Как Google использует сеть доверия между экспертами для расчета Trust Rank и ранжирования контента

Термины и определения

Annotation (Аннотация)

Структура данных, созданная сущностью, которая связывает метку (Label) с шаблоном URL (URL Pattern) для классификации веб-контента.

Annotation Database (База данных аннотаций)

Хранилище аннотаций, индексированное для быстрого поиска меток по URL документа.

Entity (Сущность)

Любой источник (человек, группа, организация, веб-сайт, учреждение), который может создавать аннотации или устанавливать доверительные отношения.

Information Retrieval (IR) Score (Базовая оценка ранжирования)

Исходная оценка релевантности документа до применения факторов доверия.

Label (Метка, Ярлык)

Слово, фраза или маркер, используемый сущностью для описания или категоризации контента (например, "Профессиональный обзор" или "Симптомы").

Trust Button (Кнопка доверия)

Элемент интерфейса на сайте сущности, позволяющий пользователю явно выразить доверие к этой сущности.

Trust Factor (Фактор доверия)

Агрегированная метрика, рассчитываемая для документа на основе Trust Ranks сущностей, которые его аннотировали. Используется для корректировки IR Score.

Trust List (Список доверия)

Список сущностей, которым доверяет владелец сайта.

Trust Matrix (Матрица доверия)

Структура данных (матрица M), где значение $M_{ij}$ хранит значение доверия сущности i к сущности j.

Trust Rank (TR) (Рейтинг доверия)

Мера общего уровня доверия к конкретной сущности в системе. Вычисляется на основе матрицы доверия (например, как компонент собственного вектора матрицы, связанного с собственным значением 1).

URL Pattern (Шаблон URL)

Спецификация для идентификации одного или группы документов, к которым применяется метка (например, префикс URL или регулярное выражение).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования на основе доверия при обработке запроса, включающего метку.

1. Система получает поисковый запрос, содержащий поисковый термин и метку (query label term), которая является категориальным идентификатором.
2. Идентифицируются ресурсы, релевантные запросу, у которых есть ассоциированная метка, совпадающая с меткой запроса (matching label term). Метка присвоена ресурсу некоторой сущностью.
3. Для каждого такого ресурса определяется Trust Rank сущности, которая присвоила совпадающую метку.
4. Оценка релевантности (relevance score) ресурса увеличивается на основе этого Trust Rank.
5. Ресурсы ранжируются на основе скорректированных оценок.
6. Результаты поиска аннотируются (дополняются) именем сущности, которая присвоила совпадающую метку.
7. Аннотированные результаты предоставляются пользователю.

Ядро изобретения — это использование Trust Rank автора метки для повышения оценки релевантности документа, если метка документа совпадает с меткой в запросе, и обязательное отображение имени автора метки в выдаче.

Claim 3 (Зависимый от 1): Уточняет процесс агрегации.

Если ресурс имеет несколько совпадающих меток от разных сущностей (например, второй совпадающей метки от второй сущности), определяются Trust Rank для каждой из них, и эти Trust Ranks агрегируются для определения Trust Factor.

Claim 4 (Независимый пункт): Описывает процесс для ситуации, когда ресурс имеет две или более совпадающих меток от разных сущностей.

1. Система получает запрос (термин + метка).
2. Идентифицируются ресурсы, у которых есть две или более совпадающих меток, присвоенных разными сущностями.
3. Определяется Trust Rank каждой из этих сущностей.
4. Оценка релевантности увеличивается на основе соответствующих факторов доверия (respective trust factors).
5. Ресурсы ранжируются.
6. Результаты поиска аннотируются именем каждой сущности, которая присвоила совпадающие метки.

Этот пункт подчеркивает механизм агрегации доверия от нескольких источников и необходимость указания всех этих источников в результатах поиска.

Где и как применяется

Изобретение охватывает несколько этапов поисковой архитектуры.

CRAWLING – Сканирование и Сбор данных
Краулеры системы собирают два ключевых типа данных:

• Аннотации: Обнаружение меток (Labels) и связанных с ними URL Patterns на сайтах сущностей. Ссылки с анкорным текстом также могут интерпретироваться как аннотации.
• Сигналы доверия: Обнаружение явных сигналов, таких как Trust Lists, Vanity Lists, а также неявных сигналов, таких как ссылки между сайтами сущностей.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит обработка собранных данных:

• Аннотации сохраняются в Annotation Database.
• Данные о доверии сохраняются в Trust Database и формируют Trust Matrix.
• Расчет Trust Rank (Офлайн): Система периодически вычисляет Trust Rank для всех сущностей на основе матрицы доверия. Это ресурсоемкий процесс, выполняемый заранее.

RANKING – Ранжирование
Генерируется базовый набор результатов, релевантных поисковым терминам запроса, с использованием стандартных Information Retrieval scores.

RERANKING – Переранжирование
Основное применение патента. Система корректирует ранжирование:

• Определяются метки, ассоциированные с каждым документом (используя Annotation DB).
• Если запрос содержит метки, система ищет совпадения.
• Извлекаются Trust Ranks сущностей, создавших совпадающие метки (используя Trust DB).
• Рассчитывается Trust Factor путем агрегации Trust Ranks.
• Базовые IR scores корректируются с помощью Trust Factor.

Входные данные:

• Запрос пользователя (термины + опциональные метки).
• Annotation Database и Trust Database (включая рассчитанные Trust Ranks).
• Базовые IR scores документов.

Выходные данные:

• Набор результатов, отсортированный по скорректированным оценкам.
• Аннотации в SERP, показывающие релевантные метки и имена сущностей, которые их присвоили.

На что влияет

• Конкретные типы контента: Наибольшее влияние на контент, который часто подвергается экспертной оценке или классификации: обзоры продуктов, научные статьи, медицинская информация, техническая документация.
• Специфические запросы: Влияет на запросы, где пользователь ищет информацию с определенной точки зрения или уровня экспертизы (например, ищет "профессиональный обзор", а не просто упоминание продукта).
• Конкретные ниши или тематики: Сильное влияние в YMYL-тематиках (медицина, финансы), где доверие к источнику и его экспертиза критически важны. Патент упоминает возможность расчета тематически-специфичных Trust Ranks.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Наличие данных: В системе должны существовать данные об аннотациях для релевантных документов и рассчитанные Trust Ranks для авторов этих аннотаций.
• Триггеры активации (Основной): Пользователь явно включает метки в свой запрос (например, "cancer label:symptoms"). В этом случае система учитывает Trust Ranks сущностей, присвоивших эту метку.
• Триггеры активации (Вторичный): Патент также упоминает возможность применения механизма, даже если пользователь не указал метки в запросе. В этом случае система может применять Trust Factor на основе всех аннотаций, применимых к документу.

Пошаговый алгоритм

Процесс А: Сбор и расчет доверия (Офлайн)

1. Сбор информации о доверии: Система собирает данные о том, что одна сущность доверяет другой. Источники: нажатие Trust Button, анализ Trust Lists краулером, анализ паттернов посещений, анализ контакт-листов (email, чаты), транзитивное доверие.
2. Хранение связей: Записи о доверительных отношениях сохраняются в Trust Database.
3. Построение матрицы доверия: Данные агрегируются в Trust Matrix (M), где $M_{ij}$ — доверие i к j. Матрицы могут быть построены отдельно для разных тем.
4. Вычисление Trust Rank: Для каждой сущности i вычисляется Trust Rank (TRi). В патенте предлагается вычислять его как i-й компонент собственного вектора (eigenvector) матрицы M, соответствующий собственному значению 1.
5. Сбор аннотаций: Краулер собирает аннотации (Label, URL Pattern) с сайтов сущностей или через специальный интерфейс.
6. Хранение аннотаций: Аннотации сохраняются в Annotation Database с привязкой к создавшей их сущности.

Процесс Б: Обработка запроса и ранжирование (Онлайн)

1. Получение запроса: Система получает запрос, содержащий термины и, возможно, метки.
2. Поиск документов: Извлекаются документы, релевантные поисковым терминам, с их базовыми IR-оценками.
3. Определение аннотаций: Для каждого документа определяются ассоциированные метки путем сопоставления его URL с URL Patterns в Annotation Database.
4. Сопоставление меток: Определяется, какие из меток документа совпадают с метками в запросе пользователя (если они есть).
5. Определение Trust Ranks: Извлекаются Trust Ranks сущностей, которые предоставили совпадающие метки.
6. Агрегация Trust Ranks: Если меток несколько или одна метка присвоена несколькими сущностями, их Trust Ranks агрегируются. Патент предлагает разные функции агрегации: линейное взвешивание, асимптотическое (например, сумма логарифмов), сигмоидальное, взвешивание с затуханием по времени или количеству.
7. Расчет Trust Factor: Агрегированные Trust Ranks по всем меткам объединяются в общий Trust Factor документа.
8. Корректировка оценки: Базовая IR-оценка документа корректируется с помощью Trust Factor (например, умножением).
9. Переранжирование и Отображение: Результаты сортируются по скорректированным оценкам и предоставляются пользователю с указанием релевантных меток и имен сущностей, которые их присвоили.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных о доверии и классификации контента.

• Структурные факторы (Аннотации): Система использует Labels (метки), созданные сущностями для описания контента. Это форма структурированной классификации контента третьими сторонами.
• Технические факторы (URL): URL Patterns используются для связи меток с конкретными документами или разделами сайтов.
• Ссылочные факторы (Неявное доверие): Ссылки со страницы пользователя на страницы доверенных сущностей могут использоваться как индикатор доверия. Анкорный текст ссылки может использоваться как Label.
• Поведенческие факторы (Неявное доверие): Паттерны посещений (web visitation patterns) пользователем сайтов сущностей могут использоваться для вывода о доверии (например, частые визиты).
• Пользовательские факторы (Явное и Неявное доверие):
  • Прямое указание доверия через Trust Button.
  • Trust Lists на сайтах сущностей.
  • Списки контактов в электронной почте или мессенджерах пользователя могут использоваться для вывода о доверии.

Какие метрики используются и как они считаются

• Trust Relationship Value (Значение доверительного отношения): Базовая метрика, указывающая степень доверия одной сущности к другой. Может быть бинарной (0 или 1) или числовой. Может быть специфичной для темы (topic-specific trust).
• Trust Rank (TR): Глобальная оценка авторитетности сущности. Рассчитывается путем анализа всей сети доверия (Trust Matrix). В патенте предложен метод расчета с использованием собственного вектора (eigenvector computation), аналогично итеративным алгоритмам расчета авторитетности.
• Aggregated Trust Rank (Агрегированный рейтинг доверия): Сумма Trust Ranks всех сущностей, присвоивших документу определенную метку. Рассчитывается с использованием весовых функций (линейная, логарифмическая, сигмоидальная и т.д.).
• Trust Factor (Фактор доверия): Итоговая метрика, объединяющая агрегированные Trust Ranks по всем релевантным меткам документа. Используется для модификации базовой оценки ранжирования.

1. Доверие как вычислимый и передаваемый фактор ранжирования: Патент описывает конкретный механизм для алгоритмического расчета доверия (Trust Rank) на основе сети взаимоотношений между сущностями. Этот рейтинг напрямую используется для корректировки базовой релевантности.
2. Сеть доверия (Web of Trust): Система полагается на построение сети доверия. Доверие может быть выражено явно (кнопки, списки) или выведено неявно (ссылки, поведение, контакты). Это подчеркивает важность связей между авторитетными источниками.
3. Важность Сущностей (Entities): Фокус смещается с анализа анонимного контента на оценку контента через призму того, кто его создал или классифицировал. Идентификация и оценка авторитетности сущностей являются ключевыми компонентами.
4. Классификация контента экспертами (Labels): Система использует метки (Labels) как способ понять, как авторитетные источники классифицируют контент. Это позволяет использовать внешнюю экспертизу для оценки качества и тематики документов.
5. Сложные методы агрегации доверия: Trust Rank агрегируется от всех сущностей, аннотировавших документ. Использование сложных методов взвешивания (например, логарифмических или сигмоидальных) указывает на приоритет качества сигналов доверия над их количеством.
6. Прозрачность источника в SERP: Важной частью изобретения (Claims 1 и 4) является требование отображать имя доверенной сущности, чья метка повлияла на ранжирование, непосредственно в результатах поиска.

Best practices (это мы делаем)

• Построение авторитетной сущности (E-E-A-T): Ключевая стратегия — стать "доверенной сущностью" (trusted entity) в своей нише. Необходимо работать над тем, чтобы Google мог четко идентифицировать ваш сайт, бренд или авторов как экспертов с высоким потенциальным Trust Rank. Это включает получение признания (ссылки, цитирования, упоминания) от других авторитетных источников.
• Стимулирование связей с другими экспертами: Поскольку Trust Rank рассчитывается на основе сети доверия, важно активно взаимодействовать с другими авторитетными сайтами и экспертами в вашей области. Гостевые посты, совместные исследования и цитирование работ друг друга могут служить сигналами доверия (аналог Trust Lists и неявных аннотаций).
• Четкая демонстрация экспертизы и курирование контента: Хотя явные "метки" (Labels) могут не использоваться Google в точном соответствии с патентом, принцип остается важным: демонстрируйте экспертизу в оценке и классификации контента. Создание авторитетных обзоров, подробных гайдов и экспертных комментариев показывает системе, что вы являетесь доверенным классификатором.
• Использование структурированных данных (Schema.org): Учитывая, что изобретатель (R. Guha) активно участвовал в разработке Schema.org, использование микроразметки для идентификации сущностей (Organization, Person), их связей (knowsAbout, citation) и классификации контента (about, mentions) критически важно для передачи сигналов, описанных в патенте.

Worst practices (это делать не надо)

• Анонимность и отсутствие авторства: Публикация контента без четкой привязки к авторитетной сущности (автору или организации) не позволяет системе присвоить контенту Trust Factor, основанный на репутации источника.
• Изоляция от экосистемы: Работа в вакууме, без взаимодействия и получения признания от других авторитетных участников рынка, препятствует росту Trust Rank.
• Манипуляция сигналами доверия: Попытки искусственно создать сеть доверия через PBN, обмен ссылками с неавторитетными сайтами или создание фейковых экспертов неэффективны. Trust Rank основан на получении доверия от уже проверенных источников (аналогично принципам TrustRank для борьбы со спамом, который также цитируется в патенте).
• Поверхностный контент без экспертной ценности: Создание контента, который не демонстрирует глубокого понимания темы или не предлагает ценной экспертной оценки, не позволит извлечь выгоду из механизмов, основанных на доверии.

Стратегическое значение

Этот патент является одним из фундаментальных документов, подтверждающих стратегический переход Google к оценке авторитетности и надежности (Trustworthiness в E-E-A-T). Он демонстрирует, что Google ищет способы алгоритмически измерить репутацию сущностей и использовать ее как значимый фактор ранжирования. Долгосрочная SEO-стратегия должна фокусироваться на построении реальной экспертизы и получении признания в профессиональном сообществе, а не только на технической оптимизации.

Практические примеры

Сценарий: Повышение ранжирования медицинского сайта за счет Trust Factor

1. Ситуация: Есть два сайта о раке. Сайт А — коммерческий блог с анонимными статьями. Сайт Б — сайт авторитетной клиники (Сущность Б) с контентом от врачей-онкологов.
2. Построение сети доверия (Офлайн): Краулер Google обнаруживает, что на Сайт Б ссылаются правительственные организации (Сущность Г) и медицинские университеты (Сущность У). Система интерпретирует это как сигнал доверия от Г к Б и от У к Б. Trust Rank Сущности Б растет.
3. Классификация контента (Офлайн): Врачи Сайта Б публикуют статью и ссылаются на исследование на сайте ВОЗ с анкором "важное клиническое руководство". Система интерпретирует это как аннотацию (метку).
4. Обработка запроса (Онлайн): Пользователь ищет "симптомы рака". И Сайт А, и Сайт Б релевантны.
5. Применение Trust Factor (Онлайн): Система определяет, что контент Сайта Б создан или классифицирован сущностью с высоким Trust Rank. Рассчитывается высокий Trust Factor для страниц Сайта Б.
6. Результат: Базовая оценка релевантности Сайта Б умножается на высокий Trust Factor, что приводит к его более высокому ранжированию по сравнению с Сайтом А, даже если Сайт А лучше оптимизирован под ключевые слова.