Как Google идентифицирует, отбирает и диверсифицирует показ экспертов (Authoritative Users) в результатах поиска

Описание

Какую задачу решает

Патент решает задачу обогащения стандартных результатов поиска путем интеграции в выдачу информации о людях, которые являются экспертами в теме запроса (Authoritative Users). Цель — предоставить пользователю доступ не только к контенту, но и к авторитетным личностям, часто со ссылками на их профили в computer-implemented services (например, социальных сетях). Дополнительно решается задача обеспечения разнообразия (diversity), чтобы избежать статичности списка экспертов при повторных запросах.

Что запатентовано

Запатентована система для выборочного отображения и диверсификации Authoritative Users (AUs) в SERP. Когда поисковый запрос совпадает с Trigger Query, система извлекает исходный пул кандидатов (first set или Set K) и их оценки авторитетности (Scores). Этот пул обрабатывается для определения финального набора для показа (second set или Set M). Процесс обработки использует правила, которые могут включать выбор на основе наивысших оценок, персонализацию на основе социальных связей пользователя и обязательную рандомизацию для обеспечения разнообразия выдачи при повторных запросах.

Как это работает

Механизм работает следующим образом:

• Триггеринг: Входящий запрос сравнивается с базой данных Trigger Queries.
• Извлечение пула (K): При совпадении извлекается исходный набор авторитетных пользователей (Set K) и их оценки (Scores) по данной теме.
• Фильтрация и выбор (M): AU Engine применяет правила для выбора подмножества (Set M) из пула K.
• Правила выбора: Включают выбор пользователей с наивысшими Scores, приоритет пользователей, находящихся в Social Connections с ищущим, и случайный выбор для диверсификации.
• Диверсификация: При повторных идентичных запросах система гарантирует изменение части списка за счет рандомизации.
• Отображение: Финальный набор (M) отображается в SERP, часто в виде отдельного блока со ссылками на профили экспертов.

Актуальность для SEO

Высокая. Хотя патент подан в эпоху Google+ и акцент на «социальных сетях» связан с этим контекстом, сама концепция идентификации и отображения экспертов критически важна для Google в рамках E-E-A-T. Вероятно, современные системы (например, Google Perspectives) используют аналогичную логику триггеринга, ранжирования и персонализации, но источниками данных об экспертах теперь служат Knowledge Graph, авторские профили и различные социальные платформы.

Важность для SEO

Патент имеет высокое значение для SEO (80/100). Он демонстрирует конкретный механизм, как Google идентифицирует авторитетных лиц (сущности) и предоставляет им дополнительную видимость в SERP по релевантным темам. Это подчеркивает стратегическую важность построения личного бренда и демонстрации экспертизы авторов сайта (E-E-A-T). Попадание в список Authoritative Users может обеспечить значительный прирост видимости и доверия.

Детальный разбор

Термины и определения

AU Engine (Модуль обработки AU)

Компонент поисковой системы, отвечающий за сравнение запросов с триггерами, извлечение и обработку списка авторитетных пользователей.

Authoritative User (AU) (Авторитетный пользователь, Эксперт)

Пользователь компьютерных сервисов (например, социальной сети, блога), который был определен как авторитет (эксперт) по одной или нескольким темам.

Computer-implemented services (Компьютерные службы)

Платформы, используемые для идентификации AU и социальных связей. Включают социальные сети, сервисы обмена документами/фотографиями, блоги и микроблоги.

First set of AUs (Набор K)

Исходный набор из K авторитетных пользователей, связанных с конкретным Trigger Query. Включает идентификатор и Score.

Score (S) (Оценка авторитетности)

Числовая метрика, отражающая относительную авторитетность пользователя по отношению к конкретному Trigger Query.

Second set of AUs (Набор M)

Финальный набор из M авторитетных пользователей (M < K), выбранный из Набора K для отображения в результатах поиска.

Social Connections (Социальные связи)

Связи между пользователями в рамках компьютерных служб. Могут быть прямыми (direct contacts) или косвенными (indirect contacts).

Trigger Query (QT) (Триггерный запрос)

Заранее определенный запрос. При совпадении входящего запроса с ним активируется механизм показа AU.

Ключевые утверждения (Анализ Claims)

Формула изобретения (Claims) в этом патенте фокусируется не просто на показе экспертов, а на специфическом механизме диверсификации при обработке идентичных или схожих запросов.

Claim 1 (Независимый пункт): Описывает метод обработки двух последовательных поисковых запросов для обеспечения разного вывода экспертов.

1. Система получает первый и второй поисковые запросы от пользователя.
2. Определяется, что оба запроса совпадают с одним и тем же Trigger Query.
3. Извлекаются данные о наборе Authoritative Users (AUs) и их оценки (Scores).
4. Идентифицируется Первое подмножество AUs на основе их оценок (т.е. топ экспертов).
5. Идентифицируются Второе подмножество и Третье подмножество AUs путем случайного выбора из исходного набора. При этом:
   • Они исключают пользователей из Первого подмножества.
   • Второе и Третье подмножества отличаются друг от друга.
6. В ответ на первый запрос: отображаются Первое (Топ) и Второе (Случайное 1) подмножества.
7. В ответ на второй запрос: отображаются Первое (Топ) и Третье (Случайное 2) подмножества.

Ядро изобретения, согласно Claim 1, заключается в комбинации стабильного ядра экспертов (выбранных по Score) и динамически меняющейся группы экспертов (выбранных случайно). Это гарантирует, что пользователь увидит разный набор экспертов при выполнении одного и того же поиска дважды.

Примечание: Хотя в описании патента (Description) упоминаются и другие правила фильтрации (например, только по оценке или с учетом социальных связей), защищенная формула изобретения (Claim 1) фокусируется именно на этом гибридном методе для диверсификации.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно рассчитанные данные об авторитетности сущностей и влияя на финальное формирование SERP.

INDEXING – Индексирование и извлечение признаков
На этом этапе (офлайн) система выполняет предварительные вычисления:

• Идентифицирует потенциальных Authoritative Users, анализируя computer-implemented services.
• Рассчитывает их оценки авторитетности (Scores) для различных тем.
• Индексирует социальные графы для анализа Social Connections.

QUNDERSTANDING – Понимание Запросов
Система заранее формирует Trigger Queries Database, связывая триггерные запросы с наборами AU (Набор K) и их оценками. В реальном времени система определяет, совпадает ли входящий запрос с Trigger Query.

RANKING – Ранжирование
Основной движок генерирует стандартные результаты поиска.

METASEARCH – Метапоиск и Смешивание
Основное применение патента. AU Engine активируется при совпадении с триггером.

1. Извлечение: AU Engine получает исходный пул экспертов (K).
2. Обработка: Применяются правила фильтрации (оценка, рандомизация, социальные связи) для определения финального набора (M).
3. Смешивание: Финальный набор (M) интегрируется в общий поток результатов поиска, формируя специальный блок (Authoritative Users Portion).

Входные данные:

• Исходный запрос пользователя.
• Идентификатор пользователя (для проверки социальных связей и отслеживания повторных запросов).
• Trigger Queries Database (с данными об AU и их Scores).
• Данные о социальных связях пользователя.

Выходные данные:

• Инструкции для отображения финального набора (M) Authoritative Users (включая имена, фото и ссылки на профили) вместе со стандартными результатами поиска.

На что влияет

• Специфические запросы: Влияет только на запросы, совпадающие с Trigger Query. Это часто информационные запросы или запросы, где важна экспертиза (технологии, хобби, здоровье).
• Конкретные типы контента: Влияет на видимость профилей отдельных лиц (авторов, экспертов) и их контента на внешних платформах.
• Конкретные ниши или тематики: Особенно актуально для YMYL-тематик, где демонстрация авторитетности критически важна.

Когда применяется

• Триггер активации: Алгоритм активируется только тогда, когда входящий поисковый запрос совпадает или достаточно похож на заранее определенный Trigger Query.
• Условия применения: Применяется при наличии достаточного пула Authoritative Users (K), связанных с этим триггером.

Пошаговый алгоритм

Процесс обработки запроса и выбора Authoritative Users

1. Получение запроса: Система получает поисковый запрос от пользователя.
2. Кросс-референсинг: Запрос сравнивается с базой данных Trigger Queries.
3. Проверка совпадения: Определяется, есть ли совпадение с триггерным запросом.
   • Если НЕТ: Отобразить только стандартные результаты поиска.
   • Если ДА: Перейти к шагу 4.
4. Получение Первого набора (K): Система извлекает исходный пул (K) Authoritative Users и их Scores.
5. Определение Второго набора (M) – Фильтрация: Система обрабатывает Набор K, чтобы определить финальный Набор M (M < K), применяя одно из правил (как описано в патенте):
   • Правило 1 (Только по оценке): Выбрать M пользователей с наивысшими Scores.
   • Правило 2 (Гибрид: Оценка + Случайность): Выбрать N пользователей с наивысшими Scores (N < M). Затем случайно выбрать M-N пользователей из оставшихся в пуле K. (Этот метод используется для диверсификации, как описано в Claim 1).
   • Правило 3 (Только случайность): Случайно выбрать M пользователей из пула K.
   • Правило 4 (Социальные связи): Проверить, есть ли пользователи из пула K в Social Connections (прямых или косвенных) с ищущим пользователем. Включить их в набор M в приоритетном порядке. Заполнить оставшиеся места, используя Правила 1, 2 или 3.
6. Передача инструкций: Система передает инструкции для отображения стандартных результатов поиска и финального набора (M) Authoritative Users.

Какие данные и как использует

Данные на входе

Патент предполагает, что данные об авторитетности уже рассчитаны, и фокусируется на механизме отбора.

• Факторы авторитетности (Предварительно рассчитанные): Используются Scores (S), которые отражают относительную авторитетность пользователя по отношению к Trigger Query. Патент не детализирует расчет Score.
• Пользовательские факторы (Социальные): Данные о Social Connections ищущего пользователя. Это включает прямые и косвенные контакты в используемых computer-implemented services (социальные сети, блоги, сервисы обмена контентом).
• Системные данные: База данных Trigger Queries и связанная с ней база Authoritative Users.

Какие метрики используются и как они считаются

• Score (S): Оценка авторитетности эксперта по теме. Используется для ранжирования.
• K (Размер пула): Общее количество идентифицированных экспертов для данного триггера.
• M (Размер выборки): Количество экспертов для отображения в SERP.
• N (Размер стабильного ядра): Количество экспертов, выбираемых строго по Score в гибридных правилах (N < M).
• Метрики социальных связей: Наличие и тип связи (прямая/косвенная) между ищущим пользователем и экспертом. Используется как критерий приоритетного включения.
• Рандомизация: Использование случайного выбора для заполнения части выборки M, обеспечивающее диверсификацию выдачи.

Выводы

1. Авторитетность привязана к сущностям (людям): Патент подчеркивает важность идентификации авторитетных людей (Authoritative Users), а не только сайтов. Это напрямую связано с концепцией Экспертизы и Авторитетности в E-E-A-T.
2. Выборочное применение (Trigger Queries): Механизм не универсален. Он активируется только для заранее определенных запросов (Trigger Queries), для которых у Google есть список экспертов.
3. Многофакторный отбор экспертов: Выбор экспертов для показа зависит от трех основных факторов:
   • Авторитетность (Score): Базовый рейтинг эксперта по теме.
   • Персонализация (Social Connections): Приоритет отдается экспертам, с которыми пользователь связан.
   • Диверсификация (Randomization): Элемент случайности используется для ротации экспертов.
4. Диверсификация как ключевая функция: Как указано в Claim 1, система специально разработана для того, чтобы показывать разный набор экспертов при повторных идентичных запросах, комбинируя стабильное ядро топовых экспертов со случайно выбранными.
5. Зависимость от внешних платформ: Система полагается на данные из computer-implemented services (соцсети, блоги) для идентификации экспертов, расчета их авторитетности и определения социальных связей.

Практика

Best practices (это мы делаем)

• Построение индивидуальной экспертности (E-E-A-T / Entity SEO): Сосредоточьтесь на развитии публичной авторитетности ключевых авторов и экспертов компании. Необходимо добиться, чтобы Google идентифицировал их как Authoritative Users и присвоил высокий Score по ключевым темам.
• Четкая атрибуция и микроразметка: Убедитесь, что весь контент четко связан с его автором (используя микроразметку Person, author, sameAs). Это помогает связать контент на сайте с профилями на внешних платформах и рассчитать Score.
• Активность на внешних платформах: Поскольку патент ссылается на computer-implemented services, активность на релевантных платформах (профессиональные сети, блоги, X/Twitter, LinkedIn) критически важна для идентификации пользователя как эксперта и повышения его Score.
• Нетворкинг и построение связей: Патент явно указывает, что Social Connections используются для персонализации. Построение релевантных связей в профессиональной среде может увеличить вероятность показа вашего эксперта пользователям, которые находятся в вашем социальном графе.

Worst practices (это делать не надо)

• Анонимный или псевдонимный контент: Публикация контента без указания реального, проверяемого автора снижает вероятность идентификации Authoritative Users, связанных с вашей компанией.
• Игнорирование личного бренда: Фокусировка исключительно на авторитетности домена без развития авторитетности людей, создающих контент.
• Создание фейковых персон: Попытки манипулировать системой с помощью искусственно созданных «экспертов». Системы расчета Score авторитетности, вероятно, анализируют реальную активность и связи в сети.
• Распыление экспертизы: Попытка позиционировать одного автора как эксперта во множестве несвязанных тем может снизить его тематический Score по ключевым направлениям.

Стратегическое значение

Патент подтверждает стратегический приоритет Google на идентификацию и продвижение экспертного контента через идентификацию самих экспертов. Это важный элемент E-E-A-T и движения в сторону entity-based SEO. Долгосрочная стратегия должна включать развитие и продвижение личных брендов ключевых экспертов компании. Хотя конкретная реализация могла опираться на Google+, базовые принципы использования оценок авторитетности, персонализации и диверсификации остаются актуальными для современных систем, использующих Knowledge Graph и данные социальных платформ.

Практические примеры

Сценарий 1: Персонализация выбора экспертов (Правило 4)

1. Пользователь: Маркетолог, связанный с другими экспертами в профессиональной социальной сети.
2. Запрос: «SEO trends 2025». Система определяет его как Trigger Query.
3. Пул экспертов (K=20): Система извлекает 20 ведущих SEO-экспертов.
4. Фильтрация (M=3):
   • Эксперт А (Наивысший Score) включается.
   • Эксперт Б (Score ниже, но является прямым контактом пользователя в соцсети) включается в приоритетном порядке из-за Social Connection.
   • Эксперт В (Выбран случайно из оставшихся 18) включается для диверсификации.
5. Результат: Пользователь видит блок с экспертами A, Б и В.

Сценарий 2: Диверсификация при повторном запросе (Claim 1 / Правило 2)

1. Пользователь: Вводит запрос «квантовые вычисления».
2. Обработка первого запроса: Система выбирает Первое подмножество (Топ-2 эксперта по Score: Э1, Э2) и Второе подмножество (1 случайно выбранный эксперт: Э5).
3. Выдача 1: Показываются Э1, Э2, Э5.
4. Повторный запрос: Пользователь немедленно повторяет запрос «квантовые вычисления».
5. Обработка второго запроса: Система использует то же Первое подмножество (Э1, Э2), но выбирает новое Третье подмножество, отличающееся от Второго (например, случайно выбирается Э8).
6. Выдача 2: Показываются Э1, Э2, Э8.

Вопросы и ответы