Яндекс использует механизм для корректировки оценки качества сайта, сравнивая ее с эталонным значением, ожидаемым для сайтов с аналогичным объемом трафика или уровнем лояльности. Если сайт показывает аномально высокие метрики качества …
Метрики качества поиска
Яндекс патентует усовершенствованный алгоритм смешивания (Blender) для определения лучшей позиции элемента (например, виджета или веб-документа) на странице результатов поиска. Вместо одного показателя полезности, система использует мультиклассификационную модель, которая прогнозирует отдельно …
Яндекс патентует метод ранжирования, учитывающий свежесть пользовательской активности. Система анализирует агрегированную историю просмотров, присваивая более высокий вес страницам, которые посещались или были созданы недавно. Этот "Ранг Свежести Просмотра" (FBR) рассчитывается …
Яндекс патентует метод расчета авторитетности страниц (Fresh Browse Rank - FBR), который является эволюцией BrowseRank (аналог PageRank на основе логов посещений). FBR учитывает время: он повышает ранг страниц, которые были …
Яндекс использует сложный статистический метод для A/B тестирования изменений на SERP (например, новых алгоритмов ранжирования или дизайна). Вместо сравнения средних значений поведенческих метрик (таких как Dwell Time), система анализирует сдвиги …
Яндекс патентует метод использования «Фактора Привлекательности» (Appeal Factor) в ранжировании. Система использует модель машинного обучения (например, нейросеть), обученную на скриншотах страниц, чтобы предсказать, насколько визуально привлекательной или удобной найдет страницу …
Яндекс патентует метод селективного индексирования для оптимизации использования хранилища. Система оценивает «полезность» документа (на основе прошлых или прогнозируемых взаимодействий пользователей) и его «стоимость» (размер файла). Алгоритм машинного обучения (Listwise LTR, …
Яндекс патентует механизм внедрения блоков со связанными запросами (например, "Похожие запросы") в основную поисковую выдачу. Позиция этого блока определяется отдельным алгоритмом ранжирования. Ключевым фактором для ранжирования как органических результатов, так …
Яндекс патентует метод "Виртуального Ансамбля" для оценки уверенности моделей градиентного бустинга (например, CatBoost) в своих прогнозах. Вместо обучения нескольких моделей, система использует разные срезы (подпоследовательности деревьев) одной обученной модели и …
Яндекс патентует метод ранжирования точек интереса (POI), таких как организации или достопримечательности, на основе их популярности, измеряемой количеством связанных фотографий («Фоторейтинг»). Система агрегирует фотографии, используя не только метаданные (GPS, описание), …
Яндекс патентует систему расчета «Баллов Доверия» (Trust Score) для веб-ресурсов. Оценка основана на анализе контента, метаданных (WHOIS, возраст, частота обновления), поведенческих факторов (выбор в поиске) и технических аспектов (сертификаты, работоспособность …
Яндекс патентует метод ранжирования, основанный на анализе визуального представления («Снимка») веб-страницы. Система использует модель машинного обучения (в частности, нейронные сети), обученную на оценках асессоров или поведении пользователей, для расчета «Коэффициента …
Яндекс патентует метод определения «Параметра Полезности» для результатов поиска (как вертикальных вставок, так и органических результатов) путем активного тестирования. Система намеренно показывает результаты на случайных позициях тестовой группе пользователей и …
Яндекс патентует механизм обратной связи для корректировки ранжирования на основе соотношения качества сайта и объема его трафика. Система рассчитывает «Необработанную оценку качества» и сравнивает ее с эталонной кривой, показывающей ожидаемое …
Яндекс патентует механизм, который сравнивает фактическое качество сайта (Raw Quality Score), основанное на согласованности поведенческих метрик и лояльности пользователей, с эталонным качеством (Reference Score), ожидаемым для его уровня трафика. При …
Яндекс патентует метод ускорения A/B тестов. Система использует машинное обучение (Gradient Boosting) для прогнозирования будущего поведения пользователей на основе данных, собранных в начале эксперимента. Это позволяет быстрее оценить долгосрочный эффект …
Яндекс патентует метод для повышения точности оценки изменений в поиске (например, новых алгоритмов ранжирования). Система объединяет два типа метрик: интерпретируемые (показывающие направление изменения – лучше/хуже, например DAU) и чувствительные (показывающие …
Яндекс патентует метод использования визуальной привлекательности страницы ("Appeal Factor") как фактора ранжирования. Система анализирует скриншот страницы с помощью модели машинного обучения (например, нейросети), обученной на оценках асессоров или поведении пользователей …
Яндекс патентует метод оценки результатов A/B тестов, который фокусируется на трендах вовлеченности, а не на средних значениях. Система использует математические преобразования (например, Дискретное преобразование Фурье) временных рядов поведения пользователей для …
Яндекс использует трехуровневую систему машинного обучения для оптимизации позиций вертикальных результатов (колдунщиков) в SERP. Отдельные модели независимо предсказывают вероятность клика по колдунщику ("Win") и по следующему за ним результату ("Loss"). …