Close Menu

    Как Google использует соотношение шеров к просмотрам (Shares/Views Ratio) для ранжирования результатов поиска

    PAGE RANKING SYSTEM EMPLOYING USER SHARING DATA (Система ранжирования страниц, использующая данные о пользовательском шаринге)
    2008 Антиспам Патенты Google Поведенческие сигналы

    Патент Google, описывающий метод улучшения ранжирования с помощью анализа «социальных сигналов» (Social Reference Data). Система отслеживает, как часто пользователи делятся контентом (через email, соцсети, блоги, закладки) и сколько раз его просматривают. Ключевой метрикой является нормализованный показатель — соотношение количества шеров к количеству просмотров. Этот фактор используется для переранжирования выдачи или объединяется с традиционными факторами ранжирования.

    Описание

    Какую задачу решает

    Патент решает проблему ограниченности традиционных алгоритмов ранжирования, которые полагаются преимущественно на internal reference (внутренние факторы, такие как ключевые слова и ссылочный граф, например, PageRank). Изобретение направлено на интеграцию external factors, в частности Social Reference Data (данных о социальных взаимодействиях), чтобы лучше оценивать релевантность и качество контента с точки зрения реальных пользователей, используя принципы «человеческой фильтрации» (human filtering).

    Что запатентовано

    Запатентована система и метод использования данных о том, как пользователи делятся контентом (content sharing), для ранжирования результатов поиска. Система отслеживает и подсчитывает социальные взаимодействия (шеры через email, SMS, соцсети, закладки) и просмотры контента. Ядром изобретения является вычисление Social Reference Ranking Factor, который часто нормализуется, в частности, как отношение количества шеров к количеству просмотров (Shares/Views Ratio).

    Как это работает

    Система функционирует следующим образом:

    • Сбор данных: Специальные компоненты (например, виджеты в браузере пользователя или код на серверах издателей) отслеживают акты шаринга и просмотры контента.
    • Агрегация: Централизованный Reference Counter агрегирует эти данные для каждого URL.
    • Обработка запроса: Стандартная поисковая система генерирует первичные результаты.
    • Вычисление фактора: Для этих результатов система рассчитывает Social Reference Ranking Factor (например, Shares/Views Ratio). Также могут применяться весовые коэффициенты для разных типов шаринга.
    • Применение: Этот фактор может использоваться тремя способами: для переранжирования выдачи, для создания Composite Ranking Factor (объединения с традиционными факторами) или для отображения рядом с результатами поиска как индикатора вовлеченности.

    Актуальность для SEO

    Высокая. Хотя патент подан в 2008 году и конкретные технологии сбора данных (например, виджеты) эволюционировали (например, в сторону данных из Chrome/Android), фундаментальная концепция использования нормализованных метрик вовлеченности (Shares/Views) для оценки качества контента остается крайне актуальной. Это согласуется с современными подходами к оценке UX, E-E-A-T и принципами Helpful Content.

    Важность для SEO

    Влияние на SEO высокое (85/100). Патент предоставляет конкретный механизм, как Google может алгоритмически измерять воспринимаемую ценность контента через поведение пользователей. Ключевой инсайт для SEO — важен не просто трафик (просмотры) и не просто виральность (шеры), а их соотношение. Это напрямую влияет на контент-стратегию: необходимо создавать контент, который мотивирует поделиться им после просмотра, и избегать кликбейта (высокие просмотры, низкие шеры).

    Детальный разбор

    Термины и определения

    Content Sharing (Шаринг контента)
    Категория Social Reference Data. Взаимодействия пользователя с контентом, которые приводят к peer-to-peer, peer-to-group или group-to-peer обмену адресом контента или его частью.
    External Factors / Social Reference Data (Внешние факторы / Данные социальных ссылок)
    Факторы ранжирования, основанные на взаимодействии пользователей с контентом (шаринг, постинг, закладки, тегирование), а не на анализе самого контента или структуры веб-ссылок.
    Internal Reference (Внутренние факторы)
    Традиционные факторы ранжирования, основанные на атрибутах, внутренних для веба (ключевые слова, PageRank, структура ссылок).
    Normalized Ranking (Нормализованное ранжирование)
    Фактор ранжирования, рассчитанный как соотношение двух метрик. Ключевой пример в патенте: количество шеров, деленное на количество просмотров (Shares/Views Ratio).
    Reference Counter (Счетчик взаимодействий)
    Система, которая отслеживает и ведет подсчет социальных взаимодействий (social references) и просмотров для отдельных элементов веб-контента.
    Social Reference Ranking Factor (Фактор ранжирования на основе социальных ссылок)
    Метрика, вычисленная на основе Social Reference Data (часто нормализованная), используемая для влияния на порядок результатов поиска.
    Widget (Виджет)
    Программный компонент (например, надстройка для браузера или скрипт на сайте), который отслеживает действия пользователя по шарингу и просмотру контента и сообщает эти данные в Reference Counter.

    Ключевые утверждения (Анализ Claims)

    Claim 1 и Claim 17 (Независимые пункты): Описывают базовую систему и метод расчета и отображения социального фактора.

    1. Система получает поисковый запрос и выполняет его с помощью стандартной поисковой системы, получая результаты.
    2. Для этих результатов из Reference Counter извлекаются две метрики: (а) количество просмотров (number of views) и (б) количество социальных ссылок (number of social references), определяемых как шаринг контента или его источника.
    3. Вычисляется social reference ranking factor. Критически важно, что он определяется как соотношение (ratio) количества социальных ссылок к количеству просмотров (Shares/Views Ratio).
    4. Результаты поиска предоставляются для отображения, упорядоченные согласно первоначальному ранжированию (first ranking).
    5. Для каждого результата предоставляется графическое представление рассчитанного фактора для отображения рядом (adjacent) с элементом контента.

    Ядро изобретения по этим пунктам — это расчет конкретной нормализованной метрики (Shares/Views) и ее отображение в стандартной выдаче без изменения порядка результатов.

    Claim 2 (Зависимый от 1): Вводит механизм переранжирования.

    Результаты поиска предоставляются для отображения в порядке убывания от наивысшего к наименьшему social reference ranking factor. Это расширяет изобретение до активного изменения порядка выдачи.

    Claim 12 и 23 (Зависимые): Описывают механизм взвешивания.

    При определении фактора применяется весовой коэффициент (weighting factor), величина которого зависит от конкретного типа социальной ссылки. Это позволяет придавать больший вес определенным типам шаринга (например, тем, которые требуют больших усилий).

    Claim 22 (Зависимый от 17): Описывает интеграцию с традиционным ранжированием.

    Система создает композитный фактор ранжирования (composite ranking factor), основанный как на social reference ranking factor, так и на стандартном факторе ранжирования (search ranking factor).

    Где и как применяется

    Изобретение затрагивает несколько этапов поисковой архитектуры.

    CRAWLING & Data Acquisition (Сбор данных)
    Система требует механизма для сбора поведенческих данных (просмотры, шеры), отличного от стандартного краулинга. Данные собираются через виджеты, серверы издателей или сторонние сервисы и передаются в Reference Counter.

    INDEXING (Индексирование и извлечение признаков)
    Собранные сырые данные агрегируются, обрабатываются и ассоциируются с конкретными URL. На этом этапе могут рассчитываться и сохраняться нормализованные метрики (Shares/Views Ratio) как признаки документа.

    RANKING / RERANKING (Ранжирование и Переранжирование)
    Основное применение. После того как стандартный движок вернул результаты (RANKING), система применяет Social Reference Ranking Factor. Это может происходить на поздних стадиях ранжирования (L2/L3) или на этапе RERANKING.

    1. Извлечение данных: Система запрашивает у Reference Counter данные для URL в выдаче.
    2. Вычисление/Извлечение фактора: Рассчитывается или извлекается Social Reference Ranking Factor.
    3. Применение: Фактор используется для отображения (Claim 1), переранжирования (Claim 2) или создания композитного рейтинга (Claim 22).

    Входные данные:

    • Набор результатов поиска от стандартной поисковой системы с их исходным ранжированием.
    • Данные из Reference Counter: количество просмотров и количество/типы шеров для каждого URL.

    Выходные данные:

    • Финальная SERP, которая либо переранжирована, либо содержит стандартное ранжирование с дополнительным отображением социальных метрик.

    На что влияет

    • Типы контента: Наибольшее влияние на контент, склонный к распространению: новости, статьи, блоги, видео, инфографика, подробные руководства.
    • Специфические запросы: Информационные и трендовые запросы, где вовлеченность и «мудрость толпы» являются сильными индикаторами качества или актуальности.
    • Конкретные ниши: Медиа, развлечения, технологии, хобби, где пользователи активно обмениваются информацией.

    Когда применяется

    • Условия работы: Алгоритм применяется в процессе генерации поисковой выдачи. Необходимым условием является наличие достаточного объема накопленных данных о просмотрах и шеринге для конкретных URL в Reference Counter.
    • Защита от манипуляций: Патент упоминает необходимость защиты от накруток (Black Hat techniques, spamdexing). Система может применять фильтры, например, учитывать шеры только с разных IP-адресов или требовать валидации через аккаунты на авторитетных платформах.

    Пошаговый алгоритм

    Процесс А: Непрерывный сбор данных (Асинхронно)

    1. Мониторинг взаимодействий: Виджеты на клиентских устройствах или серверные скрипты отслеживают просмотры контента и акты шаринга (email, SMS, постинг в соцсети, закладки).
    2. Передача данных: Данные о взаимодействиях (ID контента, тип действия, данные для анти-спама, например IP) передаются в центральную систему.
    3. Агрегация и подсчет: Reference Counter обрабатывает данные, агрегирует их по ID контента и обновляет счетчики просмотров и шеров. Применяется фильтрация для защиты от манипуляций.
    4. Хранение: Обновленные счетчики сохраняются в базе данных.

    Процесс Б: Обработка запроса и ранжирование (Реальное время)

    1. Выполнение поиска: Стандартная поисковая система генерирует первичный набор результатов с базовым ранжированием (First Ranking).
    2. Получение социальных данных: Для каждого элемента система запрашивает данные из Reference Counter (просмотры и шеры).
    3. Расчет фактора ранжирования: Для каждого элемента вычисляется Social Reference Ranking Factor.
      • Применение весов (Опционально): Применение весовых коэффициентов в зависимости от типа шеринга.
      • Нормализация: Расчет отношения Shares/Views.
    4. Формирование выдачи: Система определяет финальный вид SERP, используя один из трех вариантов:
      • Вариант A (Отображение): Результаты упорядочиваются по First Ranking. Рядом отображается графическое представление Social Reference Ranking Factor.
      • Вариант B (Переранжирование): Результаты переупорядочиваются на основе Social Reference Ranking Factor.
      • Вариант C (Композитное ранжирование): Рассчитывается Composite Ranking Factor (например, First Ranking Score * Social Reference Ranking Factor). Результаты упорядочиваются по композитному фактору.
    5. Предоставление результатов: Сформированная SERP отправляется пользователю.

    Какие данные и как использует

    Данные на входе

    Патент фокусируется на использовании поведенческих данных, связанных с распространением контента.

    • Поведенческие факторы (Social Reference Data):
      • Просмотры (Views): Количество просмотров элемента контента.
      • Шаринг (Shares): Количество раз, когда контентом поделились через Email, SMS, IM.
      • Постинг: Добавление контента или ссылки на него в блог, социальную сеть (например, Digg, Facebook).
      • Закладки (Bookmarking): Добавление в список закладок (например, del.icio.us).
      • Вторичный шаринг (Second Shares): Отслеживание случаев, когда полученным контентом делятся повторно.
      • Комментарии и метки (Tags): Взаимодействие с контентом на сторонних сайтах.
    • Пользовательские и Технические факторы:
      • IP-адреса пользователей (используются для защиты от накруток).
      • Наличие аккаунта на сторонних авторитетных сайтах (может использоваться для валидации шаринга).
      • Идентификация отправителя и получателя шаринга.
    • Контентные факторы:
      • Тип контента (аудио, видео, текст) и источник контента (веб-сайт) – используются для контекстной нормализации.

    Какие метрики используются и как они считаются

    Ключевая особенность патента — это использование нормализации для расчета метрик.

    • Social Reference Ranking Factor: Основная метрика, рассчитываемая на основе данных о шаринге.
    • Нормализация по просмотрам (Ключевая метрика, Claim 1, 17): Ranking Factor = (Number of Shares) / (Number of Views). Это позволяет оценить вовлеченность независимо от общей популярности контента.
    • Весовые коэффициенты (Weighting Factors) (Claim 12, 23): Система применяет разные веса к разным типам шаринга. Предполагается, что действия, требующие больших усилий (например, email), могут иметь больший вес, чем более простые (например, пост в Facebook).
    • Composite Ranking Factor (Claim 22): Композитный рейтинг, объединяющий социальный фактор и стандартный рейтинг поисковой системы. Пример расчета в описании: Composite Ranking Factor = (Standard Rank Score) * (Social Reference Ranking Score). Например, 0.8 (PageRank) * 0.6 (Social Rank) = 0.48.
    • Другие варианты нормализации (упомянутые в описании): Нормализация по типу страницы, по типу канала шаринга, по типу контента или по источнику.

    Выводы

    1. Вовлеченность как ключевой сигнал ранжирования: Патент формализует использование действий пользователей по распространению контента (Social Reference Data) как прямого индикатора его ценности и релевантности (user-perceived relevance). Это дополняет традиционные факторы (Internal Reference).
    2. Критическая важность нормализации (Shares/Views Ratio): Ядром изобретения является не просто подсчет шеров, а их нормализация по количеству просмотров. Это смещает фокус с виральности на качество вовлеченности. Контент с высоким Shares/Views Ratio считается более значимым, даже при меньшем общем трафике.
    3. Дифференциация типов шаринга (Effort-based Weighting): Признается, что разные способы распространения имеют разную ценность. Система может взвешивать шеры в зависимости от предполагаемых усилий пользователя (например, email может цениться выше, чем пост в соцсети).
    4. Гибкость интеграции в ранжирование: Социальный фактор может использоваться гибко: как самостоятельный фактор для переранжирования, в комбинации с традиционными сигналами (Composite Ranking Factor) или просто отображаться в SERP.
    5. Встроенные механизмы борьбы с манипуляциями: Патент признает риск накруток и предлагает методы противодействия, такие как фильтрация по IP и верификация через авторитетные аккаунты, что критически важно для надежности сигнала.

    Практика

    Best practices (это мы делаем)

    • Фокус на метрике Shares/Views (Оптимизация вовлеченности): Стратегия должна быть направлена на максимизацию коэффициента шеринга, а не только на привлечение трафика. Создавайте контент, который решает проблемы, предоставляет уникальную ценность или вызывает эмоции, мотивируя пользователей делиться им.
    • Оптимизация Shareability: Технически упростите процесс шеринга. Интегрируйте удобные и заметные инструменты для распространения контента по разным каналам (соцсети, мессенджеры, email). Убедитесь, что при шеринге формируется привлекательный сниппет (Open Graph разметка).
    • Стимулирование «качественных» шеров: Поощряйте типы шаринга, которые могут иметь больший вес (требующие больших усилий). Например, функционал «Отправить по Email» или «Сохранить в закладки» может генерировать более сильные сигналы, чем стандартные кнопки соцсетей.
    • Анализ поведенческих метрик: Отслеживайте, каким контентом пользователи делятся чаще всего и по каким каналам. Анализируйте контент конкурентов с высокой вовлеченностью, чтобы понять, что резонирует с аудиторией.

    Worst practices (это делать не надо)

    • Искусственные накрутки шеринга: Использование ботов или сетей обмена для имитации шеринга. Система предусматривает механизмы фильтрации (например, по IP, авторитетности аккаунтов) для борьбы с такими манипуляциями.
    • Кликбейт и фокус только на просмотрах: Создание контента, который генерирует просмотры, но не удовлетворяет интент и не мотивирует к распространению. Это приведет к низкому Shares/Views Ratio и негативно скажется на ранжировании согласно этому патенту.
    • Игнорирование Shareability: Создание технически оптимизированного контента, который не интересен живой аудитории или который сложно распространять из-за плохого UX (например, отсутствия кнопок шеринга).

    Стратегическое значение

    Этот патент подтверждает стратегический сдвиг в оценке качества контента от формальных признаков к метрикам реальной пользовательской вовлеченности. Он демонстрирует механизм, как поисковые системы стремятся измерить «успех» контента среди людей. Долгосрочная SEO-стратегия должна быть интегрирована с контент-маркетингом и SMM, фокусируясь на создании и дистрибуции контента, который пользователи считают настолько ценным, что готовы его рекомендовать.

    Практические примеры

    Сценарий: Оптимизация статьи для повышения Shares/Views Ratio

    Задача: Повысить ранжирование подробного гайда по выбору смартфона.

    Анализ: Текущий Shares/Views Ratio составляет 0.5% (50 шеров на 10000 просмотров). Это низкий показатель вовлеченности.

    Действия (основанные на патенте):

    1. Улучшение ценности для шеринга: Добавить в гайд уникальный интерактивный инструмент сравнения моделей или чек-лист для скачивания. Этот функционал повышает вероятность того, что пользователи поделятся статьей с друзьями.
    2. Оптимизация Shareability: Разместить заметные кнопки шеринга в начале, конце статьи и в плавающем блоке. Настроить привлекательный Open Graph сниппет.
    3. Стимулирование шеринга через Email: Добавить кнопку «Отправить другу по Email», так как этот канал может иметь больший вес (Effort-based Weighting).
    4. Дистрибуция: Сделать органический посев гайда в релевантных сообществах для стимулирования первичного шеринга от заинтересованных пользователей.

    Ожидаемый результат: Увеличение Shares/Views Ratio до 3% (300 шеров на 10000 просмотров). Поисковая система использует этот улучшенный показатель вовлеченности как положительный сигнал ранжирования (например, как часть Composite Ranking Factor), что приводит к улучшению позиций.

    Вопросы и ответы

    Что такое «Social Reference Data» в контексте этого патента?

    Это широкий класс внешних сигналов, основанных на том, как пользователи взаимодействуют с контентом и распространяют его. Патент включает сюда шеринг через email, SMS, мессенджеры, постинг в блоги и социальные сети (Facebook, Digg), добавление в закладки (bookmarking) и тегирование. Это любые действия, когда пользователь неявно одобряет контент и делится им.

    Почему патент так выделяет нормализацию шеров по просмотрам (Shares/Views Ratio)?

    Нормализация критически важна для объективной оценки вовлеченности, а не просто популярности. Shares/Views Ratio позволяет оценить, насколько ценным является контент независимо от объема трафика. Высокий коэффициент показывает, что значительная часть посетителей сочла контент достойным распространения, что является сильным сигналом качества.

    Как именно поисковая система использует эти данные для ранжирования?

    Патент описывает три основных способа. Во-первых, система может напрямую переранжировать результаты поиска на основе Social Reference Ranking Factor (Claim 2). Во-вторых, она может создать композитный рейтинг, объединив социальный фактор с традиционными, например, перемножив PageRank и Social Rank (Claim 22). В-третьих, она может сохранить стандартное ранжирование, но отобразить социальную метрику рядом с результатом в SERP (Claim 1).

    Имеет ли значение, через какой канал пользователи делятся контентом?

    Да, имеет. Патент (Claim 12, 23) предусматривает применение разных весовых коэффициентов (weighting factors) в зависимости от типа шеринга. В описании предполагается, что шеринг через email может иметь больший вес, чем постинг в Facebook, поскольку требует от пользователя больших усилий и указывает на большую значимость контента.

    Как система отслеживает эти шеры и просмотры?

    Патент описывает несколько механизмов сбора данных: виджеты или плагины в браузере пользователя, серверные приложения на сайте издателя (например, через кнопки «Поделиться») или данные от сторонних сайтов для шеринга. Эти данные агрегируются в центральном Reference Counter.

    Как патент предлагает бороться с накрутками шеринга?

    Патент признает риск манипуляций и предлагает методы противодействия. К ним относятся ограничение учета повторных шеров с одного и того же источника (например, по IP-адресу) и валидация шеринга через требование наличия у пользователя действующего аккаунта на авторитетных сторонних платформах. Это затрудняет автоматизированные накрутки.

    Как этот патент влияет на борьбу с кликбейтом?

    Он напрямую противодействует кликбейту. Кликбейт генерирует высокие просмотры, но из-за низкого качества контента пользователи им редко делятся. Это приводит к низкому соотношению Shares/Views, что ухудшает Social Reference Ranking Factor. Система предпочтет контент с более высоким уровнем вовлеченности.

    Что делать, если мой контент не является «вирусным» по своей природе (например, B2B)?

    Даже нишевой контент может иметь высокий Shares/Views Ratio в своей целевой аудитории. Сосредоточьтесь на создании исключительно полезного контента, который решает конкретные проблемы. Если технической документацией активно делятся инженеры в профессиональных сообществах, это будет генерировать положительные социальные сигналы. Важно обеспечить удобство шеринга.

    Влияет ли добавление контента в закладки (Bookmarking) на ранжирование?

    Да, согласно патенту, добавление в закладки является одним из видов Social Reference Data. Система может отслеживать количество добавлений в закладки и использовать эту метрику (в чистом виде или нормализованную) как фактор ранжирования, аналогично шерингу.

    Как этот патент соотносится с концепцией Helpful Content?

    Патент отлично согласуется с принципами Helpful Content. Контент, созданный для людей и приносящий реальную пользу, естественным образом стимулирует пользователей делиться им. Высокий Shares/Views Ratio может служить для поисковой системы измеримым индикатором того, что контент действительно полезен и удовлетворяет потребности аудитории.