Неотредактированное заявление инженера Google, опубликованное Министерством юстиции США, дает представление о ранжировании поисковых результатов Google, раскрывает оценки качества и обнаруживает загадочный сигнал популярности, использующий данные пользователей Chrome.
Бумага предоставляет обзор факторов ранжирования, давая общее представление о том, как функционируют алгоритмы без углубления в детализированную механику.
Ручной труд сигналы
Например, начальная часть описывает «персонализированное создание» сигналов, что по сути означает общую процедуру получения данных от оценщиков качества, кликов и других источников с последующим применением математических и статистических уравнений для генерации ранжирующего балла на основе трех видов сигналов. Персонализированное создание здесь относится к алгоритмам, которые были оптимизированы инженерами поисковых систем, а не к тому, что веб-сайты вручную размещаются в рейтинге.
Сигналы Google ABC
В документе Министерства юстиции США (DOJ) описаны три типа индикаторов, которые известны как ABC сигналы. Вот что они означают: 1. Сигнал ABC1: Указывает на наличие определенного условия или события. 2. Сигнал ABC2: Предсказывает вероятность конкретного действия или результата. 3. Сигнал ABC3: Предупреждает о потенциальных рисках или опасностях.
- А – Якорные ссылки (страницы, ведущие на целевые страницы).
- Б — Тело (термины поискового запроса в документе)
- C – Количество кликов пользователя до возврата на результаты поиска
Утверждение о сигналах ABC является обобщенной сводкой одного аспекта в сложной методологии ранжирования. На самом деле, процесс оценки результатов поиска включает множество других алгоритмов на каждом этапе — начиная от индексации, анализа ссылок, антиспам-мер, персонализации, повторного ранжирования и так далее. Например, Лиз Рид исследовала системы основной тематики как компонент алгоритма ранжирования, тогда как Мартин Сплитт затронул тему аннотаций как ключевого аспекта для понимания веб-страниц.
Как SEO-эксперт, могу вам сказать, что сигналы ABC являются основополагающими элементами при определении релевантности документа, также известного как базовый балл. Этот базовый балл имеет решающее значение, поскольку он отражает оценку Google того, насколько близко данный документ соответствует поисковому запросу пользователя. Topicality искусно сочетает по меньшей мере три ключевых показателя, преимущественно вручную разработанные, чтобы определить релевантность документа относительно терминов поискового запроса. По сути, Google полагается на эти сигналы для оценки соответствия тем между вопросом пользователя и документом.
Как опытный SEO-эксперт могу подтвердить, что процесс улучшения позиций в поисковой выдаче, особенно сосредоточенный на релевантности, предполагает решение множества сложных математических задач. Для поддержания актуальности контента работает команда специалистов по инженерии, которая неустанно занимается этими сложными вопросами в рамках конкретного проекта. Большинство сигналов создаются вручную, поскольку если возникают проблемы, Google четко понимает, какие меры необходимо предпринять для их устранения. Поисковый гигант ценит прозрачность своих сигналов, что позволяет им эффективно диагностировать и улучшать их.
В моем профессиональном опыте как опытного веб-мастера я заметил резкое различие между ручным методом работы, который мы применяем, и автоматизированным подходом Microsoft, особенно в контексте Bing по сравнению с Google. Когда возникает проблема в работе Bing, диагностика и решение становятся значительно сложнее по сравнению с аналогичными ситуациями на Google. Причина заключается в том, что подход Google кажется более оптимизированным и прямолинейным, облегчая процесс устранения неполадок.
Взаимосвязь качества страницы и релевантности
Ключевое открытие от поисковой системы заключается в том, что качество страницы остается постоянным (статичным) независимо от задаваемого вопроса. Если страница считается высококачественной и заслуживающей доверия, такая оценка остается верной для всех связанных запросов. Однако факторы, связанные с релевантностью внутри запроса, существенно влияют на окончательные рейтинги, показывая важность релевантности при формировании результатов поиска.
Качество в целом стабильно по множеству запросов и не связано с конкретным запросом. В определенных ситуациях сигнал качества учитывает детали из вопроса наряду со стабильным сигналом. Например, сайт может обладать отличным общим качеством, но предлагать только широкую или общую информацию. Если поисковый запрос рассматривается как требующий очень специфической или технической информации, это могло бы направить пользователей на высококачественный сайт, специализирующийся в этой области. Качество страницы, особенно ее надежность, имеет большое значение. Доступ конкурентов к логам дает им представление об авторитетности или доверии к конкретному сайту. Важность показателей качества остается существенной сегодня, так как качество страниц является частым источником отзывов от пользователей.
ИИ дает повод для жалоб на Google
Как опытный вебмастер, я заметил повторяющуюся проблему – воспринимаемое качество нашего цифрового опыта. Однако тут есть подвох: хотя пользователи часто высказывают своё недовольство, передовые технологии искусственного интеллекта иногда непреднамеренно усугубляют эти проблемы.
Сейчас люди все еще жалуются на качество, и ИИ делает ситуацию хуже. Эта задача была, и остаётся довольно трудоёмкой. Однако, поскольку Q остается в основном статичным и главным образом связан с веб-сайтом, а не поисковым запросом, это может быть относительно просто расшифровать его работу.
Глубокий анализ рейтинга LLM
Проще говоря, исследователь Google упоминает дополнительные факторы, влияющие на ранжирование в поиске, включая eDeepRank — систему машинного обучения, основанную на BERT, языковой модели.
eDeepRank — это система языковых моделей, которая использует BERT и трансформаторы. По сути, она стремится разбить сигналы на основе языковых моделей на более простые, понятные части для повышения прозрачности.
В качестве профессионала в области цифрового маркетинга я бы интерпретировал этот раздел как предложение метода для разделения сигналов LLM (Latent Semantic Model) на их основные компоненты. По сути, данный подход нацелен на улучшение прозрачности ранжирующих сигналов LLM, позволяя поисковым инженерам, таким как я, понять, почему конкретный контент получает определенный рейтинг от системы LLM.
Алгоритм ранжирования PageRank связан с алгоритмами ранговой оценки по расстоянию.
PageRank, впервые разработанный Google как метод ранжирования, впоследствии был усовершенствован. Шесть лет назад я обсуждал похожий алгоритм. Алгоритмы расстояния ссылок измеряют дистанцию между веб-сайтами на определенной теме (называемыми ‘стартовыми сайтами’) и другими сайтами в той же области знания. Эти алгоритмы начинают с набора авторитетных стартовых сайтов для конкретной темы и затем определяют, что сайты дальше от их соответствующих стартовых сайтов считаются менее надежными. Напротив, сайты ближе к этим стартам более вероятно являются авторитетными и заслуживающими доверия.
Читайте об алгоритме ранжирования ссылок такого вида: Алгоритмы ранжирования по расстоянию между ссылками
Тайный сигнал популярности на основе хрома
Существует еще один сигнал, чье имя отредактировано и который связан с популярностью.
«[заретуровано] сигнал популярности, использующий данные из Chrome.»
Можно предположить, что проблема с API Chrome указывает на прямое влияние на ранжирование в поисковых системах. Тем не менее, многие специалисты по SEO, включая меня, утверждают, что эти APIs прежде всего предназначены для разработчиков, чтобы отслеживать показатели производительности, такие как Core Web Vitals, через панель инструментов разработчика Chrome.
Я подозреваю, что это относится к показателю популярности, о котором мы можем не знать.
Инженер Google признает утечку нового документа, которая намекает на конкретные части системы ранжирования поиска Google. Однако они отмечают отсутствие достаточных деталей для воссоздания или полного понимания алгоритма, основываясь только на этой информации.
Google столкнулся с утечкой конфиденциальных документов, которые раскрыли некоторые аспекты их системы ранжирования. Однако утечка не содержит информации о точных формах или уровнях этих компонентов. Как SEO-аналитик, могу заверить вас, что несмотря на то, что документы могут не предоставить всех необходимых деталей, данные вероятно предоставят ценные инсайты для понимания ситуации.
вынос на дом/еда навынос
Как опытный вебмастер, я недавно столкнулся с интригующим резюме о показаниях американского министерства юстиции к инженеру Google. Этот документ дает общее представление об определенных аспектах системы ранжирования поиска в Google, включая разработку рукописных сигналов, важность статических оценок качества страниц и загадочный сигнал популярности, связанный с данными пользователей Chrome.
Предлагает необычный взгляд на формирование таких факторов как релевантность, достоверность, вовлеченность пользователей и открытость на основе машинного обучения (MLM) для понимания системы ранжирования сайтов Google с новой точки зрения.
Смотрите также
2025-05-16 02:09
