SEO HARDCORE
  • Разборы патентов
    • Патенты Google
  • Скоро SEO инструменты
  • Скоро SEO аналитика
  • seohardcore
SEO HARDCORE
назад

Как Google рассчитывает оценку авторитетности сайта, используя соотношение Независимых Ссылок и Брендовых Запросов

RANKING SEARCH RESULTS (Ранжирование результатов поиска)
  • US8682892B1
  • Google LLC
  • 2012-09-28
  • 2014-03-25
  • Ссылки
  • EEAT и качество
  • SERP
  • Техническое SEO
  • Описание
  • Разбор
  • Выводы
  • Практика
  • FAQ
  • Похожие

Google рассчитывает метрику авторитетности для веб-сайтов на основе соотношения количества независимых входящих ссылок к количеству брендовых (референсных) запросов. Сайты, имеющие много независимых ссылок относительно их поисковой популярности, получают преимущество. Напротив, популярные сайты с недостаточным количеством внешних ссылок могут быть понижены в ранжировании по общим запросам.

Описание

Какую проблему решает

Патент решает задачу количественной оценки авторитетности и качества сайтов (groups of resources) путем анализа баланса между внешним цитированием и пользовательским интересом. Он предлагает механизм для понижения в ранжировании сайтов, которые популярны (имеют много reference queries), но не имеют достаточного подтверждения авторитетности от внешних источников (недостаточно independent incoming links).

Что запатентовано

Запатентована система, которая вычисляет коэффициент модификации (Group-Specific Modification Factor) для групп ресурсов (например, доменов). Этот коэффициент основан на соотношении количества независимых входящих ссылок (IL) к количеству ссылочных (брендовых) запросов (RQ). Согласно формулам в патенте, более высокое соотношение (больше ссылок относительно запросов) приводит к более высокому (повышающему) коэффициенту.

Как это работает

Система работает в два этапа:

  • Офлайн-расчет: Для каждого сайта подсчитываются IL и RQ. Вычисляется соотношение M = IL/RQ. Сайты группируются по объему RQ (популярности), и коэффициент M нормализуется (NM) внутри каждой группы. Это позволяет сравнить авторитетность сайтов аналогичной популярности.
  • Онлайн-применение: При ранжировании исходная оценка (Initial Score) ресурса корректируется с помощью NM. Высокий NM повышает оценку, низкий — понижает. Корректировка не применяется к навигационным запросам и к результатам с низкой исходной оценкой.

Актуальность для SEO

Высокая. Оценка авторитетности (E-E-A-T) и качества сайтов остается фундаментальной задачей Google. Этот патент, одним из авторов которого является Navneet Panda, предлагает конкретный, измеримый механизм для оценки репутации сайта, используя комбинацию ссылочных и поведенческих сигналов. Механизм напрямую связан с оценкой качества на уровне всего сайта.

Важность для SEO

Патент имеет критическое значение (9/10) для долгосрочной SEO-стратегии. Он демонстрирует, что популярность и трафик сами по себе не гарантируют высоких позиций, если они не подкреплены соответствующим количеством независимых внешних ссылок. Сайты, которые не работают над построением ссылочного авторитета пропорционально росту их популярности, рискуют быть пониженными этим алгоритмом.

Детальный разбор

Термины и определения

Group of resources (Группа ресурсов)
Набор ресурсов, объединенных по признаку, чаще всего по адресу (address-based group), например, все страницы на одном домене или хосте.
Independent Incoming Link (IL) (Независимая входящая ссылка)
Входящая ссылка на ресурс в группе, источник которой признан независимым от цели. Независимость определяется тем, что ресурсы находятся в разных группах, эти группы не связаны (например, владельцем или хостингом) и не являются дубликатами.
Reference Query (RQ) (Референсный/Ссылочный запрос)
Поисковый запрос, классифицированный как относящийся к ресурсу в группе. Включает запросы, содержащие URL, название бренда или являющиеся навигационными запросами к сайту. Служит мерой популярности или известности группы.
Modification Factor (M) (Коэффициент модификации)
Исходная метрика авторитетности для группы. Рассчитывается как соотношение: M=IL/RQM = IL/RQM=IL/RQ.
Partition (Партиция/Сегмент)
Подмножество групп ресурсов со схожим количеством Reference Queries (RQ). Используется для обеспечения справедливого сравнения.
Normalized Modification Factor (NM) (Нормализованный коэффициент модификации)
Финальный Group-Specific Modification Factor. Получается путем нормализации M относительно других групп в той же партиции.
Initial Score (IS) (Исходная оценка)
Оценка ранжирования ресурса до применения коэффициента модификации.
Resource-Specific Modification Factor (f) (Специфичный для ресурса коэффициент модификации)
Финальный коэффициент, применяемый к IS. Основан на NM, но скорректирован с учетом типа запроса и порогов IS.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает фундаментальный метод расчета.

  1. Для множества групп ресурсов определяется количество Independent Incoming Links (IL).
  2. Определяется количество Reference Queries (RQ).
  3. Определяется Group-Specific Modification Factor, основанный на IL и RQ.
  4. Этот фактор используется для модификации Initial Scores ресурсов этой группы.

Claim 21 (Зависимый от 1): Определяет формулу расчета.

Исходный коэффициент модификации (M) является отношением (ratio) IL к RQ. M=IL

Выводы

  1. Авторитетность как соотношение цитирования и популярности: Патент предлагает конкретную формулу для оценки авторитетности сайта: M = IL/RQ. Согласно математике патента (Claims 11, 12), более высокое соотношение (больше независимых ссылок относительно брендовых запросов) интерпретируется как положительный сигнал и ведет к повышению ранжирования.
  2. Пессимизация популярных сайтов без ссылочного подтверждения: Сайты, которые стали популярными (высокий RQ), но не получили достаточного количества независимых ссылок (низкий IL), будут иметь низкий коэффициент M. Это приведет к понижению их ранжирования по общим запросам.
  3. Нормализация и сравнение с пирами (Peer Comparison): Оценка сайта зависит не от абсолютных значений, а от сравнения с сайтами аналогичного уровня популярности (в той же партиции RQ). Это обеспечивает справедливость оценки для сайтов разного масштаба.
  4. Критичность независимости ссылок: Требование Independent Links направлено против PBN, сеток сайтов одного владельца и обмена ссылками. Учитываются только ссылки, представляющие собой реальное внешнее подтверждение авторитетности.
  5. Защита релевантности и навигационного трафика: Система имеет механизмы защиты: она не применяется к результатам с низкой исходной релевантностью (ниже T1), предотвращая повышение нерелевантного контента, и не корректирует ранжирование по навигационным запросам.

Практика

Best practices (это мы делаем)

  • Фокус на получении независимых редакционных ссылок: Критически важно наращивать количество Independent Links. Приоритет отдается ссылкам с сайтов, которые система признает несвязанными с вашим. Качество и независимость доноров имеют первостепенное значение.
  • Сбалансированное развитие: Необходимо следить за тем, чтобы рост популярности сайта (RQ) сопровождался пропорциональным ростом внешнего цитирования (IL). Если сайт становится популярным (например, из-за рекламы или виральности), необходимо активизировать усилия по получению качественных ссылок для поддержания высокого соотношения IL/RQ.
  • Построение авторитета в нише: Стратегии, направленные на становление экспертным источником (например, публикация исследований, качественный контент-маркетинг), способствуют получению высокого IL при относительно низком RQ (нишевая популярность). Это положительно сказывается на коэффициенте M.
  • Обеспечение базовой релевантности: Авторитетность сайта (высокий NM) даст бустинг только тем страницам, которые уже прошли порог релевантности (T1). Работа над контентом и интентом остается обязательной.

Worst practices (это делать не надо)

  • Использование PBN и не независимых ссылок: Ссылки из PBN или с аффилированных сайтов будут отфильтрованы при подсчете Independent Links, что делает такие стратегии неэффективными для улучшения метрики M.
  • Искусственная накрутка брендовых запросов (RQ): Попытки манипулировать RQ без одновременного роста IL приведут к уменьшению соотношения IL/RQ. Это снизит коэффициент M и приведет к понижению ранжирования.
  • Игнорирование линкбилдинга при росте популярности: Полагаться только на популярность бренда или качество продукта без работы над внешними ссылками опасно. Высокий RQ при низком IL дает низкий коэффициент M и ведет к пессимизации по общим запросам.

Стратегическое значение

Патент демонстрирует конкретный механизм количественной оценки Авторитетности (как части E-E-A-T). Он подтверждает, что Google не приравнивает популярность к авторитетности. Популярность (RQ) должна быть подтверждена внешним цитированием (IL). Стратегически это означает, что для успеха в высококонкурентных нишах необходимо не просто привлекать трафик, но и становиться цитируемым источником, получая ссылки от независимых авторитетов.

Практические примеры

Сценарий: Сравнение авторитетности двух сайтов

Сайт А (Популярный новостной портал): Очень высокий RQ (1,000,000 запросов), но среднее количество IL (100,000 ссылок). M = 0.1.

Сайт Б (Нишевый исследовательский центр): Низкий RQ (5,000 запросов), но очень высокий IL (50,000 ссылок). M = 10.

  1. Нормализация:
    • Сайт А сравнивается с другими топ-брендами. Если у них среднее M=0.5, то Сайт А (M=0.1) получит низкий NM (понижающий коэффициент), так как он менее авторитетен, чем аналоги.
    • Сайт Б сравнивается с другими нишевыми сайтами. Если у них среднее M=2, то Сайт Б (M=10) получит высокий NM (повышающий коэффициент), так как он значительно авторитетнее аналогов.
  2. Применение: При ранжировании по общему информационному запросу (например, "последствия изменения климата"), если оба сайта имеют релевантный контент (выше T1).
  3. Результат: Сайт Б получит значительный бустинг за счет высокого NM и может ранжироваться выше Сайта А, даже если Сайт А более популярен в целом.

Вопросы и ответы

Что такое "Independent Link" (Независимая ссылка) и как Google определяет независимость?

Это входящая ссылка, источник которой не связан с целью. Патент описывает несколько критериев: источник и цель находятся в разных группах (доменах); группы не связаны между собой (например, общим владельцем или хостингом); источник не является дубликатом цели (проверяется схожесть контента, CSS). На практике это означает, что ссылки из PBN или сайтов одного владельца не будут засчитаны как независимые.

Что входит в "Reference Queries" (Референсные запросы)?

Это запросы, которые указывают на конкретный сайт или бренд. Сюда входят запросы, содержащие доменное имя (например, "example.com"), название бренда, а также любые запросы, классифицированные системой как навигационные для данного сайта. Они служат мерой популярности или известности сайта (RQ).

Если у сайта много ссылок, но мало брендовых запросов (Высокий IL/RQ), это хорошо или плохо согласно патенту?

Согласно формулам, описанным в патенте (Claims 11, 12), это хорошо. Высокое соотношение IL/RQ дает высокое значение модификатора M. Это указывает на то, что сайт является авторитетным источником, который часто цитируется, даже если он не является массово популярным. Такие сайты получат преимущество в ранжировании.

Если сайт очень популярен (много брендовых запросов), но имеет мало ссылок (Низкий IL/RQ), что произойдет?

Это негативный сценарий. Низкое соотношение IL/RQ дает низкое значение M. Когда этот показатель будет нормализован по сравнению с другими популярными сайтами, он, вероятно, получит низкий или понижающий коэффициент (NM). Это приведет к понижению страниц этого сайта в ранжировании по общим (не брендовым) запросам.

Как работает нормализация и почему она важна?

Нормализация обеспечивает справедливое сравнение. Сайты разделяются на группы (partitions) по объему их Reference Queries (RQ). Соотношение IL/RQ (M) затем сравнивается только с сайтами аналогичной популярности. Это позволяет оценить авторитетность сайта относительно его прямых аналогов, а не сравнивать нишевый блог с Amazon.

Влияет ли этот алгоритм на ранжирование по брендовым запросам самого сайта?

Нет. Патент явно указывает (Claim 8), что если запрос классифицирован как навигационный к ресурсу, то модификатор устанавливается так, чтобы не изменять исходную оценку. Это защищает выдачу по брендовым запросам.

Может ли авторитетный сайт ранжироваться по запросу, если его страница слабо релевантна?

Нет. В патенте предусмотрен порог T1. Если исходная оценка (Initial Score) ресурса ниже T1 (то есть страница недостаточно релевантна запросу), модификатор не применяется, независимо от авторитетности сайта. Это предотвращает повышение нерелевантного контента.

Какова связь этого патента с E-E-A-T?

Этот патент предлагает конкретный механизм для количественной оценки Авторитетности (A) в рамках E-E-A-T. Соотношение независимых ссылок к брендовым запросам служит измеримым индикатором репутации и авторитетности сайта. Высокий Normalized Modification Factor напрямую коррелирует с сильными сигналами E-E-A-T.

Стоит ли пытаться искусственно увеличить количество брендовых запросов?

Это плохая стратегия в контексте этого патента. Если вы увеличите Reference Queries (RQ) без пропорционального увеличения Independent Links (IL), ваше соотношение IL/RQ ухудшится (уменьшится). Это приведет к снижению вашего модификатора и потенциальному понижению в ранжировании.

Какая стратегия линкбилдинга наиболее эффективна в свете этого патента?

Наиболее эффективная стратегия — это получение максимально возможного количества качественных ссылок с независимых источников. При этом необходимо следить, чтобы рост ссылочной массы опережал или как минимум соответствовал росту популярности бренда (RQ), чтобы поддерживать высокое соотношение IL/RQ.

Похожие патенты

Как Google использует внутреннюю структуру сайта и авторитетность для корректировки ранжирования
Google использует механизм для уточнения позиций в поиске, анализируя как внешние сигналы (авторитетность сайта), так и внутренние сигналы (структура сайта, внутренние ссылки). Система вычисляет «Внутрисайтовую оценку ранжирования» для определения важности страницы внутри сайта и использует её для корректировки «Глобальной оценки ранжирования». Однако влияние внутренних факторов ограничивается уровнем доверия к сайту.
  • US8843477B1
  • 2014-09-23
  • Структура сайта

  • Техническое SEO

  • EEAT и качество

Как Google объединяет данные о ссылках и кликах для расчета авторитетности страниц (Query-Independent Score)
Google использует механизм расчета независимой от запроса оценки авторитетности (Query-Independent Score) с помощью дополненного графа ресурсов. Этот граф объединяет традиционные ссылки между страницами с данными о поведении пользователей, такими как клики по результатам поиска (CTR). Авторитетность передается не только через ссылки, но и через запросы, позволяя страницам с высоким уровнем вовлеченности пользователей набирать авторитет, даже если у них мало обратных ссылок.
  • US8386495B1
  • 2013-02-26
  • Поведенческие сигналы

  • Ссылки

  • 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 вычисляет оценку качества сайта на основе соотношения брендового интереса и общего поискового трафика
Google использует поведенческие данные для расчета оценки качества сайта (Site Quality Score). Метрика основана на соотношении количества уникальных запросов, направленных конкретно на сайт (брендовый/навигационный интерес), к общему количеству уникальных запросов, которые привели пользователей на этот сайт. Высокий показатель этого соотношения свидетельствует о высоком качестве и авторитетности сайта.
  • US9031929B1
  • 2015-05-12
  • Поведенческие сигналы

  • EEAT и качество

Как Google использует «Локальный авторитет» для переранжирования документов на основе их взаимосвязей внутри конкретной выдачи
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.
  • US6526440B1
  • 2003-02-25
  • Ссылки

  • Антиспам

  • SERP

Популярные патенты

Как Google выбирает каноническую (основную) версию документа, основываясь на авторитетности источника и полноте контента
Google использует систему для выбора канонической (основной) версии документа среди его дубликатов. Система присваивает «приоритет авторитетности» каждой версии, основываясь на источнике (например, официальный издатель) и праве публикации. Основной версией выбирается та, которая имеет высокий авторитет и является полной. При отсутствии идеального варианта выбирается версия с наибольшим объемом информации (например, самая длинная или с наибольшим PageRank).
  • US8095876B1
  • 2012-01-10
  • EEAT и качество

  • Техническое SEO

  • Ссылки

Как Google понижает в выдаче результаты, которые пользователь уже видел или проигнорировал в рамках одной поисковой сессии
Google использует механизм для улучшения пользовательского опыта во время длительных поисковых сессий. Если пользователь вводит несколько связанных запросов подряд, система идентифицирует результаты, которые уже появлялись в ответ на предыдущие запросы. Эти повторяющиеся результаты понижаются в ранжировании для текущего запроса, чтобы освободить место для новых, потенциально более полезных страниц. Понижение контролируется порогом релевантности, чтобы не скрывать важный контент.
  • US8051076B1
  • 2011-11-01
  • SERP

  • Поведенческие сигналы

Как Google использует анкорный текст входящих ссылок для определения синонимов и псевдонимов сущностей в Knowledge Graph
Google автоматически определяет синонимы и псевдонимы для сущностей (например, людей, компаний) в своем хранилище фактов (Knowledge Graph). Система анализирует анкорный текст ссылок, ведущих на исходные документы, из которых были извлечены факты о сущности. Это позволяет системе понять, что, например, "Биг Блю" и "IBM" относятся к одной и той же компании.
  • US8738643B1
  • 2014-05-27
  • Knowledge Graph

  • Семантика и интент

  • Ссылки

Как Google использует вероятностные модели и анализ пользовательского выбора (кликов) для обучения систем ранжирования
Патент Google описывает метод эффективного ранжирования контента (видео или результатов поиска) с использованием парных сравнений. Система моделирует качество как вероятностное распределение и оптимизирует сбор данных. Этот механизм может применяться для интерпретации кликов в поисковой выдаче как сигналов предпочтения, учитывая позицию результата и доверие к пользователю.
  • US8688716B1
  • 2014-04-01
  • SERP

  • Поведенческие сигналы

Как Google использует повторные клики, прямой трафик и время на сайте для расчета оценки качества домена и корректировки ранжирования
Google анализирует поведение пользователей на уровне домена (группы ресурсов) для вычисления модификатора ранжирования. Ключевые метрики включают долю повторных кликов (Repeat Click Fraction), долю прямого трафика (Deliberate Visit Fraction) и среднюю продолжительность визита (Average Duration). Эти данные используются для корректировки исходных оценок страниц сайта, понижая ресурсы с низкими показателями пользовательской лояльности и вовлеченности.
  • US9684697B1
  • 2017-06-20
  • Поведенческие сигналы

  • SERP

Как Google использует машинное обучение и поведенческие данные для прогнозирования полезности документов и решает, что включать в поисковый индекс
Google использует модель машинного обучения для определения, какие документы включать в поисковый индекс. Модель обучается на исторических данных о кликах и показах, чтобы предсказать будущую «оценку полезности» (Utility Score) документа. Документы ранжируются по этой оценке, а также с учетом других факторов (например, PageRank, стоимость индексации, свежесть, квоты), и лучшие из них попадают в индекс.
  • US8255386B1
  • 2012-08-28
  • Индексация

  • Поведенческие сигналы

Как Google использует историю поиска и браузинга для персонализации выдачи и определения предпочтений пользователя
Google записывает и анализирует историю действий пользователя: запросы, клики по результатам и рекламе, посещенные страницы. Система группирует связанные действия в сессии, определяет "Предпочитаемые локации" на основе частоты и времени визитов (stay-time), и использует эту историю для изменения порядка ранжирования, повышая позиции ранее посещенных сайтов в персональной выдаче.
  • US20060224583A1
  • 2006-10-05
  • Персонализация

  • Поведенческие сигналы

Как Google автоматически выбирает категории и контент для страниц сущностей, комбинируя данные о поведении пользователей и Knowledge Graph
Google использует механизм для автоматического создания страниц о сущностях (например, о фильмах или персонажах). Система определяет, какие категории (свойства) сущности наиболее интересны пользователям, сравнивая данные из Knowledge Graph с данными о том, что пользователи ищут или смотрят вместе с этой сущностью. Затем она наполняет эти категории популярным контентом.
  • US11036743B2
  • 2021-06-15
  • Knowledge Graph

  • Семантика и интент

  • Поведенческие сигналы

Как Google улучшает результаты поиска, подбирая похожие "идеальные" запросы из логов и структурированных данных
Google идентифицирует запросы, которые стабильно показывают высокое вовлечение пользователей (CTR, долгие клики), и генерирует синтетические запросы из структурированных данных (например, частотного анкорного текста). Когда пользователь вводит похожий, но потенциально плохо сформулированный запрос, Google использует эти "аугментирующие запросы" для предоставления более качественных и релевантных результатов.
  • US9128945B1
  • 2015-09-08
  • SERP

  • Поведенческие сигналы

  • EEAT и качество

Как Google интегрирует персональный и социальный контент (Email, посты друзей, календарь) в универсальную поисковую выдачу
Google использует этот механизм для глубокой персонализации поиска, интегрируя релевантный контент из личных источников пользователя (Gmail, Drive, Calendar) и от его социальных связей. Система индексирует этот контент с разрешения пользователя, ранжирует его с учетом социальных сигналов (Affinity) и адаптивно отображает в SERP, смешивая с публичными результатами.
  • US20150310100A1
  • 2015-10-29
  • Персонализация

  • Индексация

  • Поведенческие сигналы

seohardcore