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

Поведенческие сигналы в Google: разборы патентов

Детальные разборы патентов Google, связанные с поведением пользователей
  • 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 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 использует историю поиска и текущее местоположение пользователя для проактивных подсказок (Zero-Click)
Google использует механизм для проактивного предложения пользователю его прошлых поисковых запросов и результатов, на которые он кликал, основываясь на его текущем физическом местоположении. Система анализирует историю поиска, определяет связанные с ней локации и оценивает их близость к пользователю. Это позволяет предоставлять релевантные локальные подсказки без необходимости ввода запроса (Zero-Click), особенно на мобильных устройствах.
  • US8301639B1
  • 2010-01-29
  • Персонализация

  • Local SEO

  • Поведенческие сигналы

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 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 использует контекст пользователя (местоположение, время, историю) для предсказания поискового намерения в локальном поиске (Queryless Search)
Google использует механизм предиктивного поиска (Queryless Search), который анализирует местоположение пользователя, время суток, историю поиска и историю перемещений. На основе этих данных система автоматически предлагает релевантные категории (например, "Рестораны", "Бары") еще до ввода запроса. Система адаптирует предложения в зависимости от знакомства пользователя с локацией и фильтрует результаты по времени работы и близости.
  • US9529867B1
  • 2013-09-19
  • Local SEO

  • Семантика и интент

  • Персонализация

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
  • Мультимедиа

  • SERP

  • Поведенческие сигналы

Как Google обучает модели машинного обучения для персонализации поиска при недостатке данных о пользователе
Этот патент описывает продвинутую технику машинного обучения, используемую Google для комбинирования различных типов сигналов (запрос, история пользователя, контекст) при ранжировании. Он использует метод иерархического взвешивания (тензорные произведения и слои), который гарантирует точность системы, даже если часть информации (например, история пользователя) отсутствует, отдавая приоритет фундаментальной релевантности над сложными взаимодействиями.
  • US9122986B2
  • 2012-11-05
  • Персонализация

  • Поведенческие сигналы

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
  • SERP

  • Поведенческие сигналы

Как Google использует IDF и CTR для выбора языка перевода запросов в поиске по картинкам и видео (CLIR)
Google применяет механизм кросс-язычного поиска (CLIR) для улучшения выдачи изображений и видео. Система автоматически переводит запрос пользователя на другие языки, выбирая наиболее подходящий на основе частотности терминов (IDF) в его корпусе. Результаты поиска по переведенному запросу подмешиваются в основную выдачу, а их ранжирование зависит от статистики качества (например, CTR) этого запроса.
  • US8577910B1
  • 2009-06-09
  • Мультиязычность

  • Мультимедиа

  • Поведенческие сигналы

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 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 анализирует поисковые запросы, разделяя географию пользователя, географию интента и вертикаль рынка
Google использует систему для глубокого анализа логов поисковых запросов. Определяется местоположение пользователя (источник), географическое место, упомянутое в запросе (назначение), и тематическая категория (вертикаль рынка). Эти данные индексируются, позволяя аналитикам и рекламодателям изучать тренды, например, как часто пользователи из США ищут отели в Германии и какие ключевые слова они используют.
  • US20160041999A1
  • 2012-07-23
  • Индексация

  • Семантика и интент

  • Local SEO

Как Google (YouTube) использует последовательность просмотров и общее время просмотра для определения и ранжирования похожих видео
Google использует поведенческие сигналы для определения похожих видео на платформах типа YouTube. Система анализирует, какие видео пользователи смотрят одно за другим в течение короткого времени (ко-просмотры). Если пользователи положительно взаимодействуют (например, долго смотрят) с Видео А и сразу после этого с Видео Б, система считает их связанными. Финальный список рекомендаций ранжируется с учетом временной близости просмотров и общего времени просмотра (Total Watch Time).
  • US9088808B1
  • 2008-02-08
  • Поведенческие сигналы

  • Мультимедиа

  • Персонализация

Как Google дифференцирует и взвешивает поведенческие сигналы для персонализации рекомендаций контента
Google использует систему для персонализации рекомендаций контента, анализируя характеристики документов (например, через TF-IDF) и создавая динамические профили интересов пользователей. Система обучается на основе поведения: разные типы взаимодействий (просмотр, печать, сохранение) по-разному влияют на профиль пользователя, а влияние этих поведенческих сигналов со временем ослабевает (Signal Decay).
  • US20170344572A1
  • 2009-01-29
  • Персонализация

  • Поведенческие сигналы

  • Свежесть контента

Как Google определяет реальную видимость контента и фильтрует ложные поведенческие сигналы, вызванные перекрытиями интерфейса
Google использует систему анализа слоев пользовательского интерфейса для точного определения, какие элементы контента реально видны пользователю, а какие скрыты перекрывающими элементами (меню, уведомлениями). Это позволяет отфильтровывать ложные сигналы вовлеченности (клики, показы), зарегистрированные на скрытых элементах, повышая точность поведенческих факторов и оценки качества страницы.
  • US12079644B2
  • 2022-10-28
  • Поведенческие сигналы

Как Google использует анализ затрат и выгод, чтобы решить, когда показывать графики временных рядов в результатах поиска
Google не всегда генерирует графики и таблицы данных (временные ряды) в ответ на запрос. Система сначала оценивает затраты на сбор и обработку этих данных (нагрузка на сервер, задержка) и сравнивает их с ожидаемой выгодой для пользователя (вероятность клика, качество данных). Визуализация генерируется, только если выгода превышает затраты.
  • US8326836B1
  • 2010-07-13
  • SERP

  • Семантика и интент

  • Поведенческие сигналы

Как Google автоматически создает и выполняет «постоянные запросы» на основе поведения и местоположения пользователя (Проактивный поиск)
Google использует систему проактивного поиска, которая отслеживает повторяющиеся действия пользователя (например, частые поиски или задачи). Система автоматически создает «постоянные запросы» и выполняет их в фоновом режиме, основываясь на контексте пользователя (местоположении, времени) и частоте его прошлых действий. Результаты доставляются в виде уведомлений, если система считает момент подходящим.
  • US9147001B1
  • 2012-08-15
  • Поведенческие сигналы

  • Персонализация

Как Google использует социальные связи и одобрения для персонализации и переранжирования локальной выдачи
Google патентует механизм интеграции социальных сигналов из "сетей участников" (социальных сетей) в локальный поиск. Система позволяет пользователям одобрять локальные бизнесы или рекламу. При поиске результаты переранжируются на основе этих одобрений, причем вес одобрения зависит от типа и степени связи между ищущим и одобряющим.
  • US7827176B2
  • 2004-06-30
  • Local SEO

  • Персонализация

  • Поведенческие сигналы

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 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 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 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 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 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 персонализирует выдачу, определяя ваши аккаунты в соцсетях и показывая контент, которым поделились ваши контакты
Google использует механизм для определения других аккаунтов пользователя в социальных сетях (Кандидатные Идентификаторы), даже если они не были связаны явно. Система анализирует совпадение контактов между известным профилем пользователя и потенциальными аккаунтами. Затем результаты поиска персонализируются путем повышения контента, который был создан или аннотирован (например, расшарен) контактами из этих социальных сетей. Система также может запрашивать подтверждение владения аккаунтом прямо в поисковой выдаче.
  • US8972398B1
  • 2012-02-27
  • Персонализация

  • Поведенческие сигналы

Как Google автоматически оценивает и удаляет неэффективные синонимы и правила расширения запросов
Google использует механизм для оценки эффективности правил подстановки (синонимов). Если подставленный термин редко встречается в топовых результатах поиска или если пользователи не кликают на результаты, содержащие этот термин, система автоматически удаляет или понижает уверенность в этом правиле. Это позволяет поддерживать качество и точность понимания запросов.
  • US8600973B1
  • 2012-01-03
  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google использует радар для понимания жестов и физического состояния пользователя при обработке поисковых запросов
Google патентует технологию использования радарных систем (например, Project Soli) для улучшения поиска путем интерпретации физических жестов и физиологических данных пользователя в реальном времени. Система может распознать, куда указывает пользователь или в каком направлении он движется, и использовать эту информацию для уточнения поискового запроса (например, поиск кафе в направлении движения) или даже для инициирования поиска без текстового ввода.
  • US11169988B2
  • 2014-10-01
  • Семантика и интент

  • Персонализация

  • Поведенческие сигналы

Как Google использует историю кликов для персонализации локальной выдачи и показа ранее посещенных страниц
Google создает «Профиль локального поиска», отслеживая, какие сайты пользователь посещал при поиске информации о конкретных местах. Когда пользователь снова ищет это место (или соседнее), Google показывает эти ранее посещенные сайты на видном месте в выдаче, даже если они не релевантны новому запросу, чтобы облегчить навигацию и помочь завершить задачу.
  • US8838621B1
  • 2011-06-16
  • Персонализация

  • Поведенческие сигналы

  • Local SEO

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 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

  • 1
  • …
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
seohardcore