Metadane patentu
Numer patentu: US12536233B1
Oficjalny tytuł: Machine-Learned Content Page Generation and Landing Page Scoring System for Search Result Optimization
Wnioskodawca: Google LLC
Wynalazcy: Caren Zeng, Rushil Grover, Timothy Benjamin Whalin, Lauren Marjorie Bedford, Pallavi Satyan, Ethan Milo Mann
Data zgłoszenia: 3 stycznia 2025
Data publikacji: 27 stycznia 2026
Status: Przyznany
Czego dotyczy patent?
Problem podstawowy
Patent odnosi się do nieefektywności w sposobie prezentacji i nawigacji landing pages po zapytaniu użytkownika. Tradycyjne landing pages często nie odpowiadają intencji użytkownika, cierpią na słabą użyteczność i brak adaptacyjnej prezentacji treści. Prowadzi to do niskiego zaangażowania, słabej konwersji i niezadowolenia użytkowników.
Opis wynalazku
System wprowadza pipeline generowania treści oparty na uczeniu maszynowym, który dynamicznie tworzy landing pages generowane przez AI na podstawie zapytań użytkowników, danych kontekstowych i sygnałów behawioralnych. Integruje mechanizm scoringu landing pages, który ocenia istniejące strony i określa, czy zamiast nich powinna zostać zaprezentowana strona wygenerowana przez AI.
Architektura łączy modele generatywne treści (tekst, obraz, audio, wideo), moduły optymalizacji i rankingu oraz pętle udoskonalania oparte na feedbacku. Rezultatem jest dynamicznie generowane, spersonalizowane doświadczenie landing page, zoptymalizowane pod kątem treści i wydajności.
Kluczowe elementy patentu
1. Machine-Learned Content Page Generation Pipeline (100)
Funkcja: Centralna warstwa orkiestracji do generowania multimodalnych zasobów treści.
Dane wejściowe: Zasób danych (110) i profil konta (120).
Dane wyjściowe: Zoptymalizowane, rankingowane i spersonalizowane zasoby treści.
Zakres: Generowanie na poziomie dokumentu.
Znaczenie: Ustanawia podejście oparte na modelach generatywnych do budowy landing pages, sugerując możliwości rozumienia i syntezy na poziomie dokumentu, podobne do architektur opartych na transformerach.
2. Machine-Learned Text Generator (101)
Rola: Generuje zasoby tekstowe dla landing pages.
Dane wejściowe: Dane strukturalne/niestrukturalne z zasobu danych (110) i kontekst użytkownika z profilu konta (120).
Dane wyjściowe: Zasoby tekstowe (1104A).
Mechanizm: Prawdopodobnie oparty na transformerach, działający na poziomie granularności dokumentu.
Znaczenie dla SEO: Umożliwia kontekstowe generowanie tekstu dopasowane do zapytania i historii użytkownika, co sugeruje modelowanie semantycznej trafności na poziomie dokumentu.
3. Machine-Learned Image Generator (102)
Rola: Tworzy zasoby wizualne dopasowane do narracji tekstowej.
Dane wejściowe: Takie same jak generator tekstu.
Dane wyjściowe: Zasoby obrazowe (1104B).
Znaczenie: Sugeruje multimodalną spójność między elementami tekstowymi i wizualnymi.
4. Machine-Learned Audio (103) i Video (104) Generators
Rola: Rozszerzają generowanie treści o bogatsze formaty medialne.
Zakres: Poziom dokumentu, choć słabo określony.
Implikacja: Wskazuje na potencjał multimodalnych doświadczeń landing page wykraczających poza statyczny tekst/obrazy.
5. Optimizer(s) (105)
Rola: Stosuje algorytmy optymalizacyjne do wyników generatorów.
Dane wejściowe: Wyniki z generatorów (101–104).
Dane wyjściowe: Zoptymalizowane zasoby.
Znaczenie: Może dostosowywać się do metryk wydajności, prawdopodobieństwa zaangażowania lub konwersji.
6. Rank(s) (106)
Rola: Rankinguje wygenerowane wyniki na podstawie trafności lub jakości.
Dane wejściowe: Wyniki generatorów.
Dane wyjściowe: Zestaw rankingowanych zasobów.
Znaczenie: Zapewnia mechanizm kontroli jakości przed prezentacją, potencjalnie analogiczny do warstw rankingowych w systemach wyszukiwania.
7. Data Resource (110)
Rola: Dostarcza dane strukturalne i niestrukturalne do generowania treści.
Znaczenie: Służy jako faktyczna podstawa dla modeli generatywnych.
8. Account Profile (120)
Komponenty:
- Preferencje użytkownika
- Zapytanie użytkownika (122)
- Poprzednie wyszukiwania (124)
- Wcześniejsze sygnały/kontrole (126)
Rola: Kontekstualizuje generowanie do indywidualnego zachowania użytkownika.
Znaczenie: Umożliwia personalizację i ciągłość kontekstową między sesjami.
9. Asset Feedback Layer (140)
Rola: Zbiera feedback użytkownika na temat wygenerowanych zasobów i inicjuje regenerację lub udoskonalenie.
Znaczenie: Implementuje uczenie ze wzmocnieniem z feedbackiem ludzkim (RLHF) lub pętle uczenia online.
10. Landing Page Score Calculator
Dane wejściowe: Współczynnik konwersji, współczynnik odrzuceń, CTR, czynniki jakościowe (jakość projektu/treści), metryki wydajności.
Dane wyjściowe: Skalarny wynik landing page.
Znaczenie: Kwantyfikuje jakość landing page dla podejmowania decyzji.
Zakres: Poziom dokumentu.
11. Search Result Page Generator
Rola: Generuje zarówno początkowe, jak i zaktualizowane strony wyników wyszukiwania.
Dane wejściowe: Zapytanie użytkownika, wynik landing page, wartość progowa.
Dane wyjściowe: Strona wyników wyszukiwania (potencjalnie z linkiem do strony wygenerowanej przez AI).
Znaczenie: Łączy systemy rankingowe i generatywne; warunkowo wprowadza alternatywy wygenerowane przez AI, gdy istniejące strony są niewystarczające.
Training vs Inference
Faza treningu:
- Pre-training (22): Generyczna inicjalizacja modelu przy użyciu danych na dużą skalę.
- Fine-tuning (24): Adaptacja specyficzna dla domeny lub organizacji.
- Reinforcement learning (26): Pętla feedbacku użytkownika poprzez warstwę feedbacku zasobów (140).
- Online learning (36): Ciągłe udoskonalanie poprzez sfederowany feedback lub feedback z urządzenia.
- Etapy optymalizacji (29-1 do 29-4): Stosowanie efektywności obliczeniowej i dostrajania parametrów opartego na gradientach.
Faza inferencji (wnioskowania):
- Przetwarzanie w czasie rzeczywistym: zapytanie użytkownika + dane kontekstowe → strona wygenerowana przez AI.
- Obliczanie wyniku landing page i bramkowanie progowe następuje tutaj.
- Moduły rankingowe i optymalizacyjne działają w trybie deterministycznym lub semi-uczonym.
- Wszystkie sygnały behawioralne i wydajnościowe (konwersja, odrzucenie, CTR) są aktywne.
Znaczenie: To rozróżnienie wyjaśnia, że decyzje dotyczące generowania i rankingu są procesami czasu inferencji, podczas gdy poprawa jakości i udoskonalanie personalizacji następują podczas treningu i uczenia online.
Implikacje dla SEO
Rozumienie na poziomie dokumentu
System ocenia całe landing pages (nie fragmenty) przy użyciu metryk behawioralnych i jakościowych. Oznacza to, że integralność strony na poziomie dokumentu - projekt, spójność treści i wydajność - bezpośrednio wpływa na obliczany wynik landing page.
Kontekstualizacja zorientowana na użytkownika
Integracja historii zapytań użytkownika i preferencji sugeruje kontekstowy model retrieval i generowania, zgodny z trendem ciągłości intencji i personalizacji.
Optymalizacja oparta na feedbacku
Obecność warstwy feedbacku zasobów i uczenia ze wzmocnieniem wskazuje, że pętle feedbacku zaangażowania użytkowników mogą bezpośrednio wpływać na przyszłą jakość generowania treści.
Logika zastępowania oparta na progach
Słabo działające landing pages mogą być zastępowane lub uzupełniane przez alternatywy wygenerowane przez AI, co sugeruje mechanizm widoczności uzależniony od wydajności.
Strategiczne rekomendacje SEO
Co robić:
- Optymalizuj holistyczną wydajność strony: Zapewnij zbalansowane metryki konwersji, odrzuceń i CTR, ponieważ wszystkie wpływają na wynik landing page.
- Zachowaj ciągłość kontekstową: Utrzymuj semantyczną spójność między intencją zapytania, treścią strony i powiązanymi zasobami, aby dopasować się do modelowania kontekstowego.
- Ułatwiaj pętle feedbacku: Zachęcaj do interakcji użytkowników, które mogą być uchwycone jako pozytywne sygnały (np. zaangażowanie w CTA, czas trwania).
- Projektuj z myślą o spójności multimodalnej: Tekst, obrazy i filmy powinny wzajemnie wzmacniać się semantycznie i wizualnie.
Czego unikać:
- Pofragmentowana lub niespójna treść: Rozłączne sekcje mogą obniżyć jakościowe wyniki treści.
- Ignorowanie kontekstu użytkownika: Statyczne landing pages, które nie uwzględniają wcześniejszego zapytania lub historii sesji, ryzykują zastąpienie przez alternatywy wygenerowane przez AI.
- Nadmierna optymalizacja jednej metryki: Skupianie się wyłącznie na CTR bez poprawy projektu lub jakości treści może nie poprawić złożonego wyniku landing page.
Dlaczego ten patent jest ważny dla SEO - i co może zmienić w SEO
1. Łączy ranking z generowaniem
Ten patent (US12536233B1) reprezentuje strukturalną zmianę: ranking w wyszukiwaniu i generowanie treści przez AI nie są już oddzielnymi systemami.
Tradycyjnie:
- Google rankinguje istniejące landing pages.
- Właściciele stron optymalizują te strony.
- Wyniki wyszukiwania wyświetlają linki do stron trzecich.
W tej architekturze:
- Google ocenia landing page.
- Jeśli działa słabo (na podstawie metryk behawioralnych i jakościowych),
- Google może wygenerować alternatywną landing page opartą na uczeniu maszynowym.
To oznacza, że wyszukiwarka nie jest już tylko systemem rankingowym - staje się producentem i optymalizatorem treści w czasie inferencji.
To zmienia równowagę sił między wydawcą a wyszukiwarką.
2. Ocena na poziomie dokumentu staje się krytyczna
Patent podkreśla:
Współczynnik konwersji
Współczynnik odrzuceń
CTR
Metryki projektu i jakości
Pętle feedbacku behawioralnego
To sugeruje, że całe landing pages są oceniane holistycznie, a nie tylko fragmenty lub dopasowania słów kluczowych.
Z perspektywy SEO jest to silnie zgodne z zasadami:
- Spójności semantycznej
- Hierarchii kontekstowej
- Semantyki makro i mikro
- Spójności na poziomie dokumentu
Ten patent operacjonalizuje tę ideę algorytmicznie.
Jeśli strona jest:
- Kontekstowo pofragmentowana
- Behawioralnie słaba
- Semantycznie niespójna
- Słaba w sygnałach zaangażowania
…może zostać zastąpiona.
3. Zastępowanie oparte na progach to prawdziwe zakłócenie
Najbardziej destrukcyjna część to mechanizm bramkowania progowego.
Jeśli: Wynik Landing Page < Próg → Pokaż stronę wygenerowaną przez AI zamiast tego.
To wprowadza nową rzeczywistość:
Twoja pozycja w rankingu może już nie gwarantować widoczności.
Nawet jeśli jesteś na #1:
Jeśli wynik twojej landing page jest niski,
Google może podmienić doświadczenie użytkownika na wersję generowaną.
To oznacza, że SEO nie polega już tylko na rankowaniu - chodzi o zachowanie zdolności do bycia wyświetlaną.
4. Sygnały behawioralne stają się wejściami strukturalnymi
Architektura z patentu obejmuje:
Asset Feedback Layer (140)
Pętle uczenia ze wzmocnieniem
Uczenie online
Sfederowane uczenie z urządzeń
To sprawia, że zaangażowanie użytkowników nie jest tylko sygnałem rankingowym, ale sygnałem treningowym!
Ten patent potwierdza ten kierunek:
- Historyczne zaangażowanie
- Bieżący feedback
- Spójność behawioralna
Wszystko to wpływa na priorytetyzację treści.
SEO przechodzi od statycznej optymalizacji do zgodności z modelem opartym na zachowaniu.
5. Spójność multimodalna będzie miała większe znaczenie
Patent integruje:
Generator tekstu
Generator obrazów
Generator audio
Generator wideo
To sugeruje, że przyszłe doświadczenia landing page mogą być:
- Dynamicznie składane
- Specyficzne dla zapytania
- Zoptymalizowane multimodalnie
To wzmacnia znaczenie semantyki makro i mikro w strukturyzowaniu treści.
Jeśli zasoby multimodalne muszą być semantycznie dopasowane:
- Niezgodność wizualno-tekstowa
- Przypadkowe umieszczenie mediów
- Rozcieńczenie kontekstu
…może obniżyć wyniki landing page.
Ostateczny wniosek
Ten patent sygnalizuje przejście od:
Rankowanie stron internetowych
Rankowanie + Generowanie + Zastępowanie doświadczeń landing page
Wyszukiwanie i generowanie zbiegają się w jednolity system adaptacyjny.
Jeśli ta architektura zostanie szeroko wdrożona:
- SEO będzie mniej zależne od statycznych czynników rankingowych
- Bardziej od integralności semantycznej na poziomie dokumentu
- Wzmocnienia behawioralnego
- Spójności multimodalnej
- Efektywności retrieval
- Jakości historycznego zaangażowania
Podsumowanie
Ta architektura reprezentuje zbieżność między systemami rankingowymi wyszukiwania a systemami generowania treści, gdzie ocena landing page i tworzenie treści oparte na AI działają w pętli feedbacku.
Kluczowa innowacja systemu polega na adaptacji generatywnej na poziomie dokumentu - strony nie są tylko oceniane, ale mogą być autonomicznie regenerowane na podstawie progów wydajności.
Dla strategów SEO oznacza to zmianę strukturalną: optymalizacja nie ogranicza się już do statycznych czynników rankingowych, ale rozciąga się na dynamiczną, mediowaną przez model syntezę treści, opartą na zachowaniu użytkowników i feedbacku.
Optymalizacja staje się mniej o graniu sygnałami - a bardziej o byciu węzłem informacyjnym o najniższych kosztach, najwyższej przejrzystości i najwyższej responsywności w grafie tematycznym.