запросов в реальном времени
Google анализирует время, местоположение и содержание поискового запроса пользователя, сопоставляя их с данными о телепрограммах, транслируемых в данный момент. Если система предполагает, что запрос связан с просматриваемой передачей, она автоматически дополняет исходный запрос терминами из этой передачи для предоставления более релевантных результатов.
  • US8839303B2
  • 2011-06-30
  • Семантика и интент

  • Персонализация

  • SERP

Как Google использует доверительные интервалы для ранжирования контента и определения приоритетов тестирования в условиях нехватки данных
Google использует статистические методы, такие как интервал Уилсона, для оценки качества контента при малом количестве данных (например, голосов или поведенческих сигналов). Для ранжирования используется пессимистическая оценка (нижняя граница доверительного интервала), что обеспечивает стабильность и отдает предпочтение контенту с большим объемом данных. Для определения приоритета тестирования (планирования голосования) используется оптимистическая оценка (верхняя граница), что позволяет быстро выявлять потенциально популярный новый контент.
  • US8494992B1
  • 2010-08-26
  • Поведенческие сигналы

  • SERP

Как Google классифицирует страницы как «Динамические» или «Статические» на основе анализа внешних сигналов для адаптации ранжирования
Google использует систему для анализа паттернов активности (например, в социальных сетях), связанных с веб-страницей, чтобы классифицировать ее как «Динамическую» или «Статическую». Эта классификация определяет приоритеты ранжирования: для динамических страниц важна свежесть, а для статических — вовлеченность пользователей. Механизм может применяться как для социальных виджетов, так и в основном поиске.
  • US9747263B1
  • 2014-06-27
  • Свежесть контента

  • Поведенческие сигналы

  • SERP

Как Google использует данные социальных сетей, интересы и членство в сообществах для персонализации и расширения поисковых запросов
Google использует информацию из социальных сетей для персонализации поиска. Система анализирует профиль пользователя, его членство в сообществах (группах по интересам) и даже профили связанных с ним людей. На основе этих данных система может расширять исходный запрос пользователя дополнительными терминами или фокусировать поиск на предпочтительных сайтах, чтобы предоставить результаты, соответствующие контексту и интересам пользователя.
  • US8832132B1
  • 2004-06-22
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google встраивает предлагаемые альтернативные запросы прямо в сниппеты поисковой выдачи
Google может улучшать поисковый опыт, встраивая интерактивные предложения запросов прямо в текстовые сниппеты результатов поиска. Система определяет альтернативные запросы (основываясь на анализе поведения пользователей) и связывает их с конкретными словами в сниппете. Эти слова выделяются (например, подчеркиванием), и пользователь может взаимодействовать с ними, чтобы запустить новый, уточненный поиск.
  • US8595252B2
  • 2008-09-12
  • SERP

  • Семантика и интент

  • Поведенческие сигналы

  • 1
  • …
  • 6
  • 7
  • 8
  • 9
  • 10
  • …
  • 19
seohardcore