Как Google оценивает авторитетность академических конференций и журналов по репутации их организаторов для ранжирования статей

Термины и определения

Academic Event (Академическое событие)

Общий термин для обозначения академических конференций, семинаров (workshops) или журналов.

Program/Editorial Committee (Программный/Редакционный комитет)

Группа лиц (обычно старших исследователей), ответственных за организацию события или рецензирование публикаций.

Member Metrics (Метрики участников)

Набор показателей, характеризующих членов комитета, например, их цитируемость, количество публикаций, соавторства.

E1-E8 Metrics

Набор из восьми конкретных метрик, используемых для расчета оценки события. Включают показатели размера комитета, авторитетности, долговечности события и структуры сообщества.

score_event

Предварительная оценка качества события, рассчитанная как взвешенная сумма нормализованных метрик E1-E8.

Navg

Нормализованное среднее количество других академических событий, в которых участвуют члены комитета. Метрика внешней активности.

total_score_event

Итоговая оценка качества академического события, используемая для ранжирования. Рассчитывается на основе score_event и Navg.

Ключевые утверждения (Анализ Claims)

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

1. Система определяет членов комитета события.
2. Система получает метрики, связанные с этими членами (на основе их собственных работ – "первых документов").
3. Система получает поисковый запрос и идентифицирует набор документов (результаты поиска).
4. Система ранжирует этот набор документов на основе полученных метрик членов комитета.

Ключевой момент: репутация организаторов (комитета) используется для ранжирования контента, опубликованного на организованном ими мероприятии, а не их собственных работ.

Claim 10 (Независимый пункт): Описывает процесс оценки для множества академических событий.

1. Система определяет членов комитетов для множества академических событий.
2. Система получает параметры этих членов (включая цитирования).
3. Система определяет оценки (scores) для этих событий на основе параметров.
4. Система ранжирует результаты поиска, относящиеся к этим событиям, используя рассчитанные оценки.

Claim 14 (Независимый пункт): Описывает ранжирование с использованием комбинации метрик.

1. Система получает запрос и находит результаты поиска.
2. Ранжирование результатов производится на основе первых метрик (связанных с членами комитета) И вторых метрик (связанных непосредственно с самими академическими событиями).

Claim 9 (Зависимый): Определяет формулу расчета оценки как взвешенную сумму метрик:

$score = \sum_i w_i E_i$, где E_i — метрика, а w_i — ее вес.

Где и как применяется

Изобретение применяется преимущественно в специализированных поисковых системах или вертикалях, фокусирующихся на академической литературе (например, Google Scholar).

INDEXING – Индексирование и извлечение признаков
Основная вычислительная работа происходит на этом этапе в офлайн-режиме. Система должна:

• Идентифицировать академические события и извлекать списки членов их комитетов.
• Собирать данные о публикациях и цитированиях этих членов из академических баз данных (упоминаются Science Citation Index, CiteSeer, Scholar).
• Вычислять все промежуточные метрики (E1-E8, Navg).
• Рассчитывать и сохранять итоговую оценку качества total_score_event для каждого события и ассоциировать её со связанными документами.

RANKING – Ранжирование
На этом этапе предварительно рассчитанные оценки используются для сортировки результатов в реальном времени.

• Система получает запрос и находит релевантные документы (например, научные статьи).
• Для каждого документа извлекается total_score_event связанного с ним события (журнала/конференции).
• Эта оценка используется как фактор ранжирования. Патент указывает, что она может использоваться в линейной сумме с существующими методами оценки поисковой системы.

На что влияет

• Конкретные типы контента: Влияет исключительно на ранжирование академического контента – научных статей, докладов конференций, журнальных публикаций.
• Конкретные ниши или тематики: Применяется в сфере науки и академических исследований. Не применимо к общему веб-поиску, коммерции или новостям.

Когда применяется

• Условия применения: Алгоритм применяется при поиске контента, который система идентифицирует как связанный с academic events, и для которого удалось рассчитать метрики авторитетности организаторов.

Пошаговый алгоритм

Процесс А: Расчет оценки академического события (Офлайн/Индексирование)

1. Сбор данных о комитете: Получить имена членов комитета для академического события j. Подсчитать количество членов (Метрика E1).
2. Сбор данных о членах: Для каждого члена комитета i получить его цитирования, список работ и соавторов.
3. Расчет метрик авторитетности и продуктивности:
   • Рассчитать среднее количество цитирований на члена комитета (Метрика E2).
   • Рассчитать сумму цитирований всех членов комитета (Метрика E3).
   • Определить среднее количество работ, написанных членами комитета (Метрика E8).
4. Расчет метрик события: Определить количество лет, в течение которых событие проводилось или публиковалось (Метрика E4).
5. Расчет метрик связности (Community Tightness/Diversity):
   • Подсчитать количество непересекающихся групп соавторов внутри комитета (Метрика E5).
   • Подсчитать количество непересекающихся групп взаимного цитирования внутри комитета (Метрика E6).
6. Расчет метрики преемственности/инсайдерства: Определить процент членов комитета, которые публиковали работы на этом же событии в прошлом (Метрика E7).
7. Расчет предварительной оценки (score_event): Нормализовать метрики E1-E8 и рассчитать взвешенную сумму: $\sum_{i=1}^{8} w_i E_i$. (Веса w5, w6, w7 могут быть отрицательными).
8. Расчет внешней активности (Navg): Рассчитать нормализованное среднее количество других событий, в которых участвуют члены комитета.
9. Расчет итоговой оценки (total_score_event): $score\_event + w_g * N_{avg}$.

Процесс Б: Ранжирование результатов поиска (В реальном времени)

1. Получение запроса и Поиск: Система получает запрос и находит набор релевантных академических документов.
2. Применение оценок: Для каждого документа система извлекает total_score_event связанного с ним события.
3. Ранжирование: Набор документов ранжируется с использованием total_score_event в качестве фактора ранжирования.

Какие данные и как использует

Данные на входе

Система использует данные, извлеченные преимущественно из академических баз данных и веб-документов.

• Сущностные факторы (Entity Factors - Люди):
  • Имена членов комитета.
  • Данные о цитировании их работ.
  • Список их публикаций (работ).
  • Списки соавторов.
  • Участие в других академических событиях.
  • (Опционально) Аффилиация (институты, университеты).
• Сущностные факторы (Entity Factors - События):
  • История события (количество лет проведения/публикации).
  • (Опционально) Издатель, спонсоры (например, IEEE, ACM), ключевые темы.
• Временные факторы:
  • Возраст события (E4).

Какие метрики используются и как они считаются

Система вычисляет 8 основных метрик (E1-E8) и одну дополнительную (Navg).

• E1: Количество членов комитета.
• E2: Среднее количество цитирований на члена комитета. (Показатель авторитетности).
  Формула: $E_2 = \frac{\sum_i N_i}{E_1}$.
• E3: Сумма цитирований всех членов комитета.
• E4: Возраст события. (Показатель долговечности).
• E5 и E6: Метрики связности/разнообразия. Количество непересекающихся групп соавторства (E5) и взаимного цитирования (E6).
• E7: Метрика инсайдерства. Процент членов комитета, публиковавшихся на этом событии в прошлом.
• E8: Средняя продуктивность. Среднее количество работ на члена комитета.

Весовые коэффициенты и Нормализация:

• Метрики нормализуются (например, от 0 до 1) перед расчетом score_event.
• Используются настраиваемые веса (w_i). Патент явно указывает на возможность увеличения весов для E2 (авторитетность) и E4 (возраст).
• Критически важно: Патент отмечает, что веса для E5, E6, E7 могут быть установлены как отрицательные значения, чтобы понизить оценки "очень тесных исследовательских сообществ" (клик).

1. Перенос авторитета (Authority Transfer): Патент описывает конкретный алгоритмический механизм реализации принципов E-E-A-T в академической среде. Авторитетность людей (членов комитета) напрямую используется для оценки качества организации/события (журнала/конференции).
2. Качество площадки как фактор ранжирования контента: Оценка, присвоенная академическому событию (total_score_event), служит сильным сигналом ранжирования для всех документов, опубликованных в его рамках. Качественная площадка повышает рейтинг контента.
3. Многофакторная оценка качества: Качество оценивается комплексно: учитывается не только авторитетность (E2, E3), но и продуктивность (E8), долговечность события (E4) и структура сообщества (E5, E6, E7).
4. Механизмы против манипуляций (Анти-Клика): Система включает метрики для обнаружения замкнутых групп и "картелей цитирования" (E5, E6). Возможность использования отрицательных весов для этих метрик является встроенным механизмом пессимизации манипулятивных практик.
5. Узкая специализация: Механизм строго специфичен для академического поиска и не применим напрямую к общему веб-поиску.

Best practices (это мы делаем)

Рекомендации применимы для SEO-специалистов, работающих с академическим контентом, университетами и научными издательствами (продвижение в Google Scholar).

• Привлечение авторитетных экспертов: Стратегически важно привлекать в редакционные коллегии и программные комитеты исследователей с высокими показателями цитируемости (влияет на E2, E3) и продуктивности (E8). Это напрямую повышает оценку события.
• Четкое представление данных о комитете: Публиковать актуальные списки членов комитета на сайте события в машиночитаемом формате. Указывать полные имена и аффилиации, чтобы облегчить идентификацию сущностей поисковой системой. Использование Schema.org/Person рекомендуется.
• Поддержка профилей исследователей: Обеспечить полноту и актуальность публичных академических профилей (например, Google Scholar) членов комитета, так как эти данные являются источником для расчета метрик.
• Обеспечение разнообразия комитета: Формировать разнообразный состав комитета, избегая доминирования узких групп с интенсивным взаимным цитированием (E5, E6), чтобы защититься от потенциальной пессимизации.
• Акцент на истории события: Поддерживать долгосрочные академические события. Возраст события (E4) является позитивным фактором.

Worst practices (это делать не надо)

• Формирование низкоавторитетных комитетов: Включение в комитет большого количества участников с низкой цитируемостью снизит средние показатели (E2, E8) и общую оценку события.
• Создание "карманных" журналов и замкнутых групп: Организация событий комитетами, состоящими из тесно связанных групп (высокие E5, E6), или где организаторы публикуют преимущественно свои же работы (высокий E7). Патент предусматривает пессимизацию таких практик через отрицательные веса.
• Сокрытие или запутывание информации о комитете: Недостаток информации о лицах, стоящих за событием, не позволит системе оценить их авторитетность.

Стратегическое значение

Патент имеет высокое стратегическое значение как детальный пример алгоритмической реализации E-E-A-T. Он подтверждает, что Google измеряет репутацию людей для оценки качества связанного с ними контента и организаций. Хотя реализация специфична для академической сферы, она подчеркивает важность работы над построением и демонстрацией экспертизы авторов и руководства в любой долгосрочной SEO-стратегии.

Практические примеры

Сценарий: Повышение видимости статей научного журнала в Google Scholar

Задача: Улучшить ранжирование статей, публикуемых в научном журнале университета.

Действия на основе патента:

1. Анализ редколлегии: Провести аудит текущего состава редакционной коллегии, оценив их показатели цитируемости (E2) и продуктивности (E8).
2. Усиление состава: Пригласить в редколлегию нескольких высокоцитируемых, авторитетных ученых из разных организаций.
3. Оптимизация веб-сайта: Убедиться, что страница "Редакционная коллегия" на сайте журнала содержит актуальную информацию (имена, аффилиации) в текстовом формате, доступном для парсинга, и размечена с помощью Schema.org.
4. Мониторинг профилей: Убедиться, что у членов редколлегии есть актуальные профили в Google Scholar.

Ожидаемый результат: При следующем пересчете метрик система зафиксирует увеличение авторитетности редколлегии (рост E2, E3). Это приведет к увеличению total_score_event журнала, что, в свою очередь, повысит ранжирование всех статей этого журнала в академическом поиске.