Google может улучшить ранжирование, анализируя структуру ссылок внутри начального набора результатов поиска. Документы, на которые часто ссылаются другие высокорелевантные документы по этому же запросу («локальные эксперты»), получают повышение. Этот процесс включает строгие фильтры для обеспечения независимости этих ссылок-голосов.

Описание

Какую проблему решает

Патент решает задачу улучшения стандартного ранжирования релевантности путем выявления «локальных авторитетов» или «экспертных документов» по конкретному запросу. Стандартные алгоритмы могут неточно определять наиболее авторитетные источники в рамках узкой темы. Изобретение использует структуру ссылок внутри набора релевантных результатов для выявления документов, которые признаны авторитетными другими релевантными документами. Кроме того, он устраняет манипуляции, связанные с самоцитированием и перекрестными ссылками между аффилированными сайтами.

Что запатентовано

Запатентована система переранжирования результатов поиска на основе локальной взаимосвязанности (local inter-connectivity). Система вычисляет LocalScore для документа, основываясь на том, сколько других документов из того же набора результатов ссылаются на него. Этот процесс включает сложные фильтры для обеспечения того, чтобы учитывались только независимые ссылки (голоса) от неаффилированных хостов. Итоговый рейтинг (NewScore) является функцией исходной релевантности и локального авторитета.

Как это работает

Система работает динамически для каждого запроса:

  • Первичное ранжирование: Генерируется начальный набор релевантных документов (например, Топ-1000), каждый из которых имеет исходную оценку релевантности (OldScore).
  • Анализ связей: Система анализирует, как документы в этом наборе ссылаются друг на друга.
  • Фильтрация (Анти-спам): Удаляются ссылки с того же хоста (самоцитирование) и ссылки с аффилированных хостов. Если один хост ссылается несколько раз, учитывается только одна ссылка (голос) с наивысшим OldScore. Идентификация хоста часто происходит по первым трем октетам IP-адреса (IP3).
  • Расчет локального авторитета: Вычисляется LocalScore как сумма OldScores топовых (например, Топ-20) независимых документов, которые ссылаются на данный документ.
  • Переранжирование: Вычисляется NewScore путем комбинации нормализованных значений OldScore и LocalScore.

Актуальность для SEO

Средне-высокая. Концепция тематического авторитета и выявления экспертных источников (E-E-A-T) является центральной в современном SEO. Этот патент (изобретатель Krishna Bharat, связанный с алгоритмом Hilltop и HITS) заложил основу для анализа авторитетности в контексте конкретного запроса. Хотя точные методы реализации, описанные в патенте (например, использование сырых IP-адресов и конкретные формулы), вероятно, устарели и заменены более сложными подходами, базовый принцип оценки независимых тематических рекомендаций остается крайне актуальным.

Важность для SEO

Патент имеет значительное влияние на SEO-стратегию (7/10). Он подчеркивает, что недостаточно быть просто релевантным запросу (высокий OldScore); необходимо быть признанным авторитетом среди других релевантных ресурсов (высокий LocalScore). Это напрямую влияет на стратегию построения тематического авторитета и линкбилдинга, акцентируя внимание на получении ссылок от тематически релевантных «соседей» по выдаче, а не только от глобально авторитетных сайтов.

Детальный разбор

Термины и определения

Affiliated Host (Аффилированный хост)
Хост, который содержит тот же или почти тот же контент, что и другой хост (например, зеркало сайта), или иным образом связан с ним. Используется в фильтрах для предотвращения манипуляций.
B(y)
Набор документов из начального набора результатов, которые содержат гиперссылку на документ 'x'.
BackSet(y)
Отфильтрованный и отсортированный набор топовых 'k' (например, 20) документов из B(y). Это документы, чьи оценки используются для расчета LocalScore.
Host (Хост)
Сервер, на котором размещен документ. В контексте патента часто определяется по IP-адресу.
IP3(x)
Первые три октета IP-адреса хоста документа 'x' (IP-подсеть). Используется как быстрый способ идентификации хоста или группы связанных хостов.
LocalScore(x)
Оценка локального авторитета документа 'x'. Квантифицирует степень, в которой на документ ссылаются другие независимые документы из того же начального набора результатов.
MaxLS
Максимальное значение LocalScore среди всех документов в начальном наборе.
MaxLSMin
Минимальное пороговое значение для MaxLS. Используется для снижения влияния LocalScore, если общая взаимосвязанность в наборе результатов низкая.
MaxOS
Максимальное значение OldScore среди всех документов в начальном наборе.
NewScore(x)
Итоговая оценка ранжирования документа 'x' после переранжирования. Является функцией от LocalScore(x) и OldScore(x).
OldScore(x)
Исходная оценка релевантности документа 'x', присвоенная основной системой ранжирования до применения данного алгоритма.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод идентификации релевантных документов.

  1. Получение начального набора релевантных документов из корпуса.
  2. Ранжирование начального набора для получения оценки релевантности (relevance score, т.е. OldScore) для каждого документа.
  3. Вычисление локальной оценки (local score value, т.е. LocalScore) для документов в наборе. Эта оценка квантифицирует, насколько часто на документы ссылаются другие документы в этом же наборе.
  4. Уточнение (пересчет) оценок релевантности на основе локальных оценок.

Claim 2 (Зависимый от 1): Детализирует процесс вычисления LocalScore и вводит первый фильтр.

  1. Формирование подмножества (B(y)) документов из начального набора, которые содержат гиперссылку на конкретный документ 'x'.
  2. Фильтр 1: Удаление из этого подмножества документов, которые находятся на том же хосте или на аффилированном хосте, что и документ 'x'. (Предотвращение самоцитирования).

Claim 3 (Зависимый от 2): Вводит второй фильтр для обеспечения независимости голосов.

  1. Фильтр 2: Для каждой пары документов в подмножестве (B(y)), которые находятся на одном и том же или аффилированном хосте, удаляется тот документ из пары, у которого оценка релевантности (OldScore) ниже. (Принцип: один хост — один голос).

Claim 6 (Зависимый от 3): Определяет формулу расчета LocalScore.

Локальная оценка вычисляется как сумма исходных оценок релевантности документов, оставшихся в подмножестве, возведенных в степень 'm', ограниченная первыми 'k' документами (BackSet).

Выводы

  1. Авторитет зависит от запроса (Query-Dependent Authority): Патент описывает механизм, аналогичный HITS или локализованному PageRank. Он измеряет не глобальный авторитет сайта, а его авторитет в контексте конкретного запроса, основываясь на мнении других релевантных документов («локальных экспертов»).
  2. Критичность независимых рекомендаций: Ядром изобретения являются строгие фильтры для борьбы с манипуляциями. Система активно игнорирует самоцитирование и гарантирует, что один хост (определяемый по подсети IP) может отдать только один «голос» в пользу другого документа (Фильтры 1 и 2). Это подчеркивает важность разнообразия ссылочного профиля.
  3. Мультипликативный эффект релевантности и авторитета: Итоговая формула NewScore комбинирует исходную релевантность (OldScore) и локальный авторитет (LocalScore) мультипликативно. Документ должен быть и релевантным сам по себе, и иметь поддержку от других релевантных документов, чтобы достичь топа.
  4. Снижение влияния при низкой связности: Система предусматривает механизм защиты (MaxLSMin). Если в выдаче мало перекрестных ссылок, влияние LocalScore на итоговый результат снижается, и ранжирование больше полагается на OldScore.
  5. Технические индикаторы аффилированности: Патент явно указывает на использование технических данных (IP-адреса, IP3) для идентификации связанных сайтов, что имеет прямые последствия для размещения PBN и сателлитов.

Практика

Best practices (это мы делаем)

  • Создание контента, достойного цитирования (Cite-Worthy Content): Фокусируйтесь на создании первоисточников, исследований, уникальных данных и исчерпывающих руководств. Цель — стать тем ресурсом, на который будут ссылаться другие авторы при освещении этой темы.
  • Построение тематического авторитета (Topical Authority): Необходимо стать признанным экспертом в нише. Алгоритм вознаграждает документы, которые являются «хабами» информации и получают признание от «соседей» по тематике.
  • Целевой линкбилдинг от тематических «экспертов»: Приоритет в линкбилдинге следует отдавать получению ссылок со страниц, которые уже высоко ранжируются по целевым или смежным запросам. Эти ссылки имеют наибольший вес для повышения LocalScore.
  • Обеспечение технической независимости ресурсов: Если вы управляете несколькими сайтами в одной нише (например, сателлитами или PBN), критически важно размещать их на разных хостингах и в разных подсетях (разные IP3). Google активно ищет и нейтрализует перекрестные ссылки между технически связанными ресурсами.

Worst practices (это делать не надо)

  • Перекрестные ссылки между аффилированными сайтами: Создание сеток сайтов для взаимного цитирования неэффективно, если Google может идентифицировать их как аффилированные (через IP, общие шаблоны или контент). Фильтры 1 и 2 нейтрализуют такие ссылки.
  • Размещение на общем хостинге или общих IP: Размещение важных сайтов в одной подсети (одинаковый IP3) создает риск того, что ссылки между ними будут проигнорированы данным алгоритмом.
  • Создание зеркал и дублирующего контента для ссылок: Использование зеркальных сайтов для генерации ссылок бесполезно, так как патент явно описывает механизмы идентификации и исключения таких хостов (affiliated hosts).
  • Манипуляции ссылками внутри сайта: Попытки повысить рейтинг страницы за счет большого количества внутренних ссылок с других страниц того же сайта не влияют на LocalScore, так как Фильтр 1 удаляет ссылки с того же хоста.

Стратегическое значение

Этот патент подтверждает, что Google давно рассматривает ссылки не просто как голоса популярности (PageRank), но и как индикаторы тематического авторитета в контексте запроса. Стратегически это означает, что SEO должно быть направлено на интеграцию сайта в «экосистему» экспертов по данной теме. Долгосрочная стратегия должна фокусироваться на создании репутационного контента и получении органических, независимых ссылок от релевантных источников. Также патент подчеркивает важность технического аудита инфраструктуры для выявления рисков аффилиации.

Практические примеры

Сценарий: Ранжирование технического туториала

  1. Запрос: "Как исправить ошибку X в библиотеке Y".
  2. Начальный набор (OldScore): В Топ-20 попадают страницы официальной документации, несколько постов на Stack Overflow и три детальных блог-поста от разных разработчиков (A, B, C).
  3. Анализ взаимосвязей: Система обнаруживает, что официальная документация и посты на Stack Overflow ссылаются друг на друга. Однако 15 из 20 документов в наборе ссылаются на блог-пост разработчика A как на лучшее решение.
  4. Расчет LocalScore:
    • Документация и Stack Overflow получают средний LocalScore.
    • Блог-пост A получает очень высокий LocalScore, так как на него ссылаются многочисленные независимые источники из этого же набора.
  5. Переранжирование (NewScore): Несмотря на то, что исходный OldScore у официальной документации мог быть выше, блог-пост A получает значительное повышение за счет высокого LocalScore и перемещается на первую позицию.
  6. Результат: Пользователь получает ссылку на ресурс, который признан сообществом наиболее полезным для решения данной проблемы.

Вопросы и ответы

В чем основное отличие этого алгоритма от глобального PageRank?

PageRank — это глобальная оценка авторитетности страницы, не зависящая от запроса и основанная на всей структуре ссылок в интернете. Описанный алгоритм (LocalScore) является динамическим и зависит от запроса. Он оценивает авторитетность только в контексте конкретного набора результатов, основываясь на том, как релевантные документы ссылаются друг на друга. Это измерение «локального» или тематического авторитета.

Насколько надежен метод определения связанных сайтов через IP-адрес (IP3) в 2025 году?

Использование первых трех октетов IP (IP3) было эффективным в 2001 году, но сегодня оно менее надежно из-за распространения CDN, облачного хостинга и виртуализации. Множество не связанных сайтов могут находиться в одной подсети. Однако это не означает, что Google отказался от идеи идентификации связанных хостов. Вероятно, современные системы используют более сложные сигналы (например, собственность в Search Console, шаблоны кода, аналитические идентификаторы, данные WHOIS), но принцип нейтрализации аффилированных ссылок остается в силе.

Как этот патент связан с концепцией Тематического Авторитета (Topical Authority)?

Этот патент является одним из ранних воплощений концепции Тематического Авторитета. LocalScore напрямую измеряет, насколько авторитетным считается документ среди других документов по той же теме (попавших в выдачу). Если ваш контент постоянно получает высокий LocalScore по запросам в определенной нише, это свидетельствует о высоком тематическом авторитете вашего сайта.

Что означает принцип «Один хост — один голос» (Фильтр 2) для линкбилдинга?

Это означает, что получение нескольких ссылок с разных страниц одного и того же сайта имеет ограниченную ценность по сравнению с получением ссылок с разных независимых сайтов. В контексте этого алгоритма, только одна ссылка с хоста (та, что находится на странице с наивысшим OldScore) будет учтена при расчете LocalScore. Разнообразие доменов-доноров критически важно.

Стоит ли избегать ссылок с сайтов, размещенных на том же хостинге или в той же подсети?

Да, если это возможно. Если Google идентифицирует ваши сайты как технически связанные (например, через IP), ссылки между ними могут быть девальвированы или проигнорированы этим алгоритмом (Фильтр 1). Для PBN и сеток сателлитов это означает необходимость использования разнообразной и независимой инфраструктуры хостинга.

Как алгоритм ведет себя, если в выдаче почти нет перекрестных ссылок?

Патент предусматривает такой сценарий. Если общая взаимосвязанность низкая (максимальный LocalScore, MaxLS, ниже порога MaxLSMin), система искусственно увеличивает MaxLS до этого порога. Это приводит к снижению влияния компонента LocalScore в итоговой формуле NewScore. В таких случаях ранжирование будет больше полагаться на исходные оценки релевантности (OldScore).

Влияет ли внутренняя перелинковка на LocalScore?

Нет, не влияет. Фильтр 1 специально удаляет все ссылки, исходящие с того же хоста, что и целевой документ, перед расчетом LocalScore. Внутренняя перелинковка важна для краулинга и распределения глобального PageRank, но не для этого механизма локального авторитета.

Как определить, какие ссылки наиболее ценны с точки зрения этого патента?

Наиболее ценными являются ссылки со страниц, которые сами по себе высоко релевантны исходному запросу (имеют высокий OldScore) и размещены на независимых хостах. Практически это означает получение ссылок со страниц, которые уже находятся в топе выдачи по вашим целевым или близким запросам.

Может ли этот алгоритм понизить рейтинг высокорелевантной страницы?

Да. Если страница имеет высокий OldScore (релевантна), но низкий LocalScore (на нее никто не ссылается в этой теме), а у конкурентов LocalScore высокий, то в результате перерасчета NewScore эта страница может опуститься в выдаче, уступив место «локальным авторитетам».

Актуален ли этот патент, учитывая, что он подан в 2001 году?

Концептуально — да. Принципы выявления экспертных источников и борьбы с ссылочным спамом через анализ независимости источников остаются фундаментальными для Google. Хотя конкретные формулы и технические методы (как IP3) наверняка эволюционировали, лежащая в основе логика поощрения тематического авторитета и независимых рекомендаций сохраняет свою актуальность.

Похожие патенты

Как Google использует сеть доверия между экспертами для расчета Trust Rank и ранжирования контента
Google использует механизм для определения авторитетности контента путем анализа того, какие эксперты (сущности) доверяют друг другу и как они классифицируют (маркируют) контент в интернете. Система рассчитывает «Рейтинг Доверия» (Trust Rank) для каждой сущности и использует его для повышения в выдаче контента, отмеченного доверенными источниками, интегрируя сигналы репутации в алгоритм ранжирования.
  • US7603350B1
  • 2009-10-13

  • EEAT и качество

  • Knowledge Graph

  • SERP

Как Google использует авторитетность в веб-поиске для определения порядка ранжирования в Локальном поиске (Local Pack)
Google использует механизм объединения результатов из Универсального (веб) и Локального поиска. Система идентифицирует авторитетные бизнес-сайты в веб-выдаче и оценивает их по локальным критериям. Затем Локальный блок (Local Pack) переранжируется так, чтобы порядок результатов соответствовал их авторитетности в Универсальном поиске. Это подтверждает, что авторитетность сайта в вебе напрямую влияет на его позиции в Локальном поиске.
  • US8392394B1
  • 2013-03-05

  • Local SEO

  • EEAT и качество

  • SERP

Как Google оценивает качество и авторитетность новостных источников для ранжирования в Google News
Google использует систему для оценки качества новостных источников на основе 13 различных метрик, включая объем публикаций, скорость освещения событий (Breaking News Score), оригинальность контента (Original Named Entities), размер штата, данные о трафике и репутацию. На основе этих метрик вычисляется "Рейтинг Источника" (Source Rank), который затем используется для повышения позиций статей от авторитетных изданий в новостном поиске.
  • US7577655B2
  • 2009-08-18

  • EEAT и качество

  • SERP

  • Свежесть контента

Как Google определяет географическую релевантность сайта по локали ссылающихся на него ресурсов и их аудитории
Google использует географические сигналы ссылающихся сайтов для определения локальной релевантности целевого домена. Система анализирует контент, технические данные и, что важно, географию аудитории ссылающихся ресурсов, чтобы вычислить «Link Based Locale Score». Эта оценка комбинируется с собственными сигналами сайта и используется для повышения позиций в релевантных географических регионах.
  • US8788490B1
  • 2014-07-22

  • Local SEO

  • Ссылки

  • SERP

Как Google автоматически определяет связанные домены (например, международные версии сайта) и переранжирует их для повышения локальной релевантности и разнообразия выдачи
Google использует автоматическую систему для идентификации доменов, принадлежащих одной организации (аффилированных доменов), анализируя ссылки между ними и сходство их имен (SLD). Когда в результатах поиска появляется несколько таких доменов, система может понизить или поменять местами их позиции. Это делается для того, чтобы показать пользователю наиболее локально релевантную версию сайта и увеличить разнообразие организаций в топе выдачи.
  • US9178848B1
  • 2015-11-03

  • Local SEO

  • SERP

  • Ссылки

Популярные патенты

Как Google ранжирует сущности (например, людей с одинаковыми именами) с помощью кластеризации, контекстной авторитетности и персонализации
Google использует систему двухуровневого ранжирования для обработки неоднозначных запросов (например, имен людей). Сначала ресурсы группируются в кластеры, представляющие разные сущности. Ресурсы внутри кластера ранжируются на основе их качества и авторитетности внутри этого кластера. Затем сами кластеры ранжируются с учетом релевантности запросу и сильной персонализации (социальные связи и местоположение пользователя).
  • US8645393B1
  • 2014-02-04

  • Персонализация

  • Семантика и интент

  • SERP

Как Google перенаправляет пользователей на «идеальные» запросы (KHRQ), анализируя поведение и удовлетворенность
Google анализирует логи запросов, чтобы определить «известные высокоранжированные запросы» (KHRQ) — те, которые пользователи вводят часто и которыми остаются довольны (редко переформулируют или долго изучают результаты). Система вычисляет вероятность того, что исходный запрос пользователя лучше заменить на KHRQ, основываясь на сходстве запросов и исторических цепочках переформулировок. Это позволяет направлять пользователей к наиболее эффективным формулировкам.
  • US7870147B2
  • 2011-01-11

  • Семантика и интент

  • Поведенческие сигналы

  • SERP

Как Google объединяет разные стратегии и поведенческие данные для генерации и выбора лучших альтернативных запросов
Google использует архитектуру, которая одновременно применяет множество стратегий (расширение, уточнение, синтаксис, анализ сессий) для генерации альтернативных запросов. Система оценивает качество этих вариантов с помощью показателей уверенности, основанных на поведении пользователей (например, длительности кликов) и критериях разнообразия. Лучшие альтернативы предлагаются пользователю, часто с превью результатов, чтобы помочь уточнить поиск.
  • US7565345B2
  • 2009-07-21

  • Поведенческие сигналы

  • SERP

Как Google динамически перестраивает выдачу, если пользователь игнорирует результаты, связанные с определенной сущностью
Google использует механизм уточнения интента пользователя в реальном времени при обработке неоднозначных запросов. Система группирует результаты поиска по связанным сущностям. Если пользователь демонстрирует отсутствие интереса к одной из групп (например, прокручивает или смахивает результаты), система динамически модифицирует выдачу, понижая или удаляя все результаты, связанные с этой отклоненной сущностью.
  • US9348945B2
  • 2016-05-24

  • Семантика и интент

  • SERP

  • Поведенческие сигналы

Как Google обучается на поведении пользователя для персонализации весов источников в поисковой выдаче
Google использует сигналы интереса пользователя (клики, время просмотра) для динамической корректировки весов различных источников данных (например, ключевых слов, тем, типов контента). Система определяет, какие источники наиболее полезны для конкретного пользователя, и повышает их значимость при ранжировании последующих результатов поиска, тем самым персонализируя выдачу.
  • US8631001B2
  • 2014-01-14

  • Персонализация

  • Поведенческие сигналы

  • SERP

Как Google планировал использовать социальные связи, сети доверия и экспертизу для персонализации и переранжирования поисковой выдачи
Google запатентовал метод использования данных из социальных сетей («member networks») для влияния на ранжирование. Пользователи могли явно одобрять («endorse») результаты поиска. Эти одобрения показывались другим связанным пользователям (друзьям или людям, ищущим экспертное мнение) и использовались для переранжирования выдачи, добавляя персонализированный слой доверия.
  • US8825639B2
  • 2014-09-02

  • Персонализация

  • EEAT и качество

  • Поведенческие сигналы

Как Google генерирует блок "Похожие вопросы" (People Also Ask) на основе анализа кликов и поведения пользователей
Google анализирует топовые результаты по исходному запросу и определяет "Тематические запросы" (Topic Sets) — прошлые запросы, по которым пользователи кликали на эти результаты. Затем система ищет популярные вопросы, соответствующие этим темам, фильтрует дубликаты на основе общности кликов и показывает их в блоке PAA для дальнейшего исследования темы.
  • US9213748B1
  • 2015-12-15

  • SERP

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует контекст пользователя для предоставления информации без явного запроса (Технология предиктивного поиска)
Google использует технологию предиктивного (проактивного) поиска, которая анализирует текущий контекст пользователя (местоположение, время, календарь, скорость движения, привычки) для автоматического предоставления релевантной информации. Система реагирует на «запрос без параметров» (например, открытие приложения или простое действие с устройством) и самостоятельно определяет информационные потребности пользователя.
  • US8478519B2
  • 2013-07-02

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы

Как Google использует пользовательский контент (UGC) и историю поиска для сбора структурированных отзывов
Google анализирует пользовательский контент (фотографии, посты, метаданные) и историю поиска, чтобы определить, с какими объектами (места, продукты, услуги) взаимодействовал пользователь. Система проактивно предлагает оставить структурированный отзыв, используя шаблон, который может быть предварительно заполнен на основе тональности исходного UGC. Это направлено на увеличение объема и подлинности отзывов.
  • US20190278836A1
  • 2019-09-12

  • Семантика и интент

  • Персонализация

  • EEAT и качество

Как Google Assistant адаптирует выдачу на лету, позволяя пользователям навигировать по результатам и запоминать предпочтения по источникам и темам
Google использует механизм для диалоговых систем (например, Google Assistant), позволяющий пользователям взаимодействовать с поисковой выдачей через естественный язык. Система предоставляет результаты последовательно и адаптирует порядок выдачи в ответ на команды навигации (например, «Вернись к новости о Кафе»). Кроме того, система фиксирует отношение пользователя к атрибутам контента (например, «Не показывай новости из Источника 1») и использует эти данные для фильтрации или изменения ранжирования в текущих и будущих сессиях.
  • US10481861B2
  • 2019-11-19

  • Персонализация

  • Семантика и интент

  • Поведенческие сигналы