Как Google идентифицирует, отбирает и диверсифицирует показ экспертов (Authoritative Users) в результатах поиска

Термины и определения

AU Engine (Модуль обработки AU)

Компонент поисковой системы, отвечающий за сравнение запросов с триггерами, извлечение и обработку списка авторитетных пользователей.

Authoritative User (AU) (Авторитетный пользователь, Эксперт)

Пользователь компьютерных сервисов (например, социальной сети, блога), который был определен как авторитет (эксперт) по одной или нескольким темам.

Computer-implemented services (Компьютерные службы)

Платформы, используемые для идентификации AU и социальных связей. Включают социальные сети, сервисы обмена документами/фотографиями, блоги и микроблоги.

First set of AUs (Набор K)

Исходный набор из K авторитетных пользователей, связанных с конкретным Trigger Query. Включает идентификатор и Score.

Score (S) (Оценка авторитетности)

Числовая метрика, отражающая относительную авторитетность пользователя по отношению к конкретному Trigger Query.

Second set of AUs (Набор M)

Финальный набор из M авторитетных пользователей (M < K), выбранный из Набора K для отображения в результатах поиска.

Social Connections (Социальные связи)

Связи между пользователями в рамках компьютерных служб. Могут быть прямыми (direct contacts) или косвенными (indirect contacts).

Trigger Query (QT) (Триггерный запрос)

Заранее определенный запрос. При совпадении входящего запроса с ним активируется механизм показа AU.

Ключевые утверждения (Анализ Claims)

Формула изобретения (Claims) в этом патенте фокусируется не просто на показе экспертов, а на специфическом механизме диверсификации при обработке идентичных или схожих запросов.

Claim 1 (Независимый пункт): Описывает метод обработки двух последовательных поисковых запросов для обеспечения разного вывода экспертов.

1. Система получает первый и второй поисковые запросы от пользователя.
2. Определяется, что оба запроса совпадают с одним и тем же Trigger Query.
3. Извлекаются данные о наборе Authoritative Users (AUs) и их оценки (Scores).
4. Идентифицируется Первое подмножество AUs на основе их оценок (т.е. топ экспертов).
5. Идентифицируются Второе подмножество и Третье подмножество AUs путем случайного выбора из исходного набора. При этом:
   • Они исключают пользователей из Первого подмножества.
   • Второе и Третье подмножества отличаются друг от друга.
6. В ответ на первый запрос: отображаются Первое (Топ) и Второе (Случайное 1) подмножества.
7. В ответ на второй запрос: отображаются Первое (Топ) и Третье (Случайное 2) подмножества.

Ядро изобретения, согласно Claim 1, заключается в комбинации стабильного ядра экспертов (выбранных по Score) и динамически меняющейся группы экспертов (выбранных случайно). Это гарантирует, что пользователь увидит разный набор экспертов при выполнении одного и того же поиска дважды.

Примечание: Хотя в описании патента (Description) упоминаются и другие правила фильтрации (например, только по оценке или с учетом социальных связей), защищенная формула изобретения (Claim 1) фокусируется именно на этом гибридном методе для диверсификации.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно рассчитанные данные об авторитетности сущностей и влияя на финальное формирование SERP.

INDEXING – Индексирование и извлечение признаков
На этом этапе (офлайн) система выполняет предварительные вычисления:

• Идентифицирует потенциальных Authoritative Users, анализируя computer-implemented services.
• Рассчитывает их оценки авторитетности (Scores) для различных тем.
• Индексирует социальные графы для анализа Social Connections.

QUNDERSTANDING – Понимание Запросов
Система заранее формирует Trigger Queries Database, связывая триггерные запросы с наборами AU (Набор K) и их оценками. В реальном времени система определяет, совпадает ли входящий запрос с Trigger Query.

RANKING – Ранжирование
Основной движок генерирует стандартные результаты поиска.

METASEARCH – Метапоиск и Смешивание
Основное применение патента. AU Engine активируется при совпадении с триггером.

1. Извлечение: AU Engine получает исходный пул экспертов (K).
2. Обработка: Применяются правила фильтрации (оценка, рандомизация, социальные связи) для определения финального набора (M).
3. Смешивание: Финальный набор (M) интегрируется в общий поток результатов поиска, формируя специальный блок (Authoritative Users Portion).

Входные данные:

• Исходный запрос пользователя.
• Идентификатор пользователя (для проверки социальных связей и отслеживания повторных запросов).
• Trigger Queries Database (с данными об AU и их Scores).
• Данные о социальных связях пользователя.

Выходные данные:

• Инструкции для отображения финального набора (M) Authoritative Users (включая имена, фото и ссылки на профили) вместе со стандартными результатами поиска.

На что влияет

• Специфические запросы: Влияет только на запросы, совпадающие с Trigger Query. Это часто информационные запросы или запросы, где важна экспертиза (технологии, хобби, здоровье).
• Конкретные типы контента: Влияет на видимость профилей отдельных лиц (авторов, экспертов) и их контента на внешних платформах.
• Конкретные ниши или тематики: Особенно актуально для YMYL-тематик, где демонстрация авторитетности критически важна.

Когда применяется

• Триггер активации: Алгоритм активируется только тогда, когда входящий поисковый запрос совпадает или достаточно похож на заранее определенный Trigger Query.
• Условия применения: Применяется при наличии достаточного пула Authoritative Users (K), связанных с этим триггером.

Пошаговый алгоритм

Процесс обработки запроса и выбора Authoritative Users

1. Получение запроса: Система получает поисковый запрос от пользователя.
2. Кросс-референсинг: Запрос сравнивается с базой данных Trigger Queries.
3. Проверка совпадения: Определяется, есть ли совпадение с триггерным запросом.
   • Если НЕТ: Отобразить только стандартные результаты поиска.
   • Если ДА: Перейти к шагу 4.
4. Получение Первого набора (K): Система извлекает исходный пул (K) Authoritative Users и их Scores.
5. Определение Второго набора (M) – Фильтрация: Система обрабатывает Набор K, чтобы определить финальный Набор M (M < K), применяя одно из правил (как описано в патенте):
   • Правило 1 (Только по оценке): Выбрать M пользователей с наивысшими Scores.
   • Правило 2 (Гибрид: Оценка + Случайность): Выбрать N пользователей с наивысшими Scores (N < M). Затем случайно выбрать M-N пользователей из оставшихся в пуле K. (Этот метод используется для диверсификации, как описано в Claim 1).
   • Правило 3 (Только случайность): Случайно выбрать M пользователей из пула K.
   • Правило 4 (Социальные связи): Проверить, есть ли пользователи из пула K в Social Connections (прямых или косвенных) с ищущим пользователем. Включить их в набор M в приоритетном порядке. Заполнить оставшиеся места, используя Правила 1, 2 или 3.
6. Передача инструкций: Система передает инструкции для отображения стандартных результатов поиска и финального набора (M) Authoritative Users.

Какие данные и как использует

Данные на входе

Патент предполагает, что данные об авторитетности уже рассчитаны, и фокусируется на механизме отбора.

• Факторы авторитетности (Предварительно рассчитанные): Используются Scores (S), которые отражают относительную авторитетность пользователя по отношению к Trigger Query. Патент не детализирует расчет Score.
• Пользовательские факторы (Социальные): Данные о Social Connections ищущего пользователя. Это включает прямые и косвенные контакты в используемых computer-implemented services (социальные сети, блоги, сервисы обмена контентом).
• Системные данные: База данных Trigger Queries и связанная с ней база Authoritative Users.

Какие метрики используются и как они считаются

• Score (S): Оценка авторитетности эксперта по теме. Используется для ранжирования.
• K (Размер пула): Общее количество идентифицированных экспертов для данного триггера.
• M (Размер выборки): Количество экспертов для отображения в SERP.
• N (Размер стабильного ядра): Количество экспертов, выбираемых строго по Score в гибридных правилах (N < M).
• Метрики социальных связей: Наличие и тип связи (прямая/косвенная) между ищущим пользователем и экспертом. Используется как критерий приоритетного включения.
• Рандомизация: Использование случайного выбора для заполнения части выборки M, обеспечивающее диверсификацию выдачи.

1. Авторитетность привязана к сущностям (людям): Патент подчеркивает важность идентификации авторитетных людей (Authoritative Users), а не только сайтов. Это напрямую связано с концепцией Экспертизы и Авторитетности в E-E-A-T.
2. Выборочное применение (Trigger Queries): Механизм не универсален. Он активируется только для заранее определенных запросов (Trigger Queries), для которых у Google есть список экспертов.
3. Многофакторный отбор экспертов: Выбор экспертов для показа зависит от трех основных факторов:
   • Авторитетность (Score): Базовый рейтинг эксперта по теме.
   • Персонализация (Social Connections): Приоритет отдается экспертам, с которыми пользователь связан.
   • Диверсификация (Randomization): Элемент случайности используется для ротации экспертов.
4. Диверсификация как ключевая функция: Как указано в Claim 1, система специально разработана для того, чтобы показывать разный набор экспертов при повторных идентичных запросах, комбинируя стабильное ядро топовых экспертов со случайно выбранными.
5. Зависимость от внешних платформ: Система полагается на данные из computer-implemented services (соцсети, блоги) для идентификации экспертов, расчета их авторитетности и определения социальных связей.

Best practices (это мы делаем)

• Построение индивидуальной экспертности (E-E-A-T / Entity SEO): Сосредоточьтесь на развитии публичной авторитетности ключевых авторов и экспертов компании. Необходимо добиться, чтобы Google идентифицировал их как Authoritative Users и присвоил высокий Score по ключевым темам.
• Четкая атрибуция и микроразметка: Убедитесь, что весь контент четко связан с его автором (используя микроразметку Person, author, sameAs). Это помогает связать контент на сайте с профилями на внешних платформах и рассчитать Score.
• Активность на внешних платформах: Поскольку патент ссылается на computer-implemented services, активность на релевантных платформах (профессиональные сети, блоги, X/Twitter, LinkedIn) критически важна для идентификации пользователя как эксперта и повышения его Score.
• Нетворкинг и построение связей: Патент явно указывает, что Social Connections используются для персонализации. Построение релевантных связей в профессиональной среде может увеличить вероятность показа вашего эксперта пользователям, которые находятся в вашем социальном графе.

Worst practices (это делать не надо)

• Анонимный или псевдонимный контент: Публикация контента без указания реального, проверяемого автора снижает вероятность идентификации Authoritative Users, связанных с вашей компанией.
• Игнорирование личного бренда: Фокусировка исключительно на авторитетности домена без развития авторитетности людей, создающих контент.
• Создание фейковых персон: Попытки манипулировать системой с помощью искусственно созданных «экспертов». Системы расчета Score авторитетности, вероятно, анализируют реальную активность и связи в сети.
• Распыление экспертизы: Попытка позиционировать одного автора как эксперта во множестве несвязанных тем может снизить его тематический Score по ключевым направлениям.

Стратегическое значение

Патент подтверждает стратегический приоритет Google на идентификацию и продвижение экспертного контента через идентификацию самих экспертов. Это важный элемент E-E-A-T и движения в сторону entity-based SEO. Долгосрочная стратегия должна включать развитие и продвижение личных брендов ключевых экспертов компании. Хотя конкретная реализация могла опираться на Google+, базовые принципы использования оценок авторитетности, персонализации и диверсификации остаются актуальными для современных систем, использующих Knowledge Graph и данные социальных платформ.

Практические примеры

Сценарий 1: Персонализация выбора экспертов (Правило 4)

1. Пользователь: Маркетолог, связанный с другими экспертами в профессиональной социальной сети.
2. Запрос: "SEO trends 2025". Система определяет его как Trigger Query.
3. Пул экспертов (K=20): Система извлекает 20 ведущих SEO-экспертов.
4. Фильтрация (M=3):
   • Эксперт А (Наивысший Score) включается.
   • Эксперт Б (Score ниже, но является прямым контактом пользователя в соцсети) включается в приоритетном порядке из-за Social Connection.
   • Эксперт В (Выбран случайно из оставшихся 18) включается для диверсификации.
5. Результат: Пользователь видит блок с экспертами A, Б и В.

Сценарий 2: Диверсификация при повторном запросе (Claim 1 / Правило 2)

1. Пользователь: Вводит запрос "квантовые вычисления".
2. Обработка первого запроса: Система выбирает Первое подмножество (Топ-2 эксперта по Score: Э1, Э2) и Второе подмножество (1 случайно выбранный эксперт: Э5).
3. Выдача 1: Показываются Э1, Э2, Э5.
4. Повторный запрос: Пользователь немедленно повторяет запрос "квантовые вычисления".
5. Обработка второго запроса: Система использует то же Первое подмножество (Э1, Э2), но выбирает новое Третье подмножество, отличающееся от Второго (например, случайно выбирается Э8).
6. Выдача 2: Показываются Э1, Э2, Э8.