Как Google использует ссылки, которыми делятся в Email, блогах и сообщениях, для влияния на ранжирование и оценки репутации автора

Описание

Какую задачу решает

Патент решает проблему неудобства интеграции внешних веб-ресурсов при создании контента (электронных писем, постов в блогах, сообщений). Традиционный процесс поиска, копирования и вставки URL трудоемок и дает некачественный результат. Изобретение упрощает этот процесс и позволяет Google собирать высококачественные сигналы о релевантности контента и экспертности пользователей непосредственно через инструменты коммуникации (включая так называемый «Dark Social» трафик).

Что запатентовано

Запатентована система User Distributed Search (UDS), интегрированная в приложения для создания контента (Content Creation Component). Она позволяет пользователям выполнять поиск (вручную или автоматически) и бесшовно встраивать форматированные результаты (включая веб-ссылки, изображения и рекламу). Ключевым элементом является использование этих действий для двух целей: влияния на ранжирование встраиваемого документа и расчета оценки репутации (Reputation Score) пользователя, который поделился ссылкой.

Как это работает

Система функционирует через интерфейс (например, боковую панель) в инструменте создания контента:

• Генерация запросов: Пользователь вводит запрос, ЛИБО система автоматически генерирует его, используя распознавание сущностей (Entity Recognition) в набираемом тексте.
• Уточнение (Refinement): Запросы или результаты уточняются на основе контекста (например, темы форума) или профиля пользователя (например, местоположения).
• Встраивание: Пользователь выбирает результат (Gesture of selecting), который форматируется и встраивается в контент.
• Сигнал Ранжирования: Факт встраивания ссылки пользователем фиксируется как сигнал неявного одобрения и может влиять на ранжирование документа (Claim 42).
• Сигнал Репутации: Если получатель контента кликает по встроенной ссылке, это используется для корректировки Reputation Score отправителя (Claim 29).

Актуальность для SEO

Высокая. Хотя приоритетная дата патента относится к 2006 году, данная версия подана в 2014 году с акцентом на расчет репутации. Концепции интеграции поиска в коммуникационные инструменты крайне актуальны (например, Google Workspace, Gboard). Механизмы использования пользовательского одобрения и расчета репутации автора напрямую перекликаются с современными принципами E-E-A-T и идентификации авторитетных источников.

Важность для SEO

Влияние на SEO значительное (7/10). Патент раскрывает конкретные механизмы, с помощью которых Google может оценивать авторитет авторов (Reputation Score) и качество контента на основе того, как ими делятся в коммуникационных платформах. Это подтверждает важность создания контента, который не просто ранжируется, но и активно распространяется пользователями, что, в свою очередь, может улучшить позиции сайта в поиске.

Детальный разбор

Термины и определения

Content Creation Component (Компонент создания контента)

Приложение, используемое для генерации контента (например, клиент электронной почты, редактор блога, интерфейс форума, мессенджер).

Entity Recognition (Распознавание сущностей)

Техники для автоматической идентификации сущностей (продуктов, мест, организаций) в тексте, который вводит пользователь. Используется для автоматической генерации поисковых запросов.

Gesture of selecting a result (Жест выбора результата)

Действие пользователя по выбору результата для встраивания. В патенте это действие рассматривается как сигнал (обратная связь), который может влиять на ранжирование (raw result ranking).

Network Service Component (Компонент сетевой службы)

Внешние сервисы, предоставляющие данные для UDS (поисковые системы, рекламные серверы).

Query/Result Refinement (Уточнение запроса/результата)

Процесс модификации запроса или переранжирования/фильтрации результатов для повышения релевантности на основе контекста (например, темы форума) или профиля пользователя (например, локации).

Reputation Score (Оценка репутации)

Метрика, количественно оценивающая экспертность пользователя в определенных темах. Рассчитывается на основе того, насколько часто получатели кликают по ссылкам, встроенным этим пользователем.

User Distributed Search (UDS) (Пользовательский распределенный поиск)

Общее название системы, позволяющей пользователям легко включать результаты поиска в процесс создания контента.

Ключевые утверждения (Анализ Claims)

Данная публикация (US20150012546A1) является продолжением (Continuation) более ранних заявок. Пункты 1-28 отменены (canceled). Анализ фокусируется на активных пунктах (Claims 29 и далее), которые определяют ядро изобретения.

Claim 29 (Независимый пункт): Описывает основной механизм системы репутации.

1. Система получает поисковый запрос от первого пользователя (User A).
2. Система предоставляет список релевантных ссылок.
3. User A выбирает группу ссылок из списка.
4. Система включает выбранную группу ссылок в сообщение.
5. Система предоставляет сообщение второму пользователю (User B).
6. Система корректирует Reputation Score Пользователя А на основании того, что Пользователь Б выбрал (кликнул) одну или более ссылок из встроенной группы.

Это патентует использование кликов в пользовательском контенте или личных сообщениях как сигнала для оценки репутации того, кто поделился ссылкой.

Claim 32 (Зависимый от 29): Уточняет, что Reputation Score увеличивается, и эта оценка связана с конкретной темой (topic) сообщения.

Подтверждает расчет тематической (топикальной) авторитетности.

Claim 39 (Зависимый, в контексте Claim 36): Определяет факторы расчета репутации: количество встроенных ссылок и частота (frequency), с которой читатели кликают по этим ссылкам.

Claim 42 (Зависимый, в контексте Claim 36): Критически важное утверждение для SEO.

Устройство, в котором факт выбора первым пользователем (User A) группы ссылок (т.е. действие встраивания) влияет на итоговое ранжирование (resulting ranking) документов, на которые указывают эти ссылки.

Это утверждение указывает, что само действие встраивания ссылки (Gesture of selecting) используется как сигнал ранжирования, рассматриваемый как неявное одобрение (implicit endorsement) контента.

Где и как применяется

Изобретение функционирует преимущественно на прикладном уровне (внутри приложений), но тесно взаимодействует с инфраструктурой поиска для получения данных и передачи сигналов.

QUNDERSTANDING – Понимание Запросов
Система активно использует этот слой. Применяется Entity Recognition для анализа вводимого текста и автоматической генерации запросов. Также используется Query Refinement для добавления контекста (например, темы форума или локации пользователя) к запросу.

RANKING – Ранжирование (Сбор сигналов и обратная связь)
Система UDS критически важна для сбора сигналов. Во-первых, выбор результата пользователем (Claim 42) используется как обратная связь для влияния на ранжирование документов (raw result ranking). Во-вторых, рассчитанные Reputation Scores авторов могут использоваться как сигналы авторитетности (E-E-A-T) в основном ранжировании.

Прикладной Уровень (Основное применение)
Интерфейс UDS работает внутри Content Creation Components (Gmail, Blogger, форумы). Он отправляет запросы к Network Service Components (поисковые системы, рекламные серверы) и отображает результаты.

Входные данные:

• Текст, вводимый пользователем в реальном времени.
• Поисковые запросы (ручные или автоматические).
• Контекстные данные (тип приложения, тема обсуждения).
• Данные пользователя (профиль, история поиска, местоположение отправителя и получателя).
• Поведенческие данные (выбор ссылок отправителем, клики получателей).

Выходные данные:

• Отформатированные встроенные ссылки в контенте.
• Сигналы релевантности для системы ранжирования (на основе выбора ссылок).
• Скорректированные Reputation Scores для отправителя.

На что влияет

• Оценка Авторитетности Авторов (E-E-A-T): Система напрямую влияет на способность Google идентифицировать тематических экспертов путем анализа полезности ссылок, которыми они делятся.
• Оценка Релевантности Документов: Влияет на ранжирование документов за счет использования факта встраивания ссылки как сигнала одобрения.
• Платформы и Ниши: В первую очередь влияет на платформы, где создается контент (UGC, Email, IM), и ниши, где распространены рекомендации (продукты, локальный бизнес, экспертные темы).

Когда применяется

• Во время создания контента: Интерфейс UDS активен. Автоматический поиск активируется при распознавании релевантной сущности (Entity Recognition).
• При встраивании ссылки: Генерируется сигнал ранжирования (Claim 42), когда отправитель выбирает ссылку.
• При взаимодействии получателя: Когда получатель кликает по встроенной ссылке, активируется механизм корректировки репутации (Claim 29).

Пошаговый алгоритм

Фаза 1: Создание контента и генерация запросов

1. Пользователь (Автор) начинает создание контента. Отображается интерфейс UDS.
2. Система выполняет Entity Recognition на вводимом тексте.
3. Запрос генерируется автоматически на основе сущностей ИЛИ вводится Автором вручную.

Фаза 2: Уточнение и Поиск

1. Система уточняет запрос (Query Refinement), добавляя контекст (тему, локацию) или данные профиля.
2. Запрос отправляется Network Service Components.
3. Система получает и может уточнить результаты (Result Refinement), переранжировав их на основе контекста.

Фаза 3: Выбор и Встраивание

1. Результаты отображаются в интерфейсе UDS.
2. Автор выбирает результаты для встраивания (Gesture of selecting).
3. Выбранные результаты форматируются и вставляются в контент.

Фаза 4: Генерация сигналов ранжирования

1. Действие Автора по встраиванию результата записывается.
2. Этот сигнал используется для потенциального влияния на ранжирование (ranking) документа (Claim 42).

Фаза 5: Распространение и Взаимодействие

1. Автор отправляет или публикует контент.
2. Получатель просматривает контент и кликает по встроенным ссылкам.

Фаза 6: Оценка репутации

1. Клики Получателя регистрируются.
2. Reputation Score Автора корректируется (увеличивается) на основе этих кликов, с учетом тематики контента (Claim 29).

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст, создаваемый пользователем в реальном времени. Используется для Entity Recognition и определения контекста.
• Поведенческие факторы:
  • Выбор результатов для встраивания отправителем (Сигнал ранжирования).
  • Клики получателей по встроенным ссылкам (Сигнал репутации).
  • История поиска пользователя.
• Пользовательские и Географические факторы: Профиль и местоположение как отправителя, так и получателя. Используются для уточнения (Refinement) запросов, особенно локальных.
• Контекстуальные данные: Тип приложения и тема контента (например, категория форума). Используется для уточнения запросов и категоризации Reputation Score.

Какие метрики используются и как они считаются

• Implicit Endorsement Signal (Сигнал неявного одобрения): Генерируется в момент встраивания ссылки пользователем (Gesture of selecting). Используется как фактор ранжирования для документа (Claim 42).
• Reputation Score (Оценка репутации): Метрика экспертности пользователя в теме. Рассчитывается на основе успешности (частоты кликов получателей) ссылок, которые встроил пользователь. Учитывает также общее количество встроенных ссылок (Claims 29, 39).
• Entity Relevance (Релевантность сущности): Внутренняя метрика для принятия решения об автоматическом выполнении поиска на основе распознанной сущности.

Выводы

1. Два ключевых сигнала для Поиска: Патент описывает генерацию двух различных сигналов из одного процесса:
   • Сигнал Ранжирования (Claim 42): Факт того, что пользователь выбрал ссылку для встраивания (Gesture of selecting), интерпретируется как неявное одобрение и может влиять на ранжирование этого документа.
   • Сигнал Репутации (Claim 29): Если получатель кликает по встроенной ссылке, это повышает Reputation Score отправителя в данной теме.
2. Квантификация Экспертности (E-E-A-T): Механизм Reputation Score предоставляет конкретный алгоритмический способ оценки тематической экспертности пользователей на основе полезности контента, которым они делятся.
3. Сбор сигналов из «Dark Social»: Система позволяет Google собирать ценные поведенческие сигналы из источников, которые традиционно трудно отслеживать (электронная почта, мессенджеры, закрытые форумы).
4. Важность Контекста и Сущностей: Активное использование Entity Recognition для автоматизации поиска и Refinement на основе контекста (локация, тема обсуждения) подчеркивает движение к семантическому и контекстуальному поиску.
5. Ценность peer-to-peer рекомендаций: Ссылки, рекомендованные пользователями друг другу, рассматриваются как важный сигнал доверия, который интегрируется в глобальные системы ранжирования и репутации.

Практика

Best practices (это мы делаем)

• Фокус на создании контента, достойного распространения («Share-worthy Content»): Стратегия должна быть направлена на создание контента с высокой полезностью, которым пользователи захотят органически делиться в своих коммуникациях. Поскольку и встраивание (Claim 42), и последующие клики (Claim 29) являются сигналами, повышение полезности контента критически важно.
• Построение авторитетности авторов (E-E-A-T): Развивайте авторов как экспертов. Активное и полезное участие в тематических сообществах (форумах, блогах) может способствовать повышению собственного Reputation Score автора, если он делится действительно ценными ссылками.
• Оптимизация сниппетов и визуальной привлекательности: Пользователь принимает решение о встраивании на основе того, что он видит в интерфейсе UDS. Убедитесь, что заголовки, сниппеты и изображения максимально привлекательны и точно отражают содержание, чтобы увеличить вероятность выбора.
• Оптимизация под сущности (Entity Optimization): Поскольку система использует Entity Recognition для автоматических предложений, важно, чтобы ваш контент (продукты, локальные бизнесы, организации) был четко идентифицирован как релевантная сущность в Графе Знаний.

Worst practices (это делать не надо)

• Спам ссылками и манипуляции: Попытки искусственно стимулировать встраивание ссылок или накручивать клики для повышения Reputation Score. Система репутации требует реальных кликов от получателей для подтверждения ценности. Спам без вовлечения не даст эффекта и может привести к пессимизации.
• Игнорирование сигналов органического обмена: Концентрация исключительно на традиционном линкбилдинге и недооценка важности сигналов, поступающих от органического обмена ссылками в коммуникационных платформах («Dark Social»).
• Создание кликбейтного, но бесполезного контента: Контент, который не несет реальной ценности, вряд ли будет активно распространяться экспертами или получать повторные клики, что не позволит генерировать сильные сигналы репутации.

Стратегическое значение

Патент подтверждает стратегию Google по оценке авторитетности на уровне сущностей и авторов (E-E-A-T) и использованию поведенческих сигналов одобрения. Он демонстрирует механизм сбора данных о полезности ссылок и репутации пользователей через собственные коммуникационные платформы. Это снижает зависимость от традиционного графа веб-ссылок и показывает, как именно экспертиза может быть измерена через поведенческие сигналы в реальных коммуникациях.

Практические примеры

Сценарий: Улучшение ранжирования и репутации через участие на форуме

1. Контекст: Эксперт по велосипедам (Автор А) участвует в тематическом форуме (например, Google Group с интеграцией UDS).
2. Действие: Автор А отвечает на вопрос, используя интерфейс UDS для поиска и встраивания ссылки на свое подробное руководство на собственном сайте.
3. Сигнал Ранжирования (Claim 42): Google фиксирует факт встраивания ссылки (Gesture of selecting) Автором А как сигнал одобрения этого руководства. Это может положительно повлиять на ранжирование руководства.
4. Взаимодействие: Другие участники форума (Получатели) читают ответ и кликают по встроенной ссылке, так как она полезна.
5. Сигнал Репутации (Claim 29): Система UDS отслеживает эти клики. Поскольку ссылки Автора А часто получают клики, система увеличивает его Reputation Score по теме «велосипеды».
6. Результат для SEO: Повышается как потенциальное ранжирование конкретного руководства, так и общая авторитетность (E-E-A-T) Автора А в глазах Google.

Вопросы и ответы