Как Google ранжирует сущности (людей, продукты) путем оценки качества ресурсов и их авторитетности внутри кластера сущности

Описание

Какую задачу решает

Патент решает проблему неоднозначности поисковых запросов, содержащих имена (name context), которые могут относиться к разным сущностям (например, разные люди с именем «John Smith», разные продукты или книги с одинаковым названием). Цель изобретения — сгруппировать ресурсы, относящиеся к одной и той же сущности, в cluster, определить наиболее авторитетные ресурсы внутри этого кластера и ранжировать сами кластеры по релевантности для конкретного пользователя.

Что запатентовано

Запатентована система двухуровневого ранжирования для поиска сущностей. Первый уровень — ранжирование ресурсов внутри кластера. Оно основано на комбинации Quality Score (независимая оценка общего качества ресурса) и Cluster Relation Score (оценка авторитетности ресурса относительно других ресурсов в том же кластере). Второй уровень — ранжирование самих кластеров, которое учитывает внутренние оценки ресурсов, релевантность запросу и факторы персонализации.

Как это работает

Система работает в два основных этапа:

1. Ранжирование внутри кластера (преимущественно офлайн): Ресурсы, относящиеся к одной сущности, группируются. Каждый ресурс получает Quality Score (QS) (на основе возраста, спама, общей авторитетности) и Cluster Relation Score (CRS) (на основе связей внутри кластера, конфликтов). QS и CRS комбинируются в Resource Ranking Score (RRS).

2. Ранжирование кластеров (онлайн): При получении запроса система ранжирует кластеры. Cluster Rank Score рассчитывается на основе RRS ресурсов кластера и их релевантности запросу (Search Score). Эта оценка корректируется с помощью Attribute Scores, учитывающих социальные связи пользователя и его местоположение.

Актуальность для SEO

Высокая. Понимание, кластеризация и ранжирование сущностей (Entity Search) являются фундаментом современного поиска и работы Knowledge Graph. Механизмы оценки контекстной авторитетности (Cluster Relation Score) и агрессивной персонализации, описанные в патенте, остаются крайне актуальными для E-E-A-T и разрешения неоднозначности запросов.

Важность для SEO

Патент имеет высокое стратегическое значение (8.5/10) для Entity SEO, управления репутацией (ORM) и продвижения брендов/персон. Он демонстрирует, что помимо общей авторитетности (Quality Score), критически важна авторитетность внутри экосистемы сущности (Cluster Relation Score). Для занятия высоких позиций ресурс должен быть не только качественным, но и хорошо связанным с другими ресурсами о той же сущности, а фрагментация присутствия (Conflicts) наказывается.

Детальный разбор

Термины и определения

Attribute Score (Оценка атрибутов)

Значение, используемое для корректировки ранжирования кластеров. Отражает характеристики кластера и его связь с пользователем, включая совпадение имени, социальные связи, географическую близость.

Baseline Score (Базовая оценка кластера)

Предварительная оценка кластера, вычисляемая путем объединения Resource Ranking Scores и Search Scores ресурсов внутри кластера.

Cluster (Кластер)

Группа ресурсов (веб-страниц, профилей), которые система идентифицировала как относящиеся к одной и той же сущности (Name Context).

Cluster Rank Score (Оценка ранжирования кластера)

Итоговая оценка, определяющая позицию кластера (сущности) в поисковой выдаче. Основана на Baseline Score и Attribute Scores.

Cluster Relation Score (CRS) (Оценка связи с кластером)

Метрика, зависимая от других ресурсов в кластере. Указывает на авторитетность ресурса относительно других ресурсов в этом же кластере. Основана на связях (connectivity), конфликтах и распространении качества.

Conflict (Конфликт)

Ситуация, когда два или более ресурсов в одном кластере относятся к одному и тому же типу недублируемых ресурсов (например, два официальных профиля одного типа для одного человека). Конфликты могут приводить к пенализации.

Dominant Resource (Доминирующий ресурс)

Ресурс, имеющий наивысший Resource Ranking Score в кластере.

Name Context (Контекст имени)

Сущность, с которой связан кластер. В патенте упоминаются имена людей, названия книг или продуктов.

Quality Score (QS) (Оценка качества)

Метрика, независимая от включения ресурса в кластер. Указывает на общее качество ресурса (возраст, спам-сигналы, общая авторитетность, верификация).

Resource Ranking Score (RRS) (Оценка ранжирования ресурса)

Итоговая оценка для ранжирования ресурса внутри кластера. Является комбинацией Quality Score и Cluster Relation Score.

Search Score (SS) (Оценка поиска)

Оценка, пропорциональная релевантности ресурса конкретному поисковому запросу (например, стандартный IR-score).

Ключевые утверждения (Анализ Claims)

Ядром изобретения является механизм ранжирования ресурсов внутри кластера, описанный в Claim 1.

Claim 1 (Независимый пункт): Описывает метод ранжирования ресурсов внутри кластера.

1. Система получает доступ к кластеру ресурсов, связанных с Name Context.
2. Генерируется Quality Score (QS). Ключевое условие: QS независим от кластера и других ресурсов в нем.
3. Генерируется Cluster Relation Score (CRS). Ключевое условие: CRS зависит от других ресурсов в кластере и указывает на авторитетность ресурса относительно них.
4. Генерируется Resource Ranking Score (RRS) на основе QS и CRS.
5. Ресурсы ранжируются на основе RRS.

Claim 2 (Зависимый): Детализирует факторы для QS: релевантность Name Context, возраст ресурса, авторитетность, оценка спама, количество других кластеров, к которым принадлежит ресурс.

Claims 3 и 4 (Зависимые): Детализируют факторы для CRS. Claim 3 указывает на связность (connectivity) с другими ресурсами в кластере. Claim 4 указывает на конфликты (Conflict) между ресурсами одного типа.

Claim 5 (Зависимый) и Claim 23 (Независимый): Описывают метод расчета RRS с использованием линейной взвешенной регрессии (linear weighted regression). Это аддитивная функция: RRS = (Вес1 * QS) + (Вес2 * CRS).

Claim 6 (Зависимый): Описывает механизм распространения качества (Quality Propagation). CRS ресурса может быть уменьшен или увеличен на основе QS другого, связанного с ним (ссылкой) ресурса в кластере.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, сочетая офлайн-вычисления с онлайн-ранжированием.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основная офлайн-работа. Система группирует ресурсы в кластеры по сущностям. Для каждого ресурса рассчитываются и сохраняются Quality Score (QS) и Cluster Relation Score (CRS). Они объединяются в Resource Ranking Score (RRS). Таким образом, внутреннее ранжирование кластера готово заранее.

RANKING – Ранжирование
Во время обработки запроса система вычисляет Search Scores (SS) для ресурсов, определяя их релевантность запросу.

RERANKING / METASEARCH – Переранжирование и Смешивание
На этом этапе происходит ранжирование кластеров. Система использует предварительно рассчитанные RRS и рассчитанные в реальном времени SS для вычисления базового рейтинга кластера (Baseline Score). Затем применяются Attribute Scores (персонализация, геолокация) для финальной корректировки порядка кластеров и формирования Cluster Rank Score.

Входные данные:

• Индекс с кластерами сущностей и предварительно рассчитанными QS, CRS, RRS.
• Поисковый запрос (Name Context).
• Данные пользователя (социальный граф, местоположение) для Attribute Scores.

Выходные данные:

• Ранжированный список кластеров (сущностей).
• Для каждого кластера — ранжированный список его ресурсов.

На что влияет

• Специфические запросы: Наибольшее влияние на неоднозначные запросы, связанные с сущностями (имена людей, названия брендов, продуктов, книг).
• Конкретные типы контента: Особенно влияет на ранжирование профилей (profile pages), официальных веб-сайтов и биографических страниц.
• Конкретные ниши: Критично для управления репутацией (ORM), персонального брендинга, локального SEO и E-commerce.

Когда применяется

• Триггеры активации: Когда система идентифицирует в запросе Name Context, который требует активации механизма ранжирования сущностей.
• Условия работы: Особенно важен, когда Name Context не уникален и необходимо разрешить неоднозначность (disambiguation), выбрав наиболее релевантную сущность для пользователя.

Пошаговый алгоритм

Процесс А: Ранжирование ресурсов внутри кластера (Офлайн / Индексирование)

1. Доступ к кластеру: Система получает доступ к кластеру ресурсов сущности.
2. Генерация Quality Score (QS): Для каждого ресурса вычисляется QS на основе независимых факторов (возраст, спам, глобальная авторитетность, верификация аккаунта, репутация автора).
3. Генерация Cluster Relation Score (CRS): Для каждого ресурса вычисляется CRS. Этот этап включает:
   • Анализ связности (Connectivity): Построение графа авторитетности внутри кластера. Оценка входящих и исходящих ссылок между ресурсами кластера. Учитывается возраст ссылок (старые более надежны) и аутентичность.
   • Анализ конфликтов (Conflicts): Идентификация ресурсов одного типа. При наличии конфликта оценки могут быть пенализированы.
   • Распространение качества (Quality Propagation): Корректировка CRS ресурса на основе QS связанных с ним ресурсов в кластере (повышение от качественных, понижение от некачественных).
4. Генерация Resource Ranking Score (RRS): Комбинирование QS и CRS (например, взвешенное суммирование) для получения итоговой оценки.
5. Ранжирование и выбор доминанта: Ресурсы сортируются по RRS. Ресурс с наивысшим RRS определяется как Dominant Resource.

Процесс Б: Ранжирование кластеров (Онлайн / Во время запроса)

1. Получение запроса и идентификация кластеров: Система получает запрос с Name Context и отбирает релевантные кластеры.
2. Получение оценок ресурсов: Для ресурсов извлекаются RRS (из Процесса А) и рассчитываются Search Scores (SS) (релевантность запросу).
3. Расчет Baseline Score: Комбинирование RRS и SS всех ресурсов кластера для получения базовой оценки. Кластеры с более сильными ресурсами (выше RRS) получают преимущество.
4. Расчет Attribute Scores: Определение атрибутов кластера и контекста пользователя:
   • Социальные связи (Social affiliation) между пользователем и сущностью.
   • Географическая близость (Localization).
   • Совпадение имени (Name-match) с запросом (включая никнеймы, синонимы).
5. Расчет Cluster Rank Score: Корректировка Baseline Score с помощью Attribute Scores (повышение или понижение).
6. Генерация выдачи: Кластеры ранжируются согласно их Cluster Rank Score.

Какие данные и как использует

Данные на входе

Система использует разнообразные данные, разделенные по назначению для разных метрик.

Факторы для Quality Score (Независимые от кластера):

• Временные факторы: Возраст ресурса (новые могут иметь более низкую оценку).
• Ссылочные факторы: Общая авторитетность ресурса в интернете.
• Факторы качества/Спам: Оценка спама (spam score).
• Факторы репутации: Верификация ресурса (real resource), репутация автора, наличие авторитетных подписчиков (followers).

Факторы для Cluster Relation Score (Зависимые от кластера):

• Ссылочные факторы: Связи (inlinks/outlinks) между ресурсами внутри кластера (connectivity). Аутентифицированные ссылки (authenticated links).
• Временные факторы: Возраст ссылок внутри кластера (старые ссылки более надежны).
• Структурные факторы: Тип ресурса (используется для обнаружения Conflicts).
• Контентные факторы: Наличие общих тем (common topics) между ресурсами в кластере.
• Системные данные: Quality Scores других ресурсов в кластере (используются для Quality Propagation).

Факторы для Cluster Rank Score (Ранжирование кластеров):

• Контентные факторы: Релевантность ресурсов запросу (Search Score). Сходство имени сущности с запросом.
• Географические факторы: Местоположение пользователя и сущности (географическая близость).
• Пользовательские факторы (Персонализация): Социальные связи пользователя (друзья, сети, организации) и сущности.

Какие метрики используются и как они считаются

• Authority Graph (Граф авторитетности): Используется для расчета CRS. Узлы — ресурсы кластера, ребра — связи между ними.
• Quality Propagation (Распространение качества): Механизм, при котором QS одного ресурса влияет на CRS связанного с ним ресурса в кластере.
• Conflict Penalization (Пенализация за конфликты): Снижение оценок для ресурсов одного типа в одном кластере.
• Linear Weighted Regression (Линейная взвешенная регрессия): Явно указанный метод для расчета Resource Ranking Score: RRS = (Вес1 * QS) + (Вес2 * CRS). Также может использоваться для расчета Cluster Rank Score.

Выводы

1. Двойная природа авторитетности сущности: Патент формализует разделение между общим качеством ресурса (Quality Score) и его контекстуальной авторитетностью для конкретной сущности (Cluster Relation Score). Для доминирования необходимы оба аспекта.
2. Критичность экосистемы сущности (CRS): Cluster Relation Score подчеркивает важность связей между ресурсами, относящимися к одной сущности. Авторитетность внутри кластера строится через перелинковку и упоминания внутри экосистемы.
3. Механизм Quality Propagation: Качество распространяется внутри кластера. Ссылки с высококачественных ресурсов внутри кластера повышают CRS цели, а связь с низкокачественными ресурсами может вредить.
4. Наказание за фрагментацию (Conflicts): Система активно борется с неоднозначностью и фрагментацией цифрового следа. Наличие дублирующихся ресурсов одного типа (например, несколько профилей) приводит к пенализации.
5. Агрессивная персонализация ранжирования сущностей: Ранжирование кластеров (сущностей) сильно зависит от Attribute Scores. Социальные связи и географическая близость пользователя к сущности являются мощными факторами повышения рейтинга кластера.
6. Доминирующий ресурс как цель: Цель системы — выявить Dominant Resource, который наилучшим образом представляет сущность. SEO-стратегия должна быть направлена на превращение ключевого актива в этот доминирующий ресурс.

Практика

Best practices (это мы делаем)

• Консолидация присутствия и устранение конфликтов: Активно управляйте представлением сущности (бренда, персоны). Избегайте создания дублирующихся профилей одного типа. Консолидируйте сигналы на одном основном ресурсе для каждого типа контента, чтобы избежать пенализации за Conflicts.
• Построение контекстной авторитетности (Intra-Cluster Linking): Работайте над улучшением связей внутри экосистемы сущности. Официальный сайт, верифицированные профили и авторитетные упоминания должны ссылаться друг на друга. Это напрямую увеличивает Cluster Relation Score. Использование schema.org/sameAs может помочь в установлении этих связей.
• Использование Quality Propagation: Размещайте ссылки с ваших наиболее авторитетных страниц (высокий QS) на другие ваши ресурсы, связанные с той же сущностью, чтобы повысить их CRS. Убедитесь, что ваши основные ресурсы ссылаются только на качественные связанные активы.
• Верификация и глобальное качество (QS): Подтверждайте официальные профили и страницы. Патент упоминает верификацию как фактор повышения Quality Score. Работайте над общими сигналами E-E-A-T.
• Оптимизация под персонализацию (Attribute Scores): Для локальных сущностей четко указывайте географическое положение. Развивайте реальные социальные связи и подписную базу. Это повышает Attribute Scores и улучшает ранжирование вашего кластера для связанных пользователей.

Worst practices (это делать не надо)

• Фрагментация профилей: Создание множества не связанных между собой или дублирующихся профилей для одной сущности. Это создает Conflicts и размывает контекстную авторитетность.
• Изоляция ресурсов: Фокусироваться только на общем качестве (QS) ресурса, игнорируя его связи с другими ресурсами о той же сущности. Изолированный ресурс будет иметь низкий CRS.
• Ассоциация с низкокачественным контентом: Размещение ссылок на или получение ссылок от низкокачественных ресурсов (низкий QS), даже если они относятся к вашей сущности. Механизм Quality Propagation может снизить ваш CRS.
• Использование только свежих ссылок для манипуляции CRS: Патент указывает, что новые ссылки могут считаться ненадежными. CRS строится на старых, проверенных временем связях внутри кластера.

Стратегическое значение

Этот патент является фундаментальным для понимания Entity SEO и подтверждает переход Google к организации знаний вокруг сущностей (кластеров). Стратегия должна быть направлена на построение целостной, верифицированной и взаимосвязанной экосистемы вокруг сущности. Авторитетность должна демонстрироваться не только в целом на вебе (QS), но и конкретно внутри контекста сущности (CRS). Также патент демонстрирует глубокую интеграцию персонализации в процесс ранжирования сущностей.

Практические примеры

Сценарий 1: Управление репутацией (ORM) для публичной персоны

1. Ситуация: Клиент — известный музыкант «Alex North». В выдаче также присутствует информация о тезке-политике.
2. Цель: Обеспечить доминирование кластера музыканта и его официального сайта.
3. Действия:
   • Верифицировать все социальные профили музыканта (повышение QS).
   • Удалить старые или фейковые профили на тех же платформах (устранение Conflicts).
   • Обеспечить перекрестные ссылки между официальным сайтом, верифицированными профилями и авторитетными музыкальными базами данных (повышение CRS за счет связности и Quality Propagation).
4. Результат: Официальный сайт становится Dominant Resource. Кластер музыканта получает более высокий Cluster Rank Score, особенно для пользователей, интересующихся музыкой или связанных с ним в соцсетях (Attribute Score).

Сценарий 2: Локальное SEO для распространенного имени

1. Ситуация: Клиент — врач «John Smith» из Денвера. Запрос «John Smith» показывает известных людей.
2. Цель: Повысить видимость кластера врача для пользователей из Денвера.
3. Действия:
   • Оптимизировать профиль врача и его сайт, указав четкие географические данные (Денвер).
   • Обеспечить связи между сайтом клиники, профилем врача и локальными бизнес-справочниками Денвера (укрепление кластера).
4. Результат: Когда пользователь из Денвера ищет «John Smith», система определяет географическую близость. Attribute Score за географию значительно увеличивает Cluster Rank Score кластера врача, выводя его выше кластеров глобально известных тезок.

Вопросы и ответы