Как Google переносит поведенческие сигналы через ссылки для повышения в ранжировании первоисточников контента

Описание

Какую задачу решает

Патент решает проблему некорректной атрибуции поведенческих сигналов (User Behavior Data), таких как данные о кликах (Click Data) и время пребывания (Dwell Time). В стандартных системах положительный сигнал (например, Long Click) засчитывается документу, выбранному в SERP, даже если пользователь использовал его только как промежуточный шаг (Secondary Source) для перехода по ссылке на конечную цель (Primary Source). Это приводит к завышению релевантности страниц-посредников (агрегаторов, каталогов) и недооценке первоисточников. Изобретение направлено на корректную атрибуцию поведенческих сигналов конечному документу в цепочке навигации.

Что запатентовано

Запатентован метод модификации ранжирования путем переноса (в описании используется термин smearing) поведенческих данных от одного документа к другому через анкоры (ссылки). Если пользователь кликает на Документ А в выдаче, а затем переходит по ссылке из Документа А в Документ Б, система может использовать User Behavior Data Документа А для расчета Quality of Result Statistic Документа Б, при выполнении определенных условий релевантности.

Как это работает

Механизм работает на этапе переранжирования с помощью Rank Modifier Engine:

• Идентификация связей: Система анализирует документы в результатах поиска и идентифицирует анкоры между ними.
• Проверка условий: Для активации переноса данных проверяются условия. Ключевые условия могут включать: оба документа присутствуют в результатах поиска по данному запросу (Claim 1), ссылка ведет на другой домен (Claim 4), и текст анкора релевантен запросу (Claim 5).
• Перенос данных (Smearing): Если условия выполнены, поведенческие данные исходного документа комбинируются с данными целевого документа. Объем переноса может зависеть от степени релевантности анкора (Claim 10).
• Корректировка метрик: Рассчитывается новая Quality of Result Statistic для целевого документа. В некоторых реализациях метрика исходного документа может быть уменьшена (Claim 9).
• Ранжирование: Новая статистика используется для корректировки позиций документов в выдаче.

Актуальность для SEO

Высокая. Точная интерпретация поведенческих сигналов и понимание полного пути пользователя (User Journey) за пределами первого клика в SERP остаются критически важными задачами для качества поиска. Этот патент описывает конкретный механизм для продвижения первоисточников и борьбы с завышением рейтинга агрегаторов, что крайне актуально для современных алгоритмов.

Важность для SEO

Влияние на SEO значительное (85/100). Патент описывает механизм, который напрямую влияет на распределение ключевых поведенческих сигналов релевантности. Он стратегически важен для всех сайтов: система вознаграждает Primary Sources, являющиеся конечной целью пользователя, и может пессимизировать Secondary Sources, служащие лишь посредниками. Также он подчеркивает критическую роль релевантности анкорного текста для передачи поведенческих сигналов.

Детальный разбор

Термины и определения

Anchor (Анкор)

Часть документа (текст, изображение, видео), которая предоставляет ссылку на другой документ.

Click Data (Данные о кликах)

Тип User Behavior Data. Включает информацию о том, как долго пользователь просматривает документ после клика в результатах поиска (Dwell Time). Включает Long Click (индикатор релевантности) и Short Click (индикатор нерелевантности).

Degree of Relevance (Степень релевантности)

Метрика, оценивающая, насколько анкор релевантен входному запросу. Используется для определения процента передаваемых поведенческих данных (Claim 10).

Primary Source (Первоисточник)

Документ, являющийся основным источником информации и часто конечной целью пользователя.

Quality of Result Statistic (Статистика качества результата)

Метрика, производная от User Behavior Data для конкретной пары [документ, запрос]. Используется как входной сигнал для процесса ранжирования.

Secondary Source (Вторичный источник)

Документ, который агрегирует информацию или служит каталогом (например, агрегатор, блог), часто ссылаясь на первоисточники.

Smearing (Перенос, «размазывание» данных)

Термин из описания патента, обозначающий процесс переноса или комбинирования User Behavior Data от одного документа к другому через анкор.

User Behavior Data (Поведенческие данные пользователя)

Данные, характеризующие поведение пользователя относительно документа, когда он представлен как результат поиска по запросу. Включает Click Data.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод корректировки ранжирования.

1. Система получает множество результатов поиска в ответ на запрос, включающее ссылку на Документ А и ссылку на Документ Б.
2. Определяется, что Документ А включает ссылку (link/anchor) на Документ Б.
3. В ответ на это определение вычисляется Quality of Result Statistic для Документа Б, основанная на: (i) Первой метрике предыдущих выборов пользователя (previous user selections) Документа А (когда он был результатом поиска по этому запросу) И (ii) Второй метрике предыдущих выборов пользователя Документа Б (когда он был результатом поиска по этому запросу).
4. Quality of Result Statistic для Документа Б предоставляется как входные данные для процесса ранжирования.

Ядром изобретения является обязательное условие для переноса поведенческих сигналов: оба документа (источник и цель ссылки) должны быть идентифицированы как результаты поиска для одного и того же запроса. Если это условие выполнено и между ними есть ссылка, их поведенческие данные комбинируются для расчета итоговой оценки целевого документа.

Claim 4 (Зависимый от 1): Добавляет условие междоменности.

Вычисление Quality of Result Statistic основывается на определении того, что интернет-домен Документа А отличается от интернет-домена Документа Б. Это фокусирует механизм на внешних ссылках (off-domain links), а не на внутренней перелинковке.

Claim 5 (Зависимый от 1): Добавляет условие релевантности контента.

Вычисление Quality of Result Statistic основывается на определении того, что анкорный текст (anchor text), связанный со ссылкой, релевантен запросу. Перенос сигнала требует тематической релевантности ссылки исходному запросу.

Claim 8 (Зависимый от 1): Уточняет метод вычисления.

Вычисление Quality of Result Statistic включает агрегирование (aggregating) первой метрики (Документ А) и второй метрики (Документ Б). Поведенческие сигналы источника и цели суммируются.

Claim 9 (Зависимый от 1): Описывает влияние на исходный документ.

В ответ на определение связи между А и Б, первая метрика (поведенческие данные, связанные с Документом А) уменьшается (reducing). Документ А не только делится данными с Документом Б, но и теряет их часть, что критически важно для оценки роли посредников.

Claim 10 (Зависимый от 1): Вводит пропорциональность.

Определяется степень релевантности (Degree of Relevance) между анкорным текстом и запросом. Quality of Result Statistic дополнительно основывается на этой степени релевантности. Объем переносимого сигнала зависит от того, насколько точно анкорный текст соответствует запросу.

Где и как применяется

Изобретение применяется в основном на финальных этапах обработки поискового запроса, используя данные, собранные на других этапах.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна идентифицировать и сохранять информацию об анкорах в документах, включая целевые URL и связанный с ними контент (anchor text, окружающий текст, метаданные). Эти данные необходимы для последующего анализа связей.

RERANKING – Переранжирование (или поздний этап RANKING)
Основное применение патента. Процесс происходит после того, как базовый набор результатов сгенерирован. Rank Modifier Engine выполняет следующие шаги:

1. Анализ результатов и связей: Система анализирует документы в наборе результатов и ищет ссылки между ними.
2. Сбор данных: Извлекаются исторические User Behavior Data для этих документов по данному запросу.
3. Валидация связей: Проверяются условия для переноса данных (например, релевантность анкора, разные домены).
4. Вычисление переноса (Smearing): Рассчитывается объем поведенческих данных для переноса от источника к цели и потенциальное уменьшение данных источника.
5. Генерация метрик: Вычисляются модифицированные Quality of Result Statistics.
6. Корректировка ранжирования: Ranking Engine использует эти статистики для корректировки финального порядка выдачи.

Входные данные:

• Исходный запрос пользователя.
• Начальный набор результатов поиска.
• Информация об анкорах для каждого документа в наборе.
• Исторические User Behavior Data для пар [документ, запрос].

Выходные данные:

• Модифицированные Quality of Result Statistics для документов.
• Скорректированный (переранжированный) набор результатов поиска.

На что влияет

• Конкретные типы контента: Наибольшее влияние оказывается на динамику между Secondary Sources (агрегаторы, каталоги, обзорные статьи, страницы категорий) и Primary Sources (конкретные статьи, продукты, официальные сайты услуг).
• Специфические запросы: Влияет на информационные и транзакционные запросы, где пользовательский путь часто включает переход с обзорной страницы на более детальную.
• Конкретные ниши: E-commerce, Путешествия (Travel), Новости и Медиа, где часто встречаются агрегаторы.

Когда применяется

Алгоритм применяется при выполнении строгих условий, описанных в Claims. Патент подчеркивает, что эти условия опциональны и могут использоваться в разных комбинациях.

• Обязательное условие (Claim 1): Документ А ссылается на Документ Б, И оба они должны быть идентифицированы как результаты поиска для данного запроса.
• Дополнительные триггеры активации (опционально):
  • Ссылка является междоменной (А и Б на разных доменах) (Claim 4).
  • Анкорный текст ссылки релевантен запросу (Claim 5).
  • Документ А имеет достаточный объем поведенческих данных для переноса.

Пошаговый алгоритм

Процесс модификации ранжирования (на основе FIG. 5, 6A, 6B):

1. Получение данных: Система получает входной запрос и начальные результаты поиска. Извлекается информация об анкорах для этих результатов.
2. Итерация по результатам (Выбор Документа А): Система последовательно выбирает каждый документ из результатов поиска.
3. Проверка наличия данных (Порог): Определяется, есть ли у Документа А достаточный объем User Behavior Data, связанного с запросом. Если нет, переход к следующему документу.
4. Итерация по анкорам (Выбор Документа Б): Система анализирует анкоры в Документе А, ведущие на Документ Б.
5. Проверка условий переноса (Smearing Conditions): Для каждой пары А->Б проверяется набор условий (например, Claim 1, 4, 5).
6. Комбинирование данных: Если условия выполнены, система комбинирует User Behavior Data Документа А и Документа Б.
   • Метод 1 (Агрегация): Данные суммируются (Claim 8).
   • Метод 2 (Пропорциональный перенос): Определяется Degree of Relevance анкора. Переносится процент данных Документа А, пропорциональный этой степени (Claim 10).
7. Корректировка данных Документа А (Опционально): Поведенческие данные Документа А могут быть уменьшены (Claim 9).
8. Обновление метрик: После обработки всех анкоров и документов система выводит новые Quality of Result Statistics.
9. Применение в ранжировании: Новые статистики передаются в Ranking Engine для корректировки позиций.

Какие данные и как использует

Данные на входе

Система использует несколько типов данных для принятия решений о переносе сигналов:

• Поведенческие факторы (Критические):
  • User Behavior Data / Click Data: Исторические данные о взаимодействии (Dwell time, частота выбора в SERP, Long Clicks) для Документа А и Документа Б в контексте данного запроса.
• Ссылочные и Структурные факторы:
  • Наличие анкора (ссылки) между Документом А и Документом Б.
  • Доменная информация: Используется для определения, является ли ссылка междоменной (Claim 4).
• Контентные факторы:
  • Anchor text: Текст ссылки используется для оценки релевантности запросу (Claim 5).
  • Окружающий текст и метаданные: Могут использоваться для более точной оценки релевантности анкора (FIG. 1D).

Какие метрики используются и как они считаются

• Quality of Result Statistic: Ключевая метрика, которая модифицируется в процессе. Она является производной от поведенческих данных.
• Degree of Relevance (Степень релевантности): Метрика, оценивающая схожесть анкорного текста (и связанного контента) с входным запросом. Используется для определения пропорции переносимых данных (Claim 10). Может рассчитываться с помощью алгоритмов сравнения текста.
• Методы комбинирования: Патент описывает два основных метода расчета новой статистики для целевого документа (Б) на основе данных источника (А):
  • Агрегация (Claim 8): $QoR(B)_{new} \approx UBD(A) + UBD(B)_{old}$
  • Пропорциональное комбинирование (Claim 10, FIG. 7B): $QoR(B)_{new} \approx (Percentage \times UBD(A)) + UBD(B)_{old}$, где Percentage зависит от Degree of Relevance анкора.

Выводы

1. Поведенческие сигналы следуют за пользователем: Google стремится атрибутировать релевантность конечному пункту назначения пользователя (Primary Source), а не только первой странице, на которую он кликнул в SERP (Secondary Source). Позитивные сигналы (например, Long Click) могут быть перенесены на целевую страницу.
2. Приоритет первоисточников и риск для агрегаторов: Этот механизм способствует продвижению первоисточников за счет посредников. Более того, патент явно предусматривает (Claim 9), что исходный документ может потерять часть своего поведенческого веса в результате переноса.
3. Релевантность анкора критична для переноса сигналов: Перенос данных не происходит автоматически. Анкорный текст должен быть релевантен запросу (Claim 5). Чем выше релевантность (Degree of Relevance), тем больше сигнала может быть передано (Claim 10).
4. Акцент на внешних ссылках: В патенте (Claim 4) оговаривается условие, что перенос сигналов может применяться только для ссылок, ведущих на внешние домены (off-domain links). Это подчеркивает важность внешних ссылок для передачи поведенческих факторов.
5. Ограничения применения: Ключевое ограничение (Claim 1) заключается в том, что для базовой активации механизма оба документа должны быть признаны релевантными и присутствовать в результатах поиска по данному запросу.

Практика

Best practices (это мы делаем)

• Фокус на создании первоисточников (Primary Sources): Стратегия должна быть направлена на то, чтобы сайт был конечной целью пользователя. Это позволяет аккумулировать поведенческие сигналы как напрямую из SERP, так и через переходы с сайтов-агрегаторов.
• Оптимизация анкорного текста входящих ссылок: При линкбилдинге и работе с партнерами критически важно стремиться к получению ссылок с анкорным текстом, максимально релевантным целевым запросам страницы. Согласно Claim 10, это напрямую влияет на объем переносимых поведенческих сигналов.
• Получение ссылок с релевантных страниц с трафиком: Ценность ссылки с популярной обзорной страницы или агрегатора, который ранжируется по смежным запросам, возрастает. Если пользователи переходят с нее на ваш сайт, вы получаете не только трафик, но и перенесенные позитивные поведенческие сигналы.
• Стратегия для агрегаторов (Secondary Sources): Если вы управляете агрегатором, необходимо предоставлять значительную добавленную ценность на самой странице, чтобы удовлетворить интент пользователя и не служить просто прослойкой. Это снизит риск потери поведенческих сигналов (Claim 9).

Worst practices (это делать не надо)

• Создание тонких агрегаторов (Doorways, Thin Affiliates): Создание страниц без добавленной стоимости, цель которых – занять место в выдаче и перенаправить пользователя на другой сайт. Механизм патента направлен против такой тактики, передавая сигналы релевантности конечному ресурсу и потенциально уменьшая сигналы источника (Claim 9).
• Использование нерелевантных или общих анкоров: Использование анкоров типа «здесь», «читать далее» или кликбейтных заголовков, не связанных с темой запроса. Это снижает вероятность (Claim 5) и объем (Claim 10) переноса поведенческих сигналов.
• Игнорирование внешних ссылок при анализе поведенческих факторов: Оценка успеха страницы только по ее собственному Dwell Time без анализа того, куда пользователи уходят дальше, может привести к неверным выводам о ее эффективности.

Стратегическое значение

Патент демонстрирует высокий уровень сложности анализа поведенческих данных Google, выходящий за рамки простого анализа кликов в SERP. Он подтверждает стратегический приоритет удовлетворенности пользователя (Intent Satisfaction) и важность понимания полного пути пользователя (User Journey). Для SEO это означает, что качество контента и его способность быть конечным ответом важнее, чем способность просто привлечь первый клик. Линкбилдинг приобретает дополнительное измерение: важна не только ссылочная авторитетность донора, но и его поведенческие метрики в сочетании с высокой релевантностью анкора.

Практические примеры

Сценарий: Перераспределение сигналов с обзора на официальный сайт

1. Запрос: «Характеристики Nikon Z8».
2. Выдача (SERP): Включает (А) Обзор камеры на сайте TechRadar и (Б) Официальную страницу спецификаций на сайте Nikon. TechRadar ранжируется выше.
3. Действие пользователя: Пользователь кликает на TechRadar (А), быстро просматривает страницу и кликает по ссылке с анкором «Полные спецификации Nikon Z8 на официальном сайте», которая ведет на сайт Nikon (Б). Пользователь проводит там много времени (Long Click).
4. Анализ системы:
   • Оба сайта А и Б в выдаче (Условие Claim 1 выполнено).
   • Ссылка внешняя (Условие Claim 4 выполнено).
   • Анкор строго релевантен запросу (Условие Claim 5 выполнено).
5. Механизм переноса: Система переносит (smears) позитивный поведенческий сигнал (Long Click) от TechRadar (А) к Nikon (Б). Сигнал TechRadar может быть уменьшен (Claim 9).
6. Результат: Quality of Result Statistic для сайта Nikon (Б) увеличивается, что способствует повышению его позиций по данному запросу, потенциально обгоняя TechRadar.

Вопросы и ответы