31 Google-Patente zu Ranking, Indexierung, Entitäten und Knowledge Graph: Kategorie, Mechanismus, Erfinder und Jahr im Überblick.
Berechnet die relative Autorität verlinkter Dokumente durch iterative Wahrscheinlichkeitsverteilung eines Zufallssurfers (PageRank). Eingehende Verweise von hochrangigen Knoten übertragen proportional höhere Relevanz.
Ersetzt isolierte Keyword-Zähler durch statistisch vorhersehbare Phrasen-Cluster. Dokumente werden anhand von Mehrwortgruppen indexiert, deren Auftreten die Gegenwart verwandter Phrasen prognostiziert.
Extrahiert unstrukturierte Webinhalte in ein durchsuchbares Repository aus Objekten und Fakten-Tripeln (Subjekt, Prädikat, Objekt). Jede Entität erhält eine eindeutige ID mit verknüpften Attribut-Werte-Paaren.
Berechnet die fachspezifische Expertise eines Autors für bestimmte Themen über ein mathematisches Signatur-Update. Der Wert ergibt sich kumulativ aus dem Produkt von Autorenschaftsanteil und Themengewicht verfasster Dokumente.
Modifiziert Basisrankings anhand impliziter Nutzersignale wie der Verweildauer auf Zielseiten (NavBoost-System). Lange Besuche (Long Clicks) erhöhen die Relevanz, während sofortige Rückkehrer zur SERP (Short Clicks) abgewertet werden.
Passt die anfänglichen Ranking-Scores von Suchergebnissen über gruppenspezifische Modifikationsfaktoren an. Bewertet Ressourcen nach dem Verhältnis unabhängiger eingehender Links und Referenzsuchanfragen zur Bekämpfung von Webspam.
Identifiziert die zentralen Hauptentitäten einer Webressource durch Konstruktion und Filterung eines Entitätengraphen. Nicht-zentrale oder periphere Entitäten ohne ausreichende Graph-Kanten werden herausgefiltert.
Berechnet einen domainweiten Qualitätswert aus dem Verhältnis von gezielten Marken- und Navigationsanfragen zum Gesamttraffic. Unterschreitet die Markennachfrage einen Schwellenwert, sinkt der Multiplikator für die gesamte Site.
Mappt Wörter anhand ihres Nachbarschaftskontexts in einen hochdimensionalen kontinuierlichen Vektorraum. Semantisch verwandte Begriffe weisen ähnliche Vektorpositionen auf, was mathematische Sprachoperationen ermöglicht.
Erkennt kurzfristige oder neue Aktionen von Entitäten durch Analyse von Suchvolumen-Spikes und zeitnahen Webdokumenten. Bestätigte Subjekt-Verb-Objekt-Cluster werden automatisch als neue Kanten im Knowledge Graph ergänzt.
Verfeinert die rechnergestützte Architektur zur Generierung hochdimensionaler Wortvektoren durch neuronale Feedforward-Modelle. Optimiert Trainingsgeschwindigkeit und semantische Präzision bei gigantischen Textkorpora.
Sichert den Suchmaschinenindex gegen Ausfälle über ein bewegliches Snapshot-Fenster und sofortiges Failover ab. Ermöglicht kontinuierliche Index-Updates ohne Unterbrechung der Echtzeit-Suchbereitschaft.
Ersetzt die Gleichverteilung des PageRank durch individuelle Klickwahrscheinlichkeiten pro Link. Faktoren wie visuelle Prominenz, Schriftgröße, DOM-Position und thematische Relevanz bestimmen das vererbte Link-Gewicht.
Bewertet Suchergebnisse anhand von Entitätenmetriken wie Verwandtheit (Kookkurrenz), Typen-Prominenz, Beiträgen und Auszeichnungen. Die Metriken fließen über domänenspezifische Gewichtungen in den Gesamtrelevanzwert ein.
Beansprucht Verfahren zur Abfrage und Bereitstellung trainierter numerischer Wortrepräsentationen für Downstream-Systeme. Bildet die Grundlage für semantische Distanzberechnungen in modernen Rankingmodellen.
Das fundamentale Patent hinter der Transformer- und BERT-Architektur ohne rekurrente Schichten. Berechnet über parallele Multi-Head Self-Attention die bidirektionalen Beziehungen aller Token einer Sequenz zueinander.
Verwendet tiefe neuronale Netze zur direkten Bewertung und Sortierung von Suchergebnissen. Mappt Abfragen und Dokumente in gemeinsame Vektorräume zur Intent-Auflösung unkonventioneller Suchanfragen.
Löst mehrdeutige Suchanfragen auf, indem kanonische Anfragen erzeugt und deren SERP-Ergebnismengen verglichen werden. Ermittelt den wahrscheinlichsten Nutzerintent über die Ähnlichkeit der resultierenden Dokumentenmengen.
Generiert dichte Vektoren für Autoren zur Erfassung ihres individuellen Schreibstils über ein trainiertes neuronales Netz. Ermöglicht die geometrische Autorenschaftsverifikation im latenten Raum ohne Byline.
Analysiert Verteilungsmuster und globale Kookkurrenzstatistiken zur Erkennung manipulierter Netzwerkinhalte. Schützt den Suchindex vor künstlich aufgeblähten Link- und Inhaltsnetzwerken.
Berechnet für ungesehene Dokumente (Set d2) einen Information Gain Score basierend auf dem Mehrwert gegenüber bereits gesehenen Seiten (Set d1). Dokumente ohne neue Fakten werden im Ranking abgewertet.
Fächert Suchanfragen zur Laufzeit über ein generatives Multitask-Modell in bis zu 8 spezifische Variantentypen auf. Kontrollmodelle steuern die Generierung und prüfen Fakten über Entailment Queries auf Richtigkeit.
Verbessert Vorschläge für Suchanfragen anhand der Kookkurrenzwahrscheinlichkeit in vorangegangenen Aktivitäten derselben Nutzersitzung. Modifiziert Basiswerte durch den Ranking-Faktor R = P(x|q) / P(x).
Optimierte Fortführung zur massiv-parallelen Generierung und Projektion hochdimensionaler Wortvektoren. Verbessert die ressourceneffiziente Inferenz in unternehmensweiten Abfrage-Pipelines.
Aktuelle Fortführung des Author-Vector-Patents zur stilometrischen Identifikation und Modellierung von Autorenprofilen. Gleicht Sprachmuster über neuronale Netze ab, um Autorenschaften automatisiert zu verifizieren.
Fortschrittliches Modell zur Berechnung des Information Gain Scores über trainierte neuronale Netze und Vektorsubtraktion. Filtert KI-generierte Inhaltsdopplungen und belohnt exklusive Datenpunkte.
Clustert und organisiert Suchergebnisse dynamisch in thematische Kategorien basierend auf semantischen Vektoren. Präsentiert Ergebnisse strukturiert nach Teilthemen anstelle einer rein linearen Rangliste.
Ersetzt konventionelle Suchergebnislinks durch eine maßgeschneiderte, KI-generierte Landingpage, wenn der Landing Page Score der Zielseite unter einen Schwellenwert fällt. Google übernimmt bei schlechter SXO das Interface selbst.
Mapped Markup-Daten (z. B. schema.org) auf reale Entitäten und identifiziert redundante Suchergebnisse desselben Anbieters. Duplikative Entitätsmengen werden abgewertet (Demotion) oder komplett aus der SERP entfernt.
Generiert domänenspezifische Sprachmodelle und Knowledge Graphs zur Beantwortung komplexer, sprachgesteuerter Anfragen. Ermöglicht kontextbezogene Antworten innerhalb vernetzter Systeme und Drittanbieter-Ressourcen.
Hält eine zustandsbehaftete Nutzersitzung über einen persistenten Contextual User State aufrecht und generiert synthetische Queries im Hintergrund. Filtert Halluzinationen über Response-Linkifying gegen verifizierte Quelltexte.