Как Google рассчитывает репутационную значимость организаций и людей, используя данные из внешних источников для ранжирования

Термины и определения

Additional Aspects (Дополнительные Аспекты)

Информация о сущности, которая не была предоставлена напрямую, а была определена системой путем запроса данных из одного или нескольких внешних источников (different computing devices) на основе уже известных аспектов.

Entity (Сущность)

Объект, который система обрабатывает. Примеры включают организацию (бизнес, компанию), человека (соискателя, сотрудника), объявление (вакансию, объект недвижимости) или поставщика услуг.

Multi-Sourcing (Использование множества источников)

Процесс активного и итеративного сбора данных о сущности из различных внешних вычислительных устройств или баз данных.

Reputational Prominence (Репутационная Значимость)

Вычисляемая метрика, указывающая на репутацию (например, популярность, престиж) сущности относительно множества других сущностей аналогичного типа. Эта метрика рассчитывается системой, а не извлекается из источников.

Two-Way Correspondence (Двустороннее Соответствие)

Вычисляемая метрика, указывающая степень, в которой сущности разных типов соответствуют или привлекательны друг для друга (взаимная привлекательность).

Interactions (Взаимодействия)

Действия пользователей, такие как клики (click-through rates), которые используются системой в качестве обратной связи для обновления метрик.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает метод оценки репутации организации и генерации упорядоченной выдачи.

1. Система получает данные, описывающие аспекты сущности (конкретно: организация и ее название).
2. Система определяет Additional Aspects этой сущности, основываясь на исходных аспектах и данных, полученных из внешних (different) вычислительных устройств. (Конкретно: дополнительные аспекты включают идентификацию одного или нескольких лиц, связанных с организацией).
3. Система вычисляет метрику Reputational Prominence этой сущности относительно других сущностей аналогичного типа. Важное уточнение: ни исходные данные, ни данные из внешних источников не содержат эту метрику; она рассчитывается системой.
4. Система определяет дополнительные метрики значимости других сущностей.
5. Система генерирует упорядоченный список (listing) результатов поиска или рекомендаций, порядок в котором основан на всех рассчитанных метриках значимости.

Claim 8 (Зависимый от 1): Описывает метод определения соответствия между двумя сущностями разных типов (матчинг).

1. Система обрабатывает Сущность 1 (Тип А) и Сущность 2 (Тип Б), определяя для них Additional Aspects.
2. Система вычисляет метрику соответствия (Two-Way Correspondence) между Сущностью 1 и Сущностью 2. Этот расчет основывается на Additional Aspects Сущности 2 и метрике Reputational Prominence Сущности 1.

Claim 10 (Зависимый от 8): Уточняет метод расчета соответствия с помощью ML.

Определение метрики соответствия может включать использование модели машинного обучения (machine-learning model). Модель обучается на исторических данных о том, насколько успешно в прошлом взаимодействовали сущности Типа А и Типа Б, обладающие схожими Additional Aspects.

Claim 4 и 5 (Зависимые от 1): Описывают механизм обратной связи.

1. После генерации результатов система отслеживает взаимодействия (interactions) пользователей с ними (например, click-through rate).
2. На основе этих взаимодействий система вычисляет обновленную метрику (updated metric) репутационной значимости.
3. Система генерирует новые результаты на основе обновленной метрики.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, с акцентом на обогащение данных и ранжирование.

INDEXING – Индексирование и извлечение признаков
Основной этап для обогащения данных. Система активно запрашивает внешние источники (Multi-Sourcing) для выявления Additional Aspects. Это ключевой процесс извлечения признаков (Feature Extraction). Расчет метрик Reputational Prominence, вероятно, происходит на этом этапе или в ходе офлайн-обработки, так как требует сравнения сущности с множеством аналогов. Эти данные сохраняются как аннотации к сущностям.

RANKING – Ранжирование
Метрики Reputational Prominence и Two-Way Correspondence используются как сильные сигналы ранжирования. В специализированных вертикалях (например, Google for Jobs, Local Search, поиск услуг) эти метрики могут иметь определяющее значение для упорядочивания результатов.

RERANKING – Переранжирование
Финальный список упорядочивается на основе метрик. Также на этом этапе учитывается обратная связь: взаимодействия пользователей (Interactions, CTR) отслеживаются и используются для последующего обновления метрик.

Входные данные:

• Явные аспекты сущностей (например, данные профиля, текст вакансии, микроразметка).
• Данные из внешних источников (новости, финансовые отчеты, профессиональные сети, биографические данные).
• Логи взаимодействий пользователей (CTR).
• Исторические данные о соответствиях (для ML-моделей).

Выходные данные:

• Метрики Reputational Prominence для сущностей.
• Метрики Two-Way Correspondence между парами сущностей.
• Упорядоченный список поисковых результатов или рекомендаций.

На что влияет

• Конкретные ниши и типы контента: Патент имеет критическое значение для вертикалей, где требуется сопоставление сущностей и учет репутации. Явно упоминаются (Claims 11-13):
  • Поиск работы (Google Jobs): Сопоставление вакансий и кандидатов.
  • Недвижимость: Сопоставление покупателей и листингов.
  • Профессиональные услуги: Сопоставление клиентов и поставщиков услуг.
• Сущности (Entities): Влияет на оценку организаций, брендов и персоналий (E-E-A-T), что критично для YMYL-тематик.

Когда применяется

• Условия применения: Когда система обрабатывает типы сущностей, для которых возможно рассчитать относительную репутацию из внешних данных, и/или когда требуется оценка взаимной привлекательности.
• Временные аспекты: Расчет Reputational Prominence происходит при индексации/обновлении данных. Применение метрик — во время ранжирования. Обновление метрик — после получения данных о взаимодействиях.

Пошаговый алгоритм

Патент описывает несколько взаимосвязанных процессов.

Процесс А: Расчет Репутационной Значимости (Reputational Prominence)

1. Получение явных аспектов: Система получает исходные данные о Сущности 1 (например, Название Компании).
2. Итеративное обогащение данных (Multi-Sourcing):
   • Система использует явные аспекты для запроса к Источнику Х (например, бизнес-каталог), чтобы найти Additional Aspect (например, Имя Руководителя/Связанного лица).
   • Система использует новый аспект (Имя Руководителя) для запроса к Источнику Y (например, профессиональная сеть), чтобы найти дальнейший Additional Aspect (например, Предыдущее место работы Руководителя).
3. Расчет метрики: Система анализирует совокупность всех выявленных аспектов (например, престиж предыдущего места работы Руководителя) для расчета Reputational Prominence Сущности 1 по сравнению с аналогичными сущностями.
4. Генерация и Ранжирование: Система генерирует список результатов, упорядоченный с использованием рассчитанных метрик.

Процесс Б: Расчет Двустороннего Соответствия (Two-Way Correspondence)

1. Анализ Сущностей 1 и 2: Выполняется Процесс А для Сущности 1 (например, Вакансия) и Сущности 2 (например, Кандидат).
2. Определение соответствия: Система вычисляет метрику Two-Way Correspondence. Расчет может использовать:
   • Сравнение аспектов: Поиск совпадений между Additional Aspects (например, общее предыдущее место работы у связанных лиц).
   • Сравнение репутации: Использование метрик Reputational Prominence (например, высокорепутационный кандидат соответствует высокорепутационной вакансии).
   • Машинное обучение: Использование ML-модели, обученной на исторических данных о соответствиях.
3. Ранжирование по соответствию: Генерация списка рекомендаций, упорядоченного по метрике Two-Way Correspondence.

Процесс В: Обновление метрик (Обратная связь)

1. Мониторинг взаимодействий: Система отслеживает взаимодействия пользователей с результатами (например, CTR).
2. Перерасчет метрик: Система использует данные о взаимодействиях для определения обновленных метрик (updated metrics).
3. Обновление результатов: Генерация новых результатов на основе обновленных метрик.

Какие данные и как использует

Данные на входе

Система использует комбинацию данных, предоставленных сущностью, и данных, полученных извне.

• Контентные и Структурные факторы (Явные Аспекты): Данные, предоставленные самой сущностью. Текст описаний, заголовки, микроразметка (Schema.org для Organization, Person, JobPosting). Примеры: название организации, должность, история работы.
• Внешние данные (Multi-Sourced Data): Критически важный компонент для выявления Additional Aspects. Патент упоминает:
  • Профессиональные и социальные сети.
  • Биографические базы данных (информация о менеджменте).
  • Финансовая информация (выручка, финансирование, стоимость акций).
  • Новостные ресурсы.
  • Данные отраслевых ассоциаций.
• Поведенческие факторы (Interactions): Данные о взаимодействии пользователей с результатами. Явно упоминаются click-through rates (CTR).

Какие метрики используются и как они считаются

• Reputational Prominence: Метрика относительного престижа. Рассчитывается на основе качества и значимости выявленных Additional Aspects. Зависит от связей сущности (например, репутации связанных людей и репутации организаций, где эти люди работали ранее). Она вычисляется системой и не присутствует во входных данных.
• Two-Way Correspondence: Метрика взаимной привлекательности. Рассчитывается на основе совпадения Additional Aspects, метрик Reputational Prominence обеих сущностей и моделей машинного обучения.
• Метрики взаимодействия: CTR, соотношение заявок к показам. Патент также упоминает возможность взвешивания показов (weighted impressions), чтобы учесть вероятность того, что пользователь действительно увидел результат (например, учет позиции на странице).

1. Репутация как вычислимая метрика (E-E-A-T): Reputational Prominence — это алгоритмически вычисляемая метрика престижа и авторитетности. Это демонстрирует конкретный механизм, как Google может оценивать E-E-A-T сущностей (людей, организаций).
2. Критическая важность внешних данных (Multi-Sourcing): Система агрессивно обогащает свое понимание сущностей, используя данные из множества внешних источников. Репутация зависит не от того, что сущность говорит о себе, а от того, что о ней говорят авторитетные внешние источники.
3. Глубокий анализ связей сущности: Система проводит итеративный анализ связей (например, от компании к менеджеру, от менеджера к его прошлой работе), чтобы определить репутацию. Репутация связанных лиц переносится на организацию (Claim 1).
4. Взаимная привлекательность как фактор ранжирования: В сценариях сопоставления (Jobs, Services, Real Estate) система приоритезирует Two-Way Correspondence (взаимную привлекательность), а не только одностороннюю релевантность.
5. Использование ML и обратной связи: Метрики динамичны и корректируются на основе моделей машинного обучения (Claim 10) и реальных взаимодействий пользователей (CTR, Claims 4, 5), что позволяет системе адаптироваться.

Best practices (это мы делаем)

• Управление цифровым следом сущности (Entity Footprint Management): Это ключевой вывод. Необходимо активно управлять присутствием организации и ее ключевых лиц (руководителей, экспертов, авторов) на авторитетных внешних платформах (профессиональные сети, отраслевые СМИ, базы данных). Эти данные являются источником Additional Aspects.
• Построение E-E-A-T ключевых лиц: Поскольку репутация и история ключевого персонала используются для расчета Reputational Prominence организации, важно делать эту информацию доступной и следить за ее качеством. Достижения, опыт работы в престижных компаниях, публикации должны быть видимы для поисковых систем.
• Консистентность данных (Consistency): Обеспечьте точность и согласованность информации о сущности (NAP, ключевые лица, основная деятельность) на всех платформах. Это облегчает системе процесс связывания внешних данных с вашей сущностью.
• Использование детальной микроразметки: Предоставляйте максимально подробные явные Aspects с помощью Schema.org. Это дает системе точные отправные точки для процесса обогащения данных из внешних источников.

Worst practices (это делать не надо)

• Игнорирование внешних сигналов и изоляция: Фокусироваться только на on-page SEO и игнорировать присутствие во внешней экосистеме. Если Google не сможет найти подтверждающие Additional Aspects из авторитетных источников, Reputational Prominence будет низкой.
• Анонимность ключевых лиц: Скрытие информации о руководителях или авторах. Патент явно указывает, что идентификация связанных лиц и анализ их истории является частью процесса оценки репутации.
• Манипуляция ассоциациями на низкокачественных площадках: Попытки искусственно создать авторитетность через некачественные пресс-релизы или фейковые профили. Система Multi-Sourcing направлена на верификацию связей через авторитетные источники.

Стратегическое значение

Патент подтверждает стратегическую важность перехода от оптимизации страниц к оптимизации сущностей (Entity Optimization) и построению E-E-A-T. Он демонстрирует алгоритмическую основу для оценки репутации, основанную на верифицируемых данных из множества источников. Долгосрочная SEO-стратегия должна включать элементы Digital PR и управления репутацией для обеспечения видимости сущности и ее представителей на авторитетных внешних платформах.

Практические примеры

Сценарий 1: Повышение Reputational Prominence медицинской клиники (E-E-A-T)

1. Исходные данные (на сайте): Название клиники, список врачей (Явные Аспекты).
2. Действия SEO/PR: Обеспечить, чтобы ведущие врачи имели полные профили в профессиональных сетях и медицинских каталогах, с указанием образования и предыдущих мест работы в престижных институтах. Публиковать новости о достижениях врачей в СМИ.
3. Процесс Google:
   • Google извлекает Additional Aspects: идентифицирует врачей, находит их профили во внешних источниках.
   • Извлекает дальнейшие аспекты: определяет престижные институты, где они работали.
4. Результат: Система рассчитывает более высокую Reputational Prominence для клиники благодаря подтвержденному опыту ее врачей, что приводит к лучшему ранжированию в локальном и органическом поиске.

Сценарий 2: Оптимизация вакансии для Google for Jobs (Two-Way Correspondence)

1. Задача: Повысить видимость вакансии и привлечь релевантных кандидатов.
2. Действия HR/SEO: Внедрить детальную разметку JobPosting. Убедиться, что у нанимающего менеджера есть актуальный, качественный профиль в профессиональной сети, доступный для сканирования.
3. Процесс Google: Google идентифицирует профиль менеджера (Внешний источник) и определяет, что он ранее работал в компании-лидере индустрии (Additional Aspect). Это повышает Reputational Prominence вакансии.
4. Результат: Вакансия ранжируется выше для кандидатов, которые также имеют высокую Reputational Prominence или чьи Additional Aspects совпадают (например, они также работали в той же компании-лидере), что приводит к высокому показателю Two-Way Correspondence.