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 статистический анализ логов запросов и объема торгов для классификации финансового интента и показа биржевых сводок
Google анализирует вероятность того, что запрос является запросом информации об акциях, даже если он введен в поле общего поиска. Система сравнивает, как часто термин (тикер) используется в общем контексте (в логах запросов) по сравнению с интересом к соответствующей акции (объем торгов). Это позволяет системе отличать финансовый интент от общего для неоднозначных терминов и отображать специализированные результаты фондового рынка.
  • US9508101B1
  • 2001-09-21
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google классифицирует запросы о медиа (фильмы, книги, музыка), используя данные из разных вертикалей поиска и поведенческие сигналы
Google использует многофакторную модель для определения, относится ли запрос к медиа-контенту (фильмам, книгам, музыке). Система анализирует результаты товарного поиска, предлагаемые подсказки (candidate queries), частоту запроса в специализированных вертикалях (Search Probability Ratio) и наличие специфичных ключевых слов. Это позволяет точнее определить интент пользователя и показать релевантные специализированные блоки или товарные предложения.
  • US8768910B1
  • 2012-04-13
  • Семантика и интент

  • Поведенческие сигналы

  • Мультимедиа

Как Google использует анализ сессий и CTR для переписывания низкоэффективных запросов в высокоэффективные
Google анализирует поведение пользователей внутри поисковых сессий. Если пользователь быстро переходит от запроса с низким CTR (низкоэффективный) к запросу с высоким CTR (высокоэффективный), система связывает их как относящиеся к одному интенту. В дальнейшем, при получении низкоэффективного запроса, Google использует связанный высокоэффективный запрос для поиска и подмешивания более релевантного контента.
  • US8234265B1
  • 2009-11-18
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google извлекает факты из веб-страниц для прямых ответов и автоматического наполнения Knowledge Graph
Google использует систему для ответов на вопросительные запросы. Система анализирует текстовые сниппеты из результатов поиска, применяет NLP-анализ (аннотирование) для извлечения кандидатов в ответы и выбирает лучший на основе консенсуса и качества источников. Этот механизм используется как для предоставления прямых ответов пользователям (Featured Snippets), так и для автоматического поиска недостающей информации и обновления базы знаний (Entity Database).
  • US20160132501A1
  • 2015-05-11
  • Knowledge Graph

  • Семантика и интент

  • SERP

Как Google использует интерактивные "Опорные Точки" (Pivot Points) для динамической навигации по товарам в поисковой выдаче
Google использует механизм для улучшения навигации по товарам, особенно на мобильных устройствах. Система создает многомерное пространство товаров на основе их атрибутов и выбирает репрезентативные "Опорные Точки" (Pivot Points). Пользователи могут "приближать" точку для просмотра похожих товаров или "отдалять", чтобы увидеть новый набор опорных точек, динамически адаптированный под их интересы и историю взаимодействий.
  • US10606907B1
  • 2016-06-01
  • SERP

  • Персонализация

  • Поведенческие сигналы

Как Google меняет формат выдачи в вертикальном поиске на основе уверенности в интенте и какие факторы использует для оценки качества
Google использует механизм адаптации интерфейса в вертикальном поиске (например, Google Books или Shopping). Если система уверена, что результат №1 значительно релевантнее №2, он отображается заметно крупнее. Патент детализирует факторы оценки качества объекта (Quality Information), такие как репутация автора/бренда, продажи, внешнее признание и ссылочный вес связанных веб-сайтов, что дает ключевые инсайты для E-E-A-T.
  • US9141674B2
  • 2013-03-14
  • EEAT и качество

  • Семантика и интент

  • SERP

Как Google персонализирует результаты поиска в зависимости от сайта, с которого отправлен запрос
Google анализирует совокупные поисковые запросы и последующие клики пользователей, инициирующих поиск с определенного веб-сайта. На основе этих данных создается «Профиль Веб-сайта», отражающий коллективные интересы его аудитории. Этот профиль используется для переранжирования будущих результатов: один и тот же запрос, отправленный с разных сайтов, даст разную выдачу, адаптированную под контекст источника.
  • US8078607B2
  • 2006-03-30
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует машинное обучение для проверки логотипов и названий организаций перед показом в поисковой выдаче (включая рекламу)
Google применяет систему для валидации брендовых ассетов (изображений и названий организаций) перед их отображением в результатах поиска. Система использует ML-модели для двух проверок: является ли изображение приемлемым (не нарушает правила, не имитирует чужие бренды) и верифицирована ли организация (используя платежную информацию для рекламы, органический рейтинг и базы доверенных компаний). Это предотвращает спуфинг и повышает доверие пользователей.
  • US11954167B1
  • 2022-12-21
  • EEAT и качество

  • Антиспам

  • SERP

Как Google использует краудсорсинг для выбора и улучшения группировки результатов поиска (например, в магазинах приложений и маркетплейсах)
Google использует масштабируемую систему для организации результатов поиска (таких как приложения или товары) в логические группы (кластеры). Система генерирует множество вариантов кластеризации для запроса, а затем использует краудсорсинговых работников для оценки и выбора наилучшего варианта. Лучший вариант дополнительно уточняется на основе консенсуса работников и сохраняется для использования при будущих запросах.
  • US10331681B1
  • 2016-04-11
  • SERP

  • EEAT и качество

  • Семантика и интент

Как Google использует сеть доверия между экспертами для расчета Trust Rank и ранжирования контента
Google использует механизм для определения авторитетности контента путем анализа того, какие эксперты (сущности) доверяют друг другу и как они классифицируют (маркируют) контент в интернете. Система рассчитывает «Рейтинг Доверия» (Trust Rank) для каждой сущности и использует его для повышения в выдаче контента, отмеченного доверенными источниками, интегрируя сигналы репутации в алгоритм ранжирования.
  • US7603350B1
  • 2006-05-09
  • EEAT и качество

  • Knowledge Graph

  • SERP

Как Google персонализирует локальную выдачу и ранжирует отзывы, основываясь на отеле, в котором остановился пользователь
Google использует данные о месте проживания пользователя (например, отеле) для персонализации локального поиска. При поиске ресторанов или достопримечательностей система повышает в ранжировании те места, которые высоко оценили другие гости этого же отеля. Отзывы от постояльцев также показываются в приоритетном порядке, так как они считаются более релевантными для пользователя.
  • US9817907B1
  • 2014-06-18
  • Local SEO

  • Персонализация

  • Поведенческие сигналы

Как Google агрегирует новости, блоги и форумы в «Кластеры историй» и ранжирует комментарии на основе аккредитации и экспертности авторов
Патент Google, описывающий систему агрегации новостного контента из разных жанров (СМИ, блоги, форумы) в единые «Кластеры историй». Система ранжирует эти кластеры, учитывая жанр источника, и применяет сложный алгоритм для ранжирования комментариев, отдавая приоритет «аккредитованным» экспертам и лицам, непосредственно упомянутым в новостях.
  • US9760629B1
  • 2012-09-14 (Продолжение заявки от 2004-12-29)
  • EEAT и качество

  • Свежесть контента

  • Семантика и интент

Как Google использует известность и авторитетность бизнеса (Location Prominence) вместо расстояния для ранжирования в локальном поиске
Google использует механизм дифференцированного ранжирования в локальном поиске. Внутри основной географической области (например, города или видимой карты) результаты ранжируются по «Известности» (Location Prominence), основанной на авторитетности, отзывах и упоминаниях бизнеса. За пределами этой области результаты ранжируются преимущественно по расстоянию. Это позволяет показывать наиболее значимые бизнесы, а не просто ближайшие к условному центру.
  • US7822751B2
  • 2005-05-27
  • Local SEO

  • EEAT и качество

  • SERP

Как Google использует социальные связи и действия пользователей для персонализации и аннотирования поисковой выдачи
Google использует механизм для персонализации поисковой выдачи путем добавления аннотаций к результатам, которые связаны с социальными группами пользователя (друзья, коллеги, жители города). Система определяет, как участники этих групп взаимодействовали с контентом (создали, поделились, одобрили), приоритизирует эти действия и добавляет пояснения к сниппетам. Также описаны механизмы агрегации действий и защиты конфиденциальности при показе аннотаций.
  • US10142441B2
  • 2011-01-28
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует упоминания бренда в вебе (Webscore) для определения популярности и ранжирования локальных бизнесов
Google рассчитывает метрику «Webscore» для локальных компаний, основанную на количестве упоминаний их названия в интернете. Эта оценка используется для определения «Популярности» (Prominence) бизнеса и влияет на ранжирование в локальном поиске, часто отдавая предпочтение известным компаниям перед теми, что просто находятся ближе. Алгоритм учитывает длину названия и корректирует оценки для сетевых бизнесов.
  • US8122013B1
  • 2006-01-27
  • Local SEO

  • EEAT и качество

  • SERP

Как Google использует превью изображений, Hovercards и механизм отклонения для управления связанными запросами
Google использует механизм для улучшения взаимодействия с блоками связанных запросов (Related Searches), особенно в поиске изображений. Система отображает текстовые подсказки вместе с релевантными превью-изображениями. При наведении курсора показывается всплывающее окно (Hovercard) с дополнительными результатами. Пользователи могут отклонять нерелевантные подсказки, что служит сигналом обратной связи для системы и позволяет отобразить новые предложения.
  • US8645360B2
  • 2011-11-03
  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google определяет оригинальность контента для расчета Авторского Ранга (Author Rank) и влияния на ранжирование
Google использует систему для идентификации оригинального контента и повышения авторитета его создателей. Система разбивает документы на фрагменты (content pieces) и отслеживает их первое появление. Авторы (включая домены) ранжируются на основе количества созданного ими оригинального контента и частоты его копирования другими. Ранг автора затем используется для повышения в выдаче документов этого автора, особенно свежих публикаций.
  • US8983970B1
  • 2012-04-16
  • EEAT и качество

  • Свежесть контента

  • SERP

Как Google определяет тематическую авторитетность источников ("каналов") и агрессивно продвигает их свежий контент
Google идентифицирует "каналы" (сайты, блоги, разделы), которые исторически создают высококачественный контент по определенным темам. Система рассчитывает тематическую авторитетность, учитывая качество контента и сфокусированность канала. Когда авторитетный канал публикует новый контент по своей теме, Google может агрессивно повысить его в выдаче, даже если у контента еще нет ссылок или поведенческих сигналов.
  • US8874558B1
  • 2012-09-11
  • EEAT и качество

  • Свежесть контента

  • Индексация

Как Google использует ручное изменение порядка результатов поиска пользователями для обучения алгоритмов ранжирования
Google патентует механизм, позволяющий пользователям вручную изменять порядок результатов поиска на странице (например, перетаскиванием). Эти действия интерпретируются как явные сигналы предпочтений (пользователь считает один результат лучше другого). Google агрегирует эти данные для обучения моделей машинного обучения и улучшения глобальных алгоритмов ранжирования или использует их для персонализации выдачи.
  • US8312009B1
  • 2007-02-14
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google рассчитывает QDF (Query Deserves Freshness), комбинируя актуальность запроса, возраст документа и качество источника по формуле Q^D
Google использует формулу S' = S * Q^D для корректировки ранжирования. Система определяет, требует ли запрос свежего контента (Q) и насколько свеж и качественен сам документ и его источник (D). Это позволяет экспоненциально повышать новый контент от авторитетных авторов для актуальных тем и понижать устаревший контент.
  • US9189526B1
  • 2013-03-15
  • Свежесть контента

  • EEAT и качество

  • SERP

Как Google эффективно измеряет и ранжирует пользовательский опыт (UX) взаимодействия с контентом и рекламой
Патент описывает инфраструктуру Google для эффективной оценки пользовательского опыта. Система генерирует различные конфигурации страниц ("Типы Пользовательского Опыта", CETs), включающие комбинации контента и рекламы. Используется метод "динамического ресэмплирования" для сбора обратной связи от пользователей и быстрого ранжирования этих конфигураций по качеству, измеряя метрики удовлетворенности и раздражения.
  • US10282357B1
  • 2016-09-15
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует внутреннюю структуру сайта и авторитетность для корректировки ранжирования
Google использует механизм для уточнения позиций в поиске, анализируя как внешние сигналы (авторитетность сайта), так и внутренние сигналы (структура сайта, внутренние ссылки). Система вычисляет «Внутрисайтовую оценку ранжирования» для определения важности страницы внутри сайта и использует её для корректировки «Глобальной оценки ранжирования». Однако влияние внутренних факторов ограничивается уровнем доверия к сайту.
  • US8843477B1
  • 2011-10-31
  • Структура сайта

  • Техническое SEO

  • EEAT и качество

Как Google использовал социальные аннотации в SERP для идентификации экспертов и стимулирования вовлеченности
Патент описывает механизм Google для стимулирования пользователей оставлять социальные аннотации (например, Google +1) к результатам поиска. Когда пользователь выражал интерес к теме или сайту, система немедленно предлагала связанный социальный контент: посты от идентифицированных экспертов и популярные обсуждения. Патент раскрывает критерии, которые Google использовал для алгоритмического определения экспертности автора и популярности контента.
  • US9047345B1
  • 2013-02-19
  • Поведенческие сигналы

  • SERP

  • EEAT и качество

Как Google выбирает лучшую целевую страницу (Landing Page) для результатов поиска по картинкам
Google использует запатентованный метод для выбора наилучшего контекста для изображения в поиске по картинкам. Когда одно и то же или похожее изображение появляется на нескольких сайтах, система оценивает качество и важность каждой веб-страницы (Web Score). Страница с наивысшей оценкой выбирается в качестве официальной целевой страницы (Landing Page), на которую попадает пользователь при клике на результат.
  • US9158857B2
  • 2012-06-05
  • Мультимедиа

  • EEAT и качество

  • SERP

Как Google заменяет поисковый запрос на более популярный трендовый запрос внутри социальных сетей
Механизм поиска внутри социальных сетей, который сравнивает популярность (частоту использования) исходного запроса с популярностью связанных запросов за определенный период времени. Если связанный запрос является более трендовым, система показывает результаты для него, а не для исходного запроса, чтобы направить пользователя к более активному и популярному контенту или сообществам.
  • US8892591B1
  • 2012-10-01
  • Свежесть контента

  • SERP

  • Поведенческие сигналы

Как Google наследует сигналы качества и пессимизации между иерархически связанным контентом (например, Видео, Плейлисты, Каналы)
Google использует механизм для оценки качества контента (например, видео), учитывая не только его собственные характеристики, но и качество связанных с ним родительских сущностей (например, плейлиста или канала). Система комбинирует оценки качества (Classifier Scores) и оценки защиты (Protection Scores) всех уровней иерархии для расчета агрегированной оценки (Aggregate Score). Это позволяет точнее выявлять и понижать в поиске нежелательный контент, даже если он размещен на в целом качественном ресурсе, и наоборот.
  • US20200159769A1
  • 2019-11-15
  • SERP

  • EEAT и качество

  • Антиспам

Как Google использует историю покупок, социальные связи, геолокацию и демографию для персонализации ранжирования в поиске по медиаконтенту (Приложения, Книги, Музыка, Фильмы)
Google применяет механизм для глубокой персонализации результатов поиска в вертикалях цифрового контента (например, Google Play). Система комбинирует стандартные оценки релевантности с персонализированными оценками, основанными на «сигналах предпочтений пользователя». Эти сигналы включают историю покупок и просмотров, демографические данные, местоположение, активность социальных кругов пользователя и историю потребления смежного контента (например, просмотр трейлера влияет на ранжирование книги).
  • US20140317099A1
  • 2013-04-23
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует персональные оценки пользователей для переранжирования выдачи и расчета «рейтинга сайта»
Google может собирать явную обратную связь пользователя (рейтинги, метки, комментарии) по конкретным веб-страницам для персонализации будущих результатов поиска. Система переранжирует выдачу, повышая или понижая страницы на основе личных оценок. Кроме того, на основе оценок отдельных страниц рассчитывается общий «рейтинг сайта», который применяется к другим страницам этого же сайта, даже если пользователь их не оценивал.
  • US8166028B1
  • 2005-09-15
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует поведение в сессии (запросы и клики) для профилирования пользователей и персонализации выдачи на лету
Google анализирует действия пользователя в рамках текущей поисковой сессии, такие как специфическая терминология, орфография или клики по результатам, чтобы отнести его к определенной «Группе пользователей» (например, по профессии или демографии). Последующие результаты поиска переранжируются на основе того, что исторически популярно или непопупулярно в этой конкретной группе по сравнению с общей популяцией пользователей.
  • US8930351B1
  • 2010-03-31
  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google использует погоду, время, текущие события и социальные сигналы для персонализации поисковых подсказок (Autocomplete)
Google динамически изменяет поисковые подсказки (Autocomplete и переписанные запросы), основываясь на текущем контексте пользователя. Система учитывает такие факторы, как погода, время суток, актуальные новости, рекомендации друзей в социальных сетях и их местоположение. Стандартные подсказки переоцениваются и переранжируются в реальном времени, чтобы предложить пользователю наиболее релевантный запрос в данный момент и в данном месте.
  • US20160041991A1
  • 2013-05-20
  • Персонализация

  • Свежесть контента

  • SERP

  • 1
  • …
  • 7
  • 8
  • 9
  • 10
  • 11
  • …
  • 19
seohardcore