Как Google добавляет случайный шум к оценкам спама в бизнес-листингах (Local SEO), чтобы помешать обратному инжинирингу фильтров

Термины и определения

Bound Function (B(x)) (Ограничивающая функция)

Функция, которая определяет максимальное количество шума, добавляемого к заданному Spam Score (x). Гарантирует, что итоговая оценка останется в допустимом диапазоне (например, 0.0–1.0) и позволяет контролировать величину шума.

Boundary Points (Граничные точки)

Значения Spam Score, которые соответствуют порогам применения различных санкций (например, точки, разделяющие зоны «принять», «понизить» и «удалить»).

Business Listing (z) (Бизнес-листинг)

Запись о компании (например, Google Business Profile), предназначенная для включения в поисковый индекс.

Fake Business Spam (Фальшивый бизнес-спам)

Мошенническая тактика, при которой создается большое количество листингов для несуществующих местоположений компании с целью доминирования в локальной выдаче.

Noise Function (N(z)) (Функция шума)

Функция, которая вычисляет конкретное значение шума для листинга (z). Рассчитывается как произведение Bound Function B(S(z)) и случайного числа R(z).

Noisy Spam Score (S'(z)) (Зашумленная оценка спама)

Итоговая оценка спама, используемая для принятия решений о санкциях. $S'(z) = S(z) + N(z)$.

R(z) (Генератор случайных чисел)

Компонент, генерирующий случайное значение (например, от -1.0 до 1.0). Может использовать данные листинга или параметры индексации (например, дату или имя индекса) как начальное значение (seed).

Shaped Bound Function (B'(x)) (Сформированная ограничивающая функция)

Модифицированная Bound Function, настроенная на увеличение или уменьшение шума вблизи Boundary Points (Noise Shaping).

Spam Score (S(z)) (Оценка спама)

Исходная базовая оценка, присвоенная листингу (z), указывающая на вероятность того, что он является мошенническим (0.0 – легитимный, 1.0 – спам).

Thresholds (Пороги)

Заранее определенные значения. First Threshold (например, 0.8) для удаления листинга. Second Threshold (например, 0.6) для понижения или пометки флагом.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод обработки листинга с вариацией оценки спама.

1. Система получает листинг и присваивает первую оценку спама (first spam score).
2. Первая оценка изменяется до второй (second spam score).
3. Ключевой механизм: Изменение происходит с использованием разных функций (Первая или Вторая) в зависимости от того, в какое подмножество диапазона попадает первая оценка.
4. Если вторая оценка превышает First Threshold, листинг удаляется или не включается в поиск.

Защищается метод неравномерного применения шума. Использование разных функций позволяет системе по-разному обрабатывать шум в разных частях диапазона. Это основа для механизма Noise Shaping, где шум вблизи границ (Вторая функция) отличается от шума в остальном диапазоне (Первая функция).

Claim 2, 3, 4, 5 (Зависимые): Вводят второй уровень санкций.

Если вторая оценка превышает Second Threshold (который ниже First Threshold), листинг идентифицируется как потенциальный спам. К нему применяется понижение в ранжировании (demoted) или он помечается для проверки (flagged).

Claim 6, 7, 8, 9 (Зависимые): Детализируют механизм формирования шума (Noise Shaping).

• Изменение оценки включает добавление функции шума (Claim 6).
• Вторая функция изменяет оценку на большую величину, чем первая, когда оценка находится вблизи одного из порогов (Claim 7).
• Система может специально увеличивать шум вблизи Второго порога (Claim 8) или уменьшать шум вблизи Первого порога (Claim 9).

Это позволяет точно настроить уровень неопределенности именно там, где спамеры пытаются найти границу.

Claim 11 (Независимый пункт): Альтернативное описание с уточнением природы функций.

1. Получение листинга, присвоение первой оценки и изменение до второй.
2. Изменение использует Первую функцию (включающую компонент шума) в одном диапазоне и Вторую функцию (включающую компонент без шума – non-noise component) в другом диапазоне.
3. Если вторая оценка превышает порог, листинг идентифицируется как потенциальный спам.

«Компонент без шума» во Второй функции можно интерпретировать как детерминированные параметры (например, значения порогов и коэффициенты крутизны в формуле B'(x)), которые используются для модификации (шейпинга) базового шума вблизи граничных точек.

Где и как применяется

Изобретение применяется на этапе обработки данных индекса, до того как листинги становятся доступны для поиска, и фокусируется на индексе локального поиска.

INDEXING – Индексирование и извлечение признаков

Основной этап применения. Патент указывает, что спам-фильтрация и добавление шума могут происходить:

1. Ближе к концу процесса индексирования: После того как листинги собраны и проанализированы, рассчитывается Spam Score и добавляется шум, прежде чем индекс копируется на рабочие машины (production machines).
2. В потоке обновлений (update stream): Отдельный процесс, который обрабатывает обновления в реальном времени.

Патент подчеркивает, что шум должен быть добавлен до принятия решения об удалении или понижении листинга, и рекомендует выполнять это как можно позже в процессе обработки.

RANKING / RERANKING – Ранжирование
Если система решает понизить (demote) листинг на основе Noisy Spam Score, это напрямую влияет на его позицию на этапе ранжирования.

Входные данные:

• Бизнес-листинг (z).
• Исходный Spam Score S(z).
• Параметры ограничивающей функции B(x) или B'(x) и пороговые значения (Thresholds).

Выходные данные:

• Зашумленный Spam Score S'(z).
• Решение о статусе листинга (легитимный, пониженный/флаг, удаленный).

На что влияет

• Конкретные типы контента: Патент строго сфокусирован на Business Listings и борьбе с Fake Business Spam. Это напрямую относится к системам локального поиска (Local SEO, Google Maps, Google Business Profile).
• Конкретные ниши или тематики: Наибольшее влияние в конкурентных локальных нишах, подверженных спаму (например, услуги на дому, ремонт, юридические услуги), где активно используются тактики создания фейковых локаций и тестирования алгоритмов.

Когда применяется

• Условия работы алгоритма: Применяется ко всем бизнес-листингам, проходящим процесс оценки спама.
• Временные рамки и частота: Во время перестроения основного индекса (упоминается период в несколько недель) или при обработке листинга через поток обновлений (в реальном времени).
• Триггеры активации (Шейпинг шума): Специальная логика изменения шума (использование модифицированных функций) активируется, когда Spam Score находится вблизи пороговых значений (Boundary Points).

Пошаговый алгоритм

Процесс обработки бизнес-листинга (z) и добавления шума:

1. Получение данных и расчет исходной оценки: Система получает листинг и присваивает исходный Spam Score S(z) (от 0.0 до 1.0).
2. Определение параметров шума (Noise Shaping): Система выбирает соответствующую ограничивающую функцию. Если S(z) находится вблизи порогов, может использоваться модифицированная функция B'(x) для увеличения или уменьшения шума. Рассчитывается максимальная величина шума: B(S(z)).
3. Генерация случайного значения: Генерируется случайное число R(z) (от -1.0 до 1.0). В качестве затравки (seed) может использоваться контент листинга или параметры индексации.
4. Расчет шума: Вычисляется функция шума N(z) по формуле: $N(z) = B(S(z)) * R(z)$.
5. Расчет итоговой оценки: Вычисляется зашумленная оценка спама S'(z) по формуле: $S'(z) = S(z) + N(z)$.
6. Сравнение с Первым порогом (T1): Проверяется, превышает ли S'(z) значение First Threshold (например, 0.8).
   • Если ДА: Листинг идентифицируется как мошеннический и удаляется из индекса. Процесс завершен.
7. Сравнение со Вторым порогом (T2): Проверяется, превышает ли S'(z) значение Second Threshold (например, 0.6).
   • Если ДА: Листинг понижается в ранжировании (demoted) или помечается для проверки (flagged for inspection).
   • Если НЕТ: Листинг считается легитимным.

Какие данные и как использует

Данные на входе

Патент фокусируется на механизме обфускации, предполагая, что Spam Score уже рассчитан. Однако он упоминает факторы, используемые для расчета исходной оценки:

• Контентные факторы:
  • Название бизнес-листинга (business listing title).
  • Идентифицирующая информация в листингах.
• Географические факторы:
  • Местоположение бизнеса.
• Системные данные (для генерации шума): Информация из листинга, дата или имя создаваемого индекса могут использоваться как начальное значение (seed) для генератора случайных чисел R(z).

Какие метрики используются и как они считаются

Метрики для расчета исходного Spam Score (S(z)):

• Географическая плотность (geographic density) предприятий в той же категории.
• Повторяющаяся идентифицирующая информация (repeated identifying information) в разных листингах.
• Соотношение общих терминов в названии бизнес-листинга к общему количеству слов в названии.

Метрики для расчета шума:

• Limit Value (L): Глобальное максимальное количество шума (в примере L=0.1).
• Bound Function (B(x)): Определяет максимальный шум. Должна удовлетворять условиям $B(x) \le x$ и $B(x) \le 1-x$ (чтобы оценка оставалась в пределах 0-1). Пример простой функции: $B(x) = K*(x-x^2)^2$.
• Shaped Bound Function (B'(x)): Используется для шейпинга шума (Noise Shaping) – увеличения или уменьшения шума вблизи пороговых значений с помощью дополнительных множителей (как в Eq. 12 патента).

1. Намеренная обфускация через недетерминизм: Основная цель патента — сделать невозможным для спамеров точное определение порогов срабатывания спам-фильтров и весов отдельных факторов. Добавление шума приводит к тому, что похожие или идентичные листинги получают разные итоговые оценки и санкции.
2. Ненадежность SEO-тестирования границ: Этот механизм напрямую подрывает эффективность A/B тестирования спам-фильтров в Local SEO. Выводы, сделанные на основе наблюдения за поведением алгоритма, могут быть ложными из-за внесенного шума.
3. Шейпинг шума (Noise Shaping): Шум не применяется равномерно. Google точно контролирует уровень шума вблизи критических границ (Boundary Points). Они могут увеличивать шум для максимизации путаницы или уменьшать его для минимизации ложных срабатываний.
4. Фокус на Local SEO: Патент специфичен для Business Listings и борьбы с Fake Business Spam. Все выводы применимы к оптимизации и управлению Google Business Profile.
5. Риски «серой зоны»: Листинги, чьи базовые оценки спама находятся вблизи пороговых значений, подвержены высокому риску случайного применения санкций. Из-за шума листинг может непредсказуемо пересекать границу (например, быть удаленным вместо понижения или наоборот).
6. Важность чистых сигналов легитимности: Единственная надежная стратегия — поддерживать базовый Spam Score как можно ближе к нулю, вне «шумных» зон риска.

Best practices (это мы делаем)

• Обеспечение максимальной легитимности (Local E-E-A-T): Ключевая стратегия — поддерживать сигналы качества и достоверности на высоком уровне, чтобы базовый Spam Score был как можно ниже. В этой зоне влияние шума минимально, что обеспечивает стабильность и защиту от случайных санкций.
• Консервативный подход к оптимизации GBP: Избегайте тактик, которые могут повысить Spam Score. Строго следуйте правилам Google Business Profile. Учитывайте факторы, упомянутые в патенте как примеры спама: избегайте переоптимизации названий (анализ соотношения терминов), не создавайте дубликаты (повторяющаяся информация) и будьте осторожны в перенасыщенных нишах (географическая плотность).
• Принятие неопределенности при тестировании и диагностике: При проведении экспериментов или диагностике блокировок GBP учитывайте, что непоследовательные результаты могут быть следствием работы этого механизма, а не изменения алгоритма или конкретной проблемы с листингом.

Worst practices (это делать не надо)

• Оптимизация «на грани фола» и работа в «серой зоне»: Попытки балансировать на грани допустимого (например, использование виртуальных офисов, агрессивное насыщение ключевыми словами в названии). Поскольку границы намеренно размыты шумом, такие стратегии крайне рискованны и нестабильны.
• Обратный инжиниринг порогов спама: Трата ресурсов на определение точных порогов срабатывания фильтров путем отправки тестовых листингов. Патент описывает механизм, который делает такие тесты вводящими в заблуждение.
• Игнорирование непоследовательности санкций: Если один спамный листинг прошел фильтр, это не значит, что тактика безопасна. Это может быть результатом случайного шума, который будет другим при следующей обработке.

Стратегическое значение

Патент подтверждает, что Google активно и намеренно противодействует попыткам обратного инжиниринга своих алгоритмов, используя состязательный (adversarial) подход к борьбе со спамом. Для SEO-специалистов это означает переход от поиска лазеек к стратегиям, сфокусированным на долгосрочном качестве и легитимности. Система спроектирована так, чтобы сделать манипулятивные тактики непредсказуемыми и рискованными.

Практические примеры

Сценарий: Непоследовательная блокировка GBP профилей с переоптимизированными названиями

SEO-специалист управляет двумя профилями в одной нише и использует агрессивную оптимизацию названий.

1. Исходные данные:
   • Листинг A: Название включает 5 ключевых слов. Базовый S(A) = 0.78.
   • Листинг B: Название включает 6 ключевых слов. Базовый S(B) = 0.82.
2. Пороги и шум: Порог удаления (T1) = 0.80. Максимальный шум в этой зоне (L) = 0.05.
3. Обработка (Цикл 1): Система добавляет случайный шум.
   • Листинг A: Шум = +0.03. Итоговый S'(A) = 0.81.
   • Листинг B: Шум = -0.03. Итоговый S'(B) = 0.79.
4. Результат Цикла 1: Листинг A (с меньшим количеством ключей) удален (S'(A) > 0.80). Листинг B (с большим количеством ключей) остается активным.
5. Обработка (Цикл 2, после обновления индекса): Система добавляет новый случайный шум (так как seed может зависеть от даты индекса).
   • Листинг A (если восстановлен): Шум = -0.01. Итоговый S'(A) = 0.77.
   • Листинг B: Шум = +0.01. Итоговый S'(B) = 0.83.
6. Результат Цикла 2: Листинг A активен. Листинг B удален.
7. Вывод специалиста: Результаты кажутся случайными и противоречивыми. Невозможно определить точный лимит ключевых слов, что и является целью патента.