| US 6,285,999 B1 Method for node ranking in a linked database | Lawrence Page | 2001 | PageRank | Comment l'autorité SEO circule vraiment : maillage interne et brevet PageRank de Google |
| US 6,526,440 B1 Ranking search results by reranking the results based on local inter-connectivity | Krishna Bharat | 2003 | Liens | LocalRank de Google : pourquoi les liens des pages déjà classées sur votre requête comptent davantage en SEO |
| US 7,346,839 B2 Information retrieval based on historical data | Anurag Acharya, Matt Cutts, Jeffrey Dean, Paul Haahr, Monika Henzinger, Urs Hoelzle, Steve Lawrence, Karl Pfleger, Olcan Sercinoglu, Simon Tong | 2008 | Idées reçues | L'âge du domaine n'est pas un facteur de classement Google : les preuves SEO |
| US 7,536,408 B2 Phrase-based indexing in an information retrieval system | Anna Lynn Patterson | 2009 | Indexation par phrases | Ce que l'indexation par phrases change pour le SEO : comment Google a appris qu'un sujet se compose de phrases liées |
| US 7,603,350 B1 Search result ranking based on trust | Ramanathan Guha | 2009 | Confiance | La confiance comme signal de classement SEO : le brevet Google qui classe les résultats selon ceux qui s'en portent garants |
| US 7,565,358 B2 Agent rank | David Minogue, Paul A. Tucker | 2009 | Auteurs | Agent Rank : le brevet Google à l'origine de l'idée d'Author Rank en SEO |
| US 7,636,714 B1 Determining query term synonyms within query context | John Lamping, Steven D. Baker | 2009 | Compréhension des requêtes | SEO et synonymes en contexte : comment Google apprend des sessions de recherche quels mots peuvent se remplacer |
| US 7,716,225 B1 Ranking documents based on user behavior and/or feature data | Jeffrey Dean, Corin Anderson, Alexis Battle | 2010 | Surfeur raisonnable | Le surfeur raisonnable : pourquoi Google ne donne pas le même poids à tous vos liens SEO |
| US 7,716,216 B1 Document ranking based on semantic distance between terms in a document | Georges R. Harik, Monika Henzinger | 2010 | Structure de page | La distance sémantique en SEO : comment Google mesure la proximité de vos termes grâce aux listes, titres et intertitres |
| US 8,046,371 B2 Scoring local search results based on location prominence | Brian O'Clair, Daniel Egnor, Lawrence E. Greenfield | 2011 | SEO local | La proéminence locale en SEO local : comment Google classe les commerces locaux au-delà de la distance |
| US 8,150,842 B2 Reputation of an author of online content | William C. Brougher, Nathan Stoll, Sepandar D. Kamvar, Michael D. Dixon | 2012 | Auteurs | La réputation des auteurs en SEO : le brevet Google qui classe les contenus selon la crédibilité de leur auteur |
| US 8,577,893 B1 Ranking based on reference contexts | Anna Lynn Patterson, Paul Haahr | 2013 | Liens | Le contexte des liens : comment Google lit les mots autour d'un lien pour repérer le spam SEO |
| US 8,407,231 B2 Document scoring based on link-based criteria | Anurag Acharya, Matt Cutts, Jeffrey Dean, Paul Haahr, Monika Henzinger, Steve Lawrence, Karl Pfleger, Simon Tong | 2013 | Liens | La vélocité des liens en SEO : comment Google lit l'historique de vos liens dans le temps |
| US 8,554,769 B1 Identifying gibberish content in resources | Shashidhar A. Thakur, Sushrut Karanjkar, Pavel Levin, Thorsten Brants | 2013 | Spam | Le contenu incohérent : comment Google utilise des modèles de langage pour détecter les pages SEO réécrites et bourrées de mots-clés |
| US 8,661,029 B1 Modifying search result ranking based on implicit user feedback | Hyung-Jin Kim, Simon Tong, Noam M. Shazeer, Michelangelo Diligenti | 2014 | Navboost | Navboost : comment le brevet des clics de Google reclasse les résultats, et ce que cela change pour le SEO |
| US 8,682,892 B1 Ranking search results | Navneet Panda, Vladimir Ofitserov | 2014 | Panda | Le brevet Panda de Google : pourquoi vos liens SEO doivent suivre vos recherches de marque |
| US 8,924,379 B1 Temporal-based score adjustments | Hyung-Jin Kim, Andrei Lopatenko | 2014 | Fraîcheur | SEO et fraîcheur des requêtes : comment Google décide, à partir des requêtes elles-mêmes, quand les résultats récents comptent |
| US 9,165,040 B1 Producing a ranking for pages using distances in a web-link graph | Nissan Hajaj | 2015 | PageRank | Le PageRank par pages de confiance de Google : pourquoi votre distance aux sites de référence fait votre autorité SEO |
| US 9,031,929 B1 Site quality score | April R. Lehman, Navneet Panda | 2015 | Qualité de site | Le score de qualité de site : comment Google transforme les recherches de marque en signal de qualité SEO |
| US 9,213,748 B1 Generating related questions for search queries | Yossi Matias, Dvir Keysar, Gal Chechik, Ziv Bar-Yossef, Tomer Shmiel | 2015 | Autres questions posées | Autres questions posées et SEO : comment le brevet des questions associées de Google choisit les questions affichées |
| US 8,938,463 B1 Modifying search result ranking based on implicit user feedback and a model of presentation bias | Hyung-Jin Kim, Adrian D. Corduneanu | 2015 | Signaux utilisateurs | Le biais de présentation en SEO : comment Google minore les clics obtenus grâce à la seule position et au gras |
| US 9,002,867 B1 Modifying ranking data based on document changes | Henele I. Adams, Hyung-Jin Kim | 2015 | Signaux utilisateurs | Réécriture de page, historique de clics et SEO : comment Google pèse les clics passés quand une page change |
| US 9,477,759 B2 Question answering using entity references in unstructured data | Dvir Keysar, Tomer Shmiel | 2016 | Entités | Les réponses par entités et le SEO : comment Google répond aux questions « qui » en comptant les entités des premiers résultats |
| US 9,767,157 B2 Predicting site quality | Navneet Panda, Yun Zhou | 2017 | Qualité de site | Prédire la qualité d'un site en SEO : comment Google note un nouveau site à partir de ses phrases |
| US 9,792,330 B1 Identifying local experts for local search | John Alastair Hawkins, Cristina Stancu-Mara | 2017 | SEO local | Les experts locaux et le SEO local : comment Google identifie les auteurs d'avis dont l'opinion classe les commerces locaux |
| US 9,959,315 B1 Context scoring adjustments for answer passages | Nitin Gupta, Srinivasan Venkatachary, Lingkun Chu, Steven D. Baker | 2018 | Extraits optimisés | Passages-réponses et titres SEO : comment Google utilise la hiérarchie de vos titres pour choisir une réponse mise en avant |
| US 9,940,367 B1 Scoring candidate answer passages | Steven D. Baker, Srinivasan Venkatachary, Robert Andrew Brennan, Per Bjornsson, Yi Liu, Hadar Shemtov, Massimiliano Ciaramita, Ioannis Tsochantaridis | 2018 | Extraits optimisés | La notation des passages-réponses en SEO : comment Google choisit le passage qui répond à une question |
| US 10,235,423 B2 Ranking search results based on entity metrics | Hongda Shen, David Francois Huynh, Grace Chung, Chen Zhou, Yanlai Huang, Guanghua Li | 2019 | Entités | Les entités plutôt que les mots-clés : ce que le Knowledge Graph de Google change pour vos contenus SEO |
| US 11,354,342 B2 Contextual estimation of link information gain | Victor Carbune, Pedro Gonnet Anders | 2022 | Gain d'information | Le gain d'information en SEO : le brevet Google qui note ce que votre page apporte de plus que les autres |
| US 11,769,017 B1 Generative summaries for search results | Matthew K. Gray, John Blitzer, Corinn Herrick, Srinivasan Venkatachary, Jayant Madhavan, Sam Oates, Phiroze Parakh, Aditya Shah, Mahsan Rofouei, Ibrahim Badr | 2023 | AI Overviews | AI Overviews et SEO : comment le brevet des résumés génératifs de Google choisit et cite ses sources |