Как Google анализирует контент вашего сайта для валидации и приоритизации предлагаемых ключевых слов в своих инструментах

Термины и определения

Affinity Score (Оценка близости/аффинитивности)

Общий термин для метрик (Keyword-Seed и Category-Seed), измеряющих частоту совместного появления ключевых слов на информационных ресурсах Domain Entity. Является мерой контекстуальной релевантности.

Category-Seed Affinity Score

Агрегированная метрика для Keyword Category, основанная на Keyword-Seed Affinity Scores входящих в нее слов. Используется для валидации категорий и разрешения конфликтов.

Domain Entity (Доменная сущность/Субъект домена)

Владелец веб-сайта (например, рекламодатель), для которого генерируются подсказки и чей контент анализируется.

Information Resource (Информационный ресурс)

Веб-страница или документ, принадлежащий Domain Entity.

Keyword Category (Категория ключевых слов)

Кластер семантически связанных ключевых слов-кандидатов.

Keyword-Seed Affinity Score

Метрика для отдельного ключевого слова, основанная на частоте его совместного появления с Seed Keyword на ресурсах Domain Entity. Может быть взвешена и нормализована.

Seed Keyword (Исходное/Посевное ключевое слово)

Ключевое слово, предоставленное пользователем в качестве отправной точки.

Semantic Conflict (Семантический конфликт)

Ситуация неоднозначности, когда две или более Keyword Categories несовместимы или представляют разные значения одного термина (например, "Java" как кофе или язык программирования).

Semantic Distance (Семантическое расстояние)

Мера семантической близости между двумя узлами в Semantic Relationship Graph.

Semantic Relationship Graph (Граф семантических отношений)

Структура данных (узлы=ключевые слова, ребра=Semantic Distance), используемая для генерации связанных ключевых слов и выявления конфликтов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод измерения релевантности с акцентом на разрешении семантических конфликтов.

1. Система получает Seed Keyword от Domain Entity (с веб-адресом).
2. Используя Semantic Relationship Graph, идентифицируются Keyword Categories (Первая и Вторая), близкие к исходному слову.
3. Система извлекает Information Resource (веб-страницу) Domain Entity.
4. Для каждого слова вычисляется Keyword-Seed Affinity Score на основе частоты его совместного появления с Seed Keyword в основном контенте (Primary Content) ресурса.
5. Вычисляются агрегированные Category-Seed Affinity Scores (Первый и Второй).
6. Система идентифицирует Semantic Conflict между Первой и Второй категориями (используя данные графа).
7. В ответ на конфликт система сравнивает Первый и Второй Category-Seed Affinity Scores.
8. Система передает результаты, помечая категорию с более высокой оценкой как selected (релевантную для домена), а с более низкой — как unselected (нерелевантную).

Ядро изобретения — валидация общих семантических связей с помощью контента конкретного сайта и автоматическое разрешение неоднозначности путем выбора интерпретации, которая лучше всего поддерживается этим контентом.

Claim 5 (Зависимый): Детализирует расчет Keyword-Seed Affinity Score.

Расчет включает парсинг ресурса для определения терминов и их расположения (placement). Система определяет семантическое соответствие (semantic match) между терминами на странице и анализируемыми ключевыми словами. Keyword-Seed Affinity Score рассчитывается с учетом расположения (placement) ключевого слова на ресурсе. Это указывает на использование взвешивания по заметности и возможность учета синонимов/близких терминов, а не только точных совпадений.

Claim 6 и 7 (Зависимые): Детализируют корректировки Affinity Score.

Оценка может корректироваться на основе иерархической глубины (hierarchical depth) информационного ресурса (Claim 6) и нормализоваться с помощью фактора (normalization factor), указывающего среднюю частоту слова в общем корпусе текстов (Claim 7, аналог TF-IDF).

Где и как применяется

Этот патент не описывает алгоритмы ранжирования Google Search (Web/SERP). Он описывает систему, предназначенную для инструментов, используемых поставщиками контента (Content Providers), вероятнее всего, Google Ads Keyword Planner.

CRAWLING и INDEXING (Использование инфраструктуры)
Система должна иметь возможность сканировать и индексировать (парсить) информационные ресурсы конкретной Domain Entity для извлечения текста, определения расположения терминов (placement) и иерархической глубины страницы (hierarchical depth).

QUNDERSTANDING (Использование инфраструктуры)
Система использует предварительно созданный Semantic Relationship Graph (продукт глобальных процессов Google по пониманию языка) для генерации кандидатов и определения семантических расстояний и конфликтов.

Входные данные:

• Seed Keyword.
• Идентификатор Domain Entity (URL сайта).
• Semantic Relationship Graph.
• Корпус текстов сайта Domain Entity.

Выходные данные:

• Список сгенерированных Keyword Categories и ключевых слов с индикацией статуса (selected или unselected).

На что влияет

• Инструменты Google Ads: Напрямую влияет на точность и релевантность предложений в Планировщике ключевых слов.
• Специфические запросы: Наибольшее влияние на многозначные запросы (полисемия), где требуется разрешение Semantic Conflict для определения контекста сайта.

Когда применяется

Алгоритм активируется в момент, когда пользователь (Domain Entity) запрашивает генерацию дополнительных ключевых слов на основе Seed Keyword в рамках платформы управления контентом/рекламой и предоставляет свой домен для анализа.

Пошаговый алгоритм

Этап 1: Генерация и Кластеризация Кандидатов

1. Получение ввода: Система получает Seed Keyword и идентификатор Domain Entity.
2. Обход графа: Доступ к Semantic Relationship Graph. Поиск узлов (кандидатов), чье Semantic Distance от исходного слова не превышает порога.
3. Кластеризация: Группировка кандидатов в Keyword Categories с помощью алгоритма кластеризации (например, k-NN).

Этап 2: Анализ Контента и Расчет Оценок

1. Сбор и Парсинг Ресурсов: Получение и анализ Information Resources (веб-страниц) Domain Entity.
2. Подсчет частоты: Для каждого кандидата подсчитывается частота совместного появления (co-occurrence) с Seed Keyword в контенте.
3. Расчет Keyword Affinity: Вычисление Keyword-Seed Affinity Score. Оценка корректируется (взвешивается) на основе:
   • Расположения слова на странице (placement).
   • Иерархической глубины страницы (hierarchical depth).
   • Нормализации (например, TF-IDF) с использованием общего корпуса текстов.
4. Расчет Category Affinity: Агрегация оценок слов для расчета Category-Seed Affinity Score.

Этап 3: Фильтрация и Разрешение Конфликтов

1. Фильтрация по порогу: Слова и категории, чьи Affinity Scores ниже порогов, помечаются как unselected.
2. Идентификация конфликтов: Проверка наличия Semantic Conflict между категориями с помощью графа.
3. Разрешение конфликтов: Если конфликт обнаружен, Category-Seed Affinity Scores сравниваются. Категория с наивысшей оценкой помечается как selected, остальные конфликтующие — как unselected.
4. Вывод: Генерация интерфейса с результатами.

Какие данные и как использует

Данные на входе

• Контентные факторы: Основной текст (Primary Content) веб-страниц Domain Entity. Система анализирует совместную встречаемость терминов.
• Структурные факторы: Расположение (placement) терминов на странице используется для взвешивания оценок близости. Упоминается возможность учета размера шрифта.
• Технические факторы: URL-структура используется для определения иерархической глубины (hierarchical depth) страницы, что также используется для взвешивания.
• Внешние данные: Semantic Relationship Graph и данные общего корпуса текстов (для нормализации).

Какие метрики используются и как они считаются

• Semantic Distance: Извлекается из графа. Используется для генерации кандидатов и выявления конфликтов.
• Frequency Count (Co-occurrence): Базовый подсчет совместных появлений Seed Keyword и кандидата на домене.
• Keyword-Seed Affinity Score: Вычисляется на основе Frequency Count с применением взвешивания и нормализации.
  • Взвешивание: Учитывает placement и hierarchical depth.
  • Нормализация (Normalization Factor): Корректировка на основе средней частоты слова в общем корпусе (аналог IDF).
• Category-Seed Affinity Score: Агрегация (например, взвешенное среднее) Keyword-Seed Affinity Scores слов в категории.

1. Контекст сайта определяет релевантность. Ключевой вывод: Google использует контент конкретного сайта как источник истины для валидации семантических связей. Общая семантическая близость (из графа) вторична по отношению к фактическому использованию терминов на домене.
2. Co-occurrence как механизм валидации и разрешения неоднозначности. Анализ совместной встречаемости является центральным элементом для расчета Affinity Score и, что критически важно, для разрешения Semantic Conflicts (многозначности).
3. Детализированный анализ контента. Система учитывает не только наличие слов, но и их важность, которая определяется расположением на странице (placement) и иерархией сайта (hierarchical depth).
4. Использование нормализации (TF-IDF). Применение Normalization Factor показывает, что система снижает вес общеупотребительных слов, фокусируясь на терминах, специфичных для тематики сайта.
5. Инструмент оптимизации, а не ранжирования. Описанные механизмы применяются для улучшения работы инструментов (например, Google Ads), а не для ранжирования в органическом поиске.

Best practices (это мы делаем)

Хотя патент описывает работу инструментов, он дает важные инсайты для SEO-стратегии контента и понимания Topical Authority:

• Усиление Topical Authority через Co-occurrence: Для установления релевантности сайта по теме необходимо обеспечить частое совместное использование связанных концепций (ключевых слов из одной категории) вместе с основной темой (Seed Keyword) в контенте всего сайта. Это создает сильные сигналы Affinity Score.
• Четкое разрешение неоднозначности в контенте: При работе с многозначными терминами убедитесь, что контент сайта явно отдает предпочтение нужной интерпретации за счет частого использования поддерживающих контекстных терминов. Это позволит выиграть в разрешении Semantic Conflict.
• Оптимизация расположения ключевых терминов: Поскольку placement учитывается при взвешивании, размещайте важные семантические связки в заметных частях контента (заголовки, начало текста).
• Стратегическая структура сайта: Так как патент упоминает взвешивание по hierarchical depth, важно поддерживать логичную иерархию. Ключевой контент, определяющий тематику, должен находиться на оптимальной глубине, ближе к корню сайта.
• Использование специфической лексики (TF-IDF): Используйте термины, специфичные для вашей ниши. Благодаря механизму нормализации, такие термины получат больший вес, что повысит тематическую релевантность.

Worst practices (это делать не надо)

• Размытие тематики (Topic Dilution): Создание контента на разрозненные темы или смешивание контекстов может привести к низким Affinity Scores и затруднить для Google определение основной специализации сайта.
• Изолированное использование ключевых слов (Keyword Stuffing без контекста): Использование основных ключевых слов без поддерживающего семантического окружения (связанных терминов). Система не сможет подтвердить релевантность связанных понятий из-за отсутствия co-occurrence.
• Создание "тонких" контентных силосов: Создание страниц под отдельные ключевые слова без их интеграции в более широкую тематическую структуру, где концепции взаимодействуют, не позволит создать сильную аффинитивность на уровне категорий.

Стратегическое значение

Патент подтверждает способность Google детально анализировать контент конкретного сайта для определения его ключевых тем и контекста. Стратегически это подтверждает необходимость перехода от оптимизации под отдельные запросы к построению Тематического Авторитета (Topical Authority). Сайт должен демонстрировать глубокое покрытие темы через последовательное использование семантически связанного словаря, где основные и вспомогательные темы тесно переплетены и часто употребляются совместно.

Практические примеры

Сценарий: Разрешение неоднозначности для сайта о "Ягуаре" (Jaguar)

1. Domain Entity: Сайт автодилера Jaguar.
2. Seed Keyword: "Jaguar".
3. Генерация и Конфликт: Система генерирует две конфликтующие категории: A (Автомобили: двигатель, модель XF) и B (Животные: джунгли, хищник).
4. Анализ сайта: Система анализирует сайт автодилера и обнаруживает высокую частоту совместной встречаемости "Jaguar" со словами из категории A и нулевую с категорией B.
5. Расчет Affinity Score: Category-Seed Affinity Score A высокий, B — низкий.
6. Результат: Система разрешает Semantic Conflict в пользу категории A ("Автомобили"). При предложении ключевых слов категория B будет отклонена.

SEO-действие: SEO-специалист должен убедиться, что контент сайта постоянно подкрепляет автомобильный контекст, используя релевантную лексику совместно с брендом Jaguar, чтобы максимизировать Affinity Score для нужной тематики.