Как Google использует «Trust Rank» сущностей и аннотации контента для ранжирования результатов поиска

Описание

Какую задачу решает

Патент решает проблему неспособности традиционных поисковых систем эффективно оценивать достоверность (trustworthiness) и авторитетность информации, полагаясь только на стандартные сигналы релевантности. Пользователи часто доверяют мнениям экспертов или сообществ на тематических сайтах (vertical knowledge sites), но эта информация о репутации обычно недоступна общему поиску. Изобретение предлагает механизм для интеграции этих сигналов доверия непосредственно в процесс ранжирования.

Что запатентовано

Запатентована система ранжирования результатов поиска, основанная на мере доверия (Trust Rank) к сущностям (Entities), которые предоставляют аннотации (Annotations или Labels) для веб-документов. Система собирает данные о доверительных связях между сущностями (явно или неявно) и вычисляет Trust Rank для каждой сущности. Этот ранг используется для корректировки стандартных оценок ранжирования (Information Retrieval scores) документов, которые были аннотированы этими сущностями.

Как это работает

Система функционирует следующим образом:

• Сбор аннотаций: Собираются аннотации (метки и связанные URL), созданные различными сущностями.
• Сбор данных о доверии: Собирается информация о том, кто кому доверяет. Это может быть явно (например, через интерфейс Trust Button с выбором тем) или неявно (анализ ссылок, Trust Lists, поведенческих паттернов).
• Расчет Trust Rank: Вычисляется Trust Rank для сущностей. Это может быть глобальный ранг (например, через анализ матрицы доверия) или персонализированная оценка (Trust Score).
• Обработка запроса: При получении запроса (который может включать Labels) система находит релевантные документы.
• Переранжирование: Для аннотированных документов система извлекает Trust Ranks аннотаторов, агрегирует их в Trust Factor и корректирует базовую оценку документа.

Актуальность для SEO

Высокая. Доверие, Авторитет и Экспертиза (E-E-A-T) являются центральными элементами алгоритмов качества Google. Этот патент описывает фундаментальный механизм для алгоритмической интеграции сигналов доверия в ранжирование. Изобретатель, R.V. Guha, является ключевой фигурой в развитии семантического веба и структурированных данных (например, Schema.org), что подчеркивает стратегическую важность этой концепции, несмотря на приоритет оригинальной заявки от 2006 года.

Важность для SEO

Патент имеет высокое стратегическое значение для SEO (8.5/10). Он демонстрирует конкретный механизм, посредством которого авторитетность и доверие к сущности (автору, сайту или стороннему эксперту, ссылающемуся на контент) могут напрямую влиять на ранжирование. Это подтверждает критическую важность построения надежной экспертизы и получения признания от уже авторитетных сущностей в рамках стратегии E-E-A-T.

Детальный разбор

Термины и определения

Annotation (Аннотация)

Информация, созданная сущностью для описания веб-контента. Включает метку (Label) и шаблон URL (URL pattern), с которым связана эта метка.

Entity (Сущность)

Человек, группа, организация, веб-сайт или другое лицо, которое может предоставлять аннотации и иметь уровень доверия.

Information Retrieval (IR) Score (Оценка информационного поиска)

Базовая оценка релевантности документа, рассчитываемая поисковой системой до применения факторов доверия.

Label (Метка)

Слово, фраза или другой идентификатор, используемый сущностью для описания или категоризации контента в рамках Annotation.

Trust Button (Кнопка доверия)

Элемент пользовательского интерфейса (например, на сайте эксперта), позволяющий пользователю явно выразить доверие к этой сущности, возможно, с указанием конкретных тем.

Trust Factor (Фактор доверия)

Значение, используемое для корректировки IR Score документа. Вычисляется на основе агрегированных показателей доверия сущностей, предоставивших релевантные аннотации.

Trust Matrix (M) (Матрица доверия)

Структура данных, хранящая значения прямого доверия между сущностями. Используется для расчета глобального Trust Rank.

Trust Rank (TR) (Ранг доверия)

Мера общего доверия к сущности. В описании патента указывается, что он может рассчитываться глобально (например, через анализ собственного вектора Trust Matrix).

Trust Score (Оценка доверия)

Термин, используемый в Claims. Персонализированная и тематически-специфичная оценка, указывающая степень доверия конкретного пользователя к определенной сущности.

Ключевые утверждения (Анализ Claims)

Примечание: Патент US10268641B1 является продолжением (continuation) более ранних заявок. Его Claims (Формула изобретения) сосредоточены на механизме установления персонализированного доверия через пользовательский интерфейс и его влиянии на ранжирование.

Claim 1 (Независимый пункт): Описывает метод установления и использования персонализированного, тематического доверия для ранжирования.

1. Система предоставляет пользовательский интерфейс (UI), связанный с определенной сущностью. UI включает (i) интерактивный элемент управления (например, Trust Button) и (ii) интерфейс для выбора тем из списка.
2. Система получает данные о взаимодействии пользователя с элементом управления И о выборе одной или нескольких тем.
3. В ответ система отправляет данные для присвоения оценки (score, т.е. персонализированного Trust Score) для этого пользователя по отношению к данной сущности по выбранным темам.
4. Эта оценка указывает поисковой системе степень, в которой следует полагаться на контент/аннотации этой сущности при генерации результатов для запросов этого пользователя.
5. При получении запроса от пользователя система получает результаты поиска, ранжированные хотя бы частично на основе этой персонализированной оценки доверия.
6. Ранжирование учитывает текст аннотаций (annotation text) и оценки доверия, которые пользователь имеет к аннотирующим сущностям.

Ядро этого конкретного патента — механизм явного, персонализированного и тематически-специфичного выражения доверия пользователем через UI, и последующее использование этого сигнала для переранжирования результатов поиска для этого конкретного пользователя.

Контекст (Описание патента): Важно отметить, что хотя Claims этого патента фокусируются на персонализированном доверии через UI (Trust Score), общее описание изобретения (Detailed Description) также описывает более широкую систему, где доверие может собираться неявно (через краулинг Trust Lists, анализ контактов, поведенческие паттерны) и рассчитываться глобально (используя Trust Matrix и анализ собственного вектора, подобно PageRank), что формирует глобальный Trust Rank.

Где и как применяется

Изобретение затрагивает несколько этапов поисковой архитектуры.

CRAWLING – Сканирование и Сбор данных
На этом этапе система собирает два типа данных:

• Аннотации: Краулер ищет Annotations (связки Label и URL) на веб-сайтах сущностей.
• Сигналы доверия: Краулер ищет неявные сигналы доверия, такие как Trust lists.

INDEXING – Индексирование и извлечение признаков
Происходит обработка собранных данных:

• Аннотации сохраняются в Annotation DB.
• Информация о доверии (явная, полученная через UI, и неявная) сохраняется в Trust DB.
• Система вычисляет глобальные Trust Ranks для сущностей (офлайн), используя Trust Matrix, или сохраняет персонализированные Trust Scores.

RANKING – Ранжирование
Поисковая система генерирует первичный набор результатов и рассчитывает базовые IR Scores.

RERANKING – Переранжирование
Основное применение патента. Система корректирует ранжирование на основе доверия:

1. Определяются аннотации, связанные с документами в результатах поиска.
2. Извлекаются показатели доверия (глобальные Trust Ranks или персонализированные Trust Scores) сущностей, предоставивших эти аннотации.
3. Показатели доверия агрегируются для расчета Trust Factor документа.
4. Базовые оценки корректируются с помощью Trust Factor, и результаты переранжируются.

На что влияет

• Конкретные ниши или тематики: Наибольшее влияние в YMYL-тематиках, обзорах продуктов и областях, где экспертиза и достоверность источника критически важны.
• Специфические запросы: Влияет на запросы, где пользователи ищут надежные мнения. Механизм особенно активируется, если пользователь явно использует синтаксис меток в запросе (например, «digital camera label:professional review»).
• Персонализация выдачи: Как указано в Claims, система может сильно персонализировать выдачу на основе явных сигналов доверия, указанных пользователем.

Когда применяется

• Условия активации: Алгоритм применяется, когда документы в наборе результатов имеют связанные с ними Annotations (Labels), и сущности, предоставившие эти аннотации, имеют рассчитываемый показатель доверия (Trust Rank или Trust Score).
• Триггеры: Применение усиливается, если запрос пользователя явно содержит Labels, или если система использует персонализированные данные о доверии этого пользователя.

Пошаговый алгоритм

Процесс А: Офлайн (Сбор данных и расчет рангов)

1. Сбор аннотаций: Система собирает Annotations (Label и URL Pattern) через краулинг или API. Аннотации сохраняются в Annotation DB с привязкой к сущности.
2. Сбор сигналов доверия: Система собирает информацию о доверии. Это включает явные сигналы (взаимодействие с UI, выбор тем – Claims) и неявные сигналы (краулинг Trust Lists, анализ контактов, поведение – Описание).
3. Хранение данных о доверии: Отношения доверия сохраняются в Trust DB. Для глобального расчета формируется Trust Matrix (M).
4. Расчет показателей доверия: Система вычисляет глобальный Trust Rank (TR) (например, через анализ собственного вектора матрицы M) или сохраняет персонализированные Trust Scores.

Процесс Б: Онлайн (Обработка запроса и ранжирование)

1. Получение запроса: Система получает запрос (термины и, опционально, Labels).
2. Первичное ранжирование: Система извлекает документы и рассчитывает базовые IR Scores.
3. Идентификация аннотаций: Для каждого документа система определяет связанные с ним Annotations из Annotation DB.
4. Извлечение показателей доверия: Для каждой релевантной аннотации извлекается показатель доверия предоставившей ее сущности (глобальный Trust Rank или персонализированный Trust Score для данного пользователя/темы).
5. Агрегация показателей доверия: Если несколько сущностей предоставили релевантные метки, их показатели доверия агрегируются. Патент упоминает различные функции взвешивания: линейная, асимптотическая (например, сумма логарифмов), сигмоидальная.
6. Расчет Trust Factor: Агрегированные показатели комбинируются в общий Trust Factor документа.
7. Корректировка оценки: Базовый IR Score документа корректируется (например, умножается) на Trust Factor.
8. Переранжирование: Результаты поиска сортируются на основе скорректированных оценок.

Какие данные и как использует

Данные на входе

• Структурные и Контентные факторы:
  • Annotations: Связки Label и URL pattern.
  • Анкорный текст: Текст ссылки может рассматриваться как Label в аннотации.
• Пользовательские и Поведенческие факторы (Сигналы Доверия):
  • Явные сигналы: Взаимодействие пользователя с интерфейсом (Trust Button), выбор тем для доверия (Claims).
  • Неявные сигналы (Описание): Списки контактов электронной почты или чатов; паттерны посещения веб-сайтов (web visitation patterns).
  • Обнаруженные краулером данные: Trust lists (кому доверяет владелец сайта) и Vanity lists (кто доверяет владельцу сайта).

Какие метрики используются и как они считаются

• Trust Matrix (M): Квадратная матрица, где значение $M_{ij}$ хранит значение прямого доверия сущности i к сущности j.
• Trust Rank (TR): Глобальная мера достоверности сущности. Рассчитывается как компонент собственного вектора (eigenvector) матрицы M, соответствующий собственному значению 1 (аналогично расчету PageRank).
• Trust Score (Персонализированный): Оценка, основанная на прямых указаниях пользователя о доверии к сущности по определенной теме (Claims).
• Topic-Specific Trust Rank/Score: Показатель доверия, рассчитанный в контексте конкретной темы.
• Aggregated Trust Rank: Комбинация показателей доверия нескольких сущностей, применивших одну и ту же метку к документу. Рассчитывается с использованием функций взвешивания (линейная, асимптотическая, сигмоидальная и т.д.).
• Trust Factor: Общая корректировка доверия для документа, агрегирующая Aggregated Trust Ranks всех релевантных меток.
• Trust-Adjusted IR Score: Финальная оценка ранжирования после применения Trust Factor к базовой оценке.

Выводы

1. Формализация E-E-A-T через Trust Rank: Патент предоставляет конкретный алгоритмический механизм для измерения и применения сигналов доверия (Trustworthiness из E-E-A-T). Trust Rank является формализованной метрикой авторитетности сущности.
2. Передача авторитета через аннотации: Авторитет передается от сущности к контенту через Annotations (метки или ссылки). Если сущность с высоким показателем доверия аннотирует документ, это напрямую повышает потенциал ранжирования этого документа.
3. Доверие является многогранным: Система учитывает, что доверие может быть глобальным (общая репутация, Trust Rank), персонализированным (явный выбор пользователя, Trust Score) и тематически-специфичным (доверие в конкретных темах).
4. Важность структурированных данных (Labels): Labels действуют как механизм структурирования мнений и экспертизы. Учитывая роль изобретателя (R.V. Guha) в создании Schema.org, можно провести прямую аналогию между Labels в патенте и использованием структурированных данных в современном SEO.
5. Механизм обеспечения качества выдачи: Повышая контент от доверенных источников, система естественным образом понижает контент от источников с низким Trust Rank, что служит механизмом борьбы со спамом и дезинформацией.

Практика

Best practices (это мы делаем)

• Построение авторитетной сущности (Entity Building и E-E-A-T): Ключевая стратегия — стать узнаваемой и доверенной сущностью (Entity) в своей нише. Необходимо работать над всеми аспектами E-E-A-T для авторов и организации, чтобы добиться высокого Trust Rank.
• Фокус на тематический авторитет (Topical Authority): Патент подчеркивает важность тематически-специфичного доверия. Необходимо концентрировать усилия на построении глубокой экспертизы в конкретных темах, чтобы стать доверенным источником именно в них.
• Получение признания от доверенных источников: Необходимо стимулировать получение аннотаций, ссылок, цитирований и упоминаний от сущностей, которые уже обладают высоким Trust Rank. Авторитет передается через эти связи (как при расчете Trust Rank, так и при применении Trust Factor к вашему контенту).
• Использование структурированных данных (Schema.org): Активно используйте разметку для точного определения контента, его контекста и связи с авторитетными сущностями (например, через author, reviewedBy, citation). Это современный аналог Annotations и Labels из патента.

Worst practices (это делать не надо)

• Игнорирование авторства и экспертизы: Публикация контента от анонимных или неавторитетных источников снижает вероятность накопления Trust Rank. Система предпочитает контент, связанный с доверенными сущностями.
• Манипуляции с сигналами доверия: Попытки создать фейковые сети доверия (аналог ссылочных ферм, но для сущностей) будут неэффективны, так как расчет Trust Rank (подобно PageRank) зависит от качества источника доверия, а не только от его количества.
• Распыление экспертизы: Попытка охватить слишком много несвязанных тем может размыть тематически-специфичные оценки доверия и помешать построению сильного авторитета в ключевых областях.

Стратегическое значение

Патент подтверждает стратегический курс Google на оценку сущностей (Entity-based SEO) и критическую важность репутации и доверия. Trust Rank выступает как мощный модификатор ранжирования. Долгосрочная SEO-стратегия должна быть направлена на то, чтобы стать признанным авторитетом, поскольку высокий Trust Rank может значительно повысить видимость контента, потенциально перевешивая некоторые традиционные сигналы релевантности.

Практические примеры

Сценарий: Повышение ранжирования медицинского исследования через авторитетную аннотацию

1. Контекст: Новый медицинский веб-сайт публикует статью об исследовании по онкологии. Изначально сайт имеет низкий Trust Rank.
2. Действие: Доктор Смит, признанный эксперт в области онкологии (сущность с высоким глобальным Trust Rank в этой теме), на своем авторитетном блоге ссылается на эту статью и аннотирует ее меткой (Label) «Перспективное исследование» (или использует этот текст как анкор).
3. Обработка системой: Google индексирует аннотацию Доктора Смита и связывает ее со статьей.
4. Запрос пользователя: Пользователь ищет [перспективное исследование онкология].
5. Ранжирование: При расчете ранжирования система идентифицирует аннотацию. Она извлекает высокий Trust Rank Доктора Смита и вычисляет значительный Trust Factor для статьи.
6. Результат: IR Score статьи значительно повышается, что позволяет ей ранжироваться выше в выдаче, несмотря на новизну сайта, благодаря переданному авторитету Доктора Смита.

Вопросы и ответы