- Описание патента Техническая суть изобретения Какая задача решается Проблема “неправильного распределения” поведенческих сигналов (user behavior data) в результатах поиска.
- 2. Область применения и ограничения 2.1 На что направлен патент Типы контента Веб-документы с анкорами: HTML-страницы, а также мультимедийные носители, поддерживающие “кликабельные” анкоры в видео/изображениях (Fig.
- 3. Как работает алгоритм (пошагово) Процесс (сводно по Fig.
Описание патента
Я вынес итоги в самое начало, если кому интересно могут читать всю простыню. Спасибо чатгпт 5 за некоторую помощь.)
Что делать SEO специалистам?
добейтесь, чтобы “поведенческий кредит” (клики/долгие просмотры) переходил к вашим целевым страницам через релевантные анкоры с уже ранжирующихся по тем же/похожим запросам страниц. Так Google сможет “перераспределить” сигнал в пользу первоисточника (описано в патенте как smearing через anchors).
Что делать (пошагово)
Найдите “доноров” в SERP
Для каждого целевого запроса (и его вариаций) соберите страницы-агрегаторы/обзоры, уже ранжирующиеся в топе.
Приоритет: внешние домены (междоменные ссылки учитываются как более надежные для смазывания).
Получите релевантный анкор
Договоритесь о ссылке с анкор-текстом, в котором есть ключевые термины запроса или их близкие синонимы/стеммы.
Важно расположение: рядом с анкором должен быть релевантный текст/метаданные (для изображений/видео). Избегайте шаблонных/boilerplate мест (футер, сайдбар).
Закройте мультимедиа
Если донор — видео/галерея, попросите кликабельный оверлей/подпись с релевантным текстом и метаданными (alt/описание), ведущими на вашу страницу. Мультимедийные анкоры учитываются.
Избегайте негативного контекста
Ссылка в окружении негативной лексики (“ужасный”, “плохой” и т.п.) для продуктовых/туристических запросов может считаться нерелевантной — сигнал не “перетечет”.
Покройте “похожие” запросы
Предложите донорам анкор/околотекст с вариациями формулировок запроса (синонимы/ломаные формы). Патент допускает смазывание и для “похожих” запросов.
Сфокусируйтесь на внешних, но не игнорируйте внутренних
Междоменные ссылки — предпочтительнее. Внутридоменные тоже возможны, но условие междоменности — один из опциональных фильтров.
Убедитесь, что цель видна в SERP
Смазывание надежнее срабатывает, когда и страница‑донор, и страница‑цель присутствуют по этому же или близкому запросу и имеют хоть какие-то поведенческие данные. Проверьте индексируемость, соответствие интенту, понятные тайтл/сниппет.
Учитывайте язык и гео
Старайтесь получать анкоры на тех же языке и рынке, что и ваша целевая аудитория (логи учитывают L/C).
Для своих “списков” (если вы — агрегатор)
Делайте описательные, контекстно релевантные анкоры на свои первичные страницы; добавляйте вокруг них специфичный текст (не boilerplate). Помните: часть поведенческого сигнала может “перетечь” к целевым страницам — добавляйте уникальную ценность списку, а не только набор ссылок.
Мониторьте и улучшайте
Отслеживайте, какие доноры реально приносят переходы, и усиливайте их (лучшая видимость ссылки, ясный анкор, релевантное окружение).
Эффект не моментальный: патент опирается на исторические логи. Терпение.
Что не делать
Не гнаться за любыми ссылками “где угодно”: нерелевантные анкоры/окружение, boilerplate, sitewide — низкий шанс смазывания.
Не просить “здесь/читать далее” вместо описательного анкора.
Не рассчитывать только на клики по агрегатору: цель — чтобы сигнал дошел до вашей первичной страницы.
Быстрый чек-лист
Есть список внешних страниц из топ‑10 по моему запросу/вариациям? Да/нет
Стоит на них моя ссылка с релевантным анкором и понятным околотекстом? Да/нет
Ссылка не в футере/шаблоне и без негативного контекста? Да/нет
Есть мультимедийные упоминания с кликабельными подписями/метаданными? Да/нет
Моя целевая страница уже видна по этому/похожему запросу (индекс/сниппет/интент ок)? Да/нет
Есть локальные (язык/страна) доноры? Да/нет
Важно
Это внутренний механизм Google. Патент не дает гарантий ранжирования и не раскрывает пороги/веса. Но выравнивать анкоры и контекст под пользовательский запрос на уже видимых в SERP страницах — наиболее практичный и безопасный способ “перенаправить” поведенческий сигнал к вашим первичным страницам.
Техническая суть изобретения
Какая задача решается
Проблема “неправильного распределения” поведенческих сигналов (user behavior data) в результатах поиска. Пользователь часто кликает по документу-агрегатору (вторичный источник), а затем переходит по его ссылке (anchor) к документу-первичному источнику. Если учитывать только клик и/или dwell time на агрегаторе, поведенческая ценность приписывается вторичному источнику, а не первичному. Патент предлагает механизм “заимствования/размазывания” (smearing/sharing/borrowing) поведенческих данных через релевантные анкоры от страницы-источника к странице-цели.
Основные компоненты системы (см. Fig. 2–4)
Indexing engine 2020/3010: индексирование документов, в т.ч. извлечение анкоров (якорей) и связанной информации.
Scoring engine 3020: вычисляет IR-оценки на основе контентных и независимых от запроса факторов.
Ranking engine 2052/3030/4070: ранжирует документы по запросу (использует IR-оценки и дополнительный сигнал).
Rank modifier engine 2056/3070 (query results rank modifier 1010): модифицирует ранжирование, предоставляя “quality of result statistic” (QoR) по документам для конкретного запроса; реализует “smearing” через релевантные анкоры.
Results anchor analyzing component 3080: выявляет релевантные анкоры в документах из SERP.
Tracking component 3050 (клиент/сервер): собирает поведенческие логи (клики, dwell time и др.) в result selection logs 3060.
User behavior data repository 1018: хранилище поведенческих данных.
Входные/выходные данные
Вход: запрос, список результатов, информация об анкорах результатов (ссылка, анкор-текст, околотекст, метаданные, медиаконтент/мультияковость), поведенческие логи (клики, длительность просмотра, прочие взаимодействия), доп. служебные атрибуты (язык, страна, домены, времена изменений/появления анкора и др.).
Выход: для отдельных документов — “quality of result statistic” по запросу, скорректированная с учётом “смазанных” поведенческих данных; далее — передача QoR в Ranking engine для доранжирования списка.
Ключевые технические особенности
“Smearing” поведенческих данных от “первого документа” (показан в SERP и содержит анкор на “второй документ”) к “второму документу” при выполнении условий релевантности анкора запросу (Fig. 5–6).
QoR может базироваться на:
первом измерении предыдущих пользовательских выборов первого документа (клики/долгие клики и пр.) при показах по тому же запросу;
втором измерении предыдущих пользовательских выборов второго документа по тому же (или похожему) запросу;
опционально — данных об использовании конкретного анкора (anchor-level behavior).
Опционально источник может быть “урезан” (reduction): уменьшение поведенческой метрики у первого документа пропорционально переданному объёму (claims 9, 15, 20).
Условия релевантности анкора задаются как набор опциональных правил (Fig. 6B, 6054–6064), включая присутствие второго документа в SERP по тому же или похожему запросу, наличие достаточных поведенческих данных у обоих, междоменные ссылки, релевантность анкор-текста запросу, наличие anchor-level данных.
Анкоры могут быть в тексте, видео, изображениях (Fig. 1C), в т.ч. с метаданными (alt, caption, внутренние метки и т.п.).
2. Область применения и ограничения
2.1 На что направлен патент
Типы контента
Веб-документы с анкорами: HTML-страницы, а также мультимедийные носители, поддерживающие “кликабельные” анкоры в видео/изображениях (Fig. 1C).
Вторичные источники (например, списки/каталоги/обзоры/блоги/новости/соцленты) и первичные источники (страницы-источники информации).
Типы запросов
Общие поисковые запросы; примеры в описании: коммерческие/транзакционные и travel (“Hotel New York”), но архитектура не ограничена этими типами. Приводится идея негативного контента (для некоторых типов запросов, таких как продукт/путешествия) при оценке релевантности анкора (Fig. 1D).
Форматы контента
Текстовые страницы, страницы с медиаконтентом (видео/изображения) с кликабельными анкорами.
Ниши/тематики
Не ограничено тематикой; механизм общий для web search.
Языки/география
Логи могут включать язык (L) и страну (C); механизм учитывает локальные атрибуты в данных. Ограничений по языкам/регионам не указано.
2.2 Условия применения
Триггеры/необходимые условия (см. Fig. 5–6)
Наличие в SERP документов, содержащих анкоры на другие документы из того же (или похожего) запроса.
“Достаточное” количество поведенческих данных у первого и/или второго документов (пороговые значения не фиксированы в тексте).
Выполнение одного или нескольких условий релевантности анкора (опциональные проверки 6054–6064):
Второй документ также фигурирует в SERP по текущему запросу (6054) или по “похожему” запросу (6056).
У второго документа есть поведенческие данные по этому запросу/похожему запросу (6058).
Междоменная ссылка (6060).
Релевантность текста анкора и/или ближайшего контента запросу; учет синонимов/стемминга; возможный фильтр boilerplate; потенциальный фильтр негативной тональности (6062; также Fig. 1D).
Доступность anchor-level поведенческих данных (6064).
Во времени: могут учитываться тренды (изменение поведенческих данных до/после появления анкора) и свежесть обновлений документов, но периодичность/частота применения не нормирована.
Частота применения
Не указана; схема применяется в процессе формирования ответа на запрос с использованием исторических данных.
Исключения/особые случаи
Отбор условий — опционален. Любая комбинация правил 6054–6064 может применяться, вплоть до одного условия.
2.3 Что не покрывается
Патент НЕ описывает:
Метрики качества контента как такового, E-E-A-T, PageRank или антиспам-алгоритмы (хотя упоминается проверка междоменности как признак “не самомотивации”).
Локальные/карточные/карты-результаты/изображения/видео-ранжирование как отдельные вертикали (речь о web search, хотя мультимедийные анкоры учитываются).
Конкретные численные пороги/веса/константы.
Вебмастерские сигналы типа nofollow (не упомянуты).
Частоту/расписание перерасчетов и системные SLA.
3. Как работает алгоритм (пошагово)
Процесс (сводно по Fig. 5, 6A–6B, 7A–7B)
Получение запроса и результатов поиска (Fig. 5: 5002).
Сбор информации об анкорах для каждого результата (5004).
Итерация по документам из SERP (5006):
Проверка: есть ли у выбранного документа достаточные поведенческие данные по запросу (5008).
Если да — выполнение процедуры “smearing” по его анкорам (5010 → Fig. 6A):
Перебор анкора (6002) и проверка условий релевантности (6004 → Fig. 6B: 6054–6064).
При выполнении условий — комбинация поведенческих данных первого и второго документов (6006; Fig. 7A/7B).
Переход к следующему анкору (6008).
После обработки результатов — вычисление/обновление QoR для документов с “смазанными” данными (5014).
Передача QoR в ранжирующий движок для доранжирования SERP (5016).
Комбинация/обновление данных (Fig. 7A–7B)
Вариант A (агрегация, Fig. 7A):
Получить поведенческие данные для первого и второго документов (7002).
Агрегировать для получения скорректированного значения второго документа (7004).
Вариант B (процентное смешивание, Fig. 7B):
Получить поведенческие данные (7052).
Определить “степень релевантности” анкора запросу (7054).
Комбинировать процент поведенческих данных первого документа с данными второго (7056).
Опционально — уменьшить данные первого документа на использованный процент (claims 9, 15, 20; текст: “can be decreased”).
Условия/пороги
“Threshold amount” поведенческих данных — присутствует, численные значения не указаны.
“Degree of relevance” анкора — определяется контентным совпадением/метаданными и др., конкретная формула не задана.
Временные аспекты
Используются исторические логи (клики, dwell). Возможна оценка трендов (пример: совпадение появления анкора и изменения метрик). Частота перерасчетов в патенте не указана.
4. Что собирается/анализируется (детально)
4.1 Входные данные (сигналы/факторы)
Контентные:
Анкор-текст; окружающий текст (предложение/абзац); метаданные для изображения/видео (например, alt/описание), указывающие на релевантность (“изображение отеля в Нью-Йорке”).
Терминологическое совпадение с запросом; допускается синонимия и стемминг.
Признаки boilerplate/фиксированных ссылок (менее релевантны).
Негативная тональность контента рядом с анкором — сигнал нерелевантности (примеры: “horrible/terrible”, Fig. 1D).
Технические:
URL-структура анкора (href), домены первого/второго документов (междоменные vs внутридоменные).
Временная метка появления анкора; свежесть обновлений документа.
Ссылочные:
Собственно факт существования анкора (в тексте/видео/изображении), указывающего со страницы-источника на страницу-цель.
Anchor-level поведенческие данные (если доступны): сколько раз выбирали конкретный анкор со страницы-источника при этом запросе (claims 7).
Поведенческие:
Клики по результатам, “долгие/короткие” клики (dwell time). Примеры: long/short click; возможна категория medium.
Не-клик (показы без клика), позиции кликов, сессионные параметры (предыдущие и последующие действия), return-to-SERP момент.
IR-оценки показанных результатов, заголовки и сниппеты, показанные пользователю до клика.
Технические данные клиента: cookie, cookie age, IP, user agent (перечислены как варианты логирования).
Отдельно упомянуты: eye-tracking как возможный сигнал; purchase decision data (просмотры/покупки товаров) — как иной тип поведенческих данных.
Временные:
Исторические записи <document, query, data>; тренды изменения кликов/долгих кликов до/после добавления анкора.
Структурные:
Наличие анкоров в мультимедиа (интерактивное видео, image-map и т.п.).
Гео/язык:
Язык L и страна C в логах.
Важно: Патент перечисляет эти данные как потенциально доступные/логируемые. Фактическое использование конкретных видов данных в расчёте QoR/смазке зависит от выбранной реализации (опционально).
4.2 Метрики и вычисления
Quality of result statistic (QoR)
Определяется на основе поведенческих данных по паре (документ, запрос).
Пример: взвешенное среднее числа “долгих” кликов (описательно; без формулы и коэффициентов).
При “smearing” QoR второго документа основывается на:
первом измерении прошлых выборов первого документа (когда он показывался по тому же запросу);
втором измерении прошлых выборов второго документа (когда он показывался по тому же запросу);
опционально — “третьих данных” на уровне анкора (сколько раз выбирали ссылку внутри первого документа).
Степень релевантности анкора запросу
Может учитывать: точное/частичное совпадение терминов (edit distance, синонимы, стемминг), релевантность околотекста/метаданных, негативную тональность, boilerplate.
Используется для определения процента смазывания (Fig. 7B: “combine a percentage”).
Пороговые значения
“Threshold amount” поведенческих данных — без чисел.
Весовые коэффициенты
Не зафиксированы; указано, что может быть процент от данных первого документа, зависящий от степени релевантности анкора.
Нормализация/агрегация
Агрегация данных первого и второго документов (Fig. 7A/7B).
Опциональное уменьшение поведенческих данных первого документа на использованный процент (claims 9/15/20).
4.3 Способы обработки
Текстовый анализ (NLP):
Матчинг запроса и анкор-текста/околотекста/метаданных; учет синонимов и стемминга; анализ негативной лексики.
Выявление boilerplate / sitewide ссылок.
Статистика/эвристики:
Подсчёт кликов, категорий dwell-time; анализ трендов до/после появления анкора; оценка свежести обновлений.
Классификация/кластеризация:
Определение “похожих” запросов (по сходству терминов, перекрытию множеств результатов или наборов документов с поведенческими данными).
Машинное обучение:
В тексте не утверждается явное применение ML в смазывании; система допускает любое “подходящее” определение релевантности/сходства, но конкретные ML-модели не описаны.
5. Уровень архитектуры
Нижний уровень (сбор сигналов):
Tracking component 3050/клиентский логгер, сбор кликов/dwell/позиций/не-кликов; извлечение анкора и контекстов при индексировании.
Средний уровень (преобразование в оценки):
Rank modifier engine/Results anchor analyzing component: определение релевантности анкора, вычисление процента передачи, агрегация поведенческих данных, расчет QoR.
Верхний уровень (финальные решения):
Ranking engine интегрирует IR-оценки и QoR (дополнительный сигнал) для окончательного порядка выдачи по запросу.
6. Практические выводы для SEO
Важная оговорка: патент описывает возможный внутренний процесс. Нет гарантии, что именно так реализовано в продакшене. Ниже — только выводы, которые непосредственно вытекают из описанной механики. Без натяжек.
6.1 Прямые выводы (если механизм используется)
Цель — перераспределить поведенческие сигналы от “вторичных” страниц к “первичным”, на которые они ссылаются релевантными анкорами по конкретному запросу.
Что можно делать:
Добиваться ссылок-анкоров с релевантных страниц, которые уже попадают в SERP по тем же (или похожим) запросам:
Анкор-текст и ближайший контент должны совпадать с формулировкой запроса или быть семантически близкими (учтите синонимы/стемминг).
Избегать boilerplate/шаблонных ссылок — такие анкоры менее релевантны.
По возможности — междоменные ссылки (off-domain) имеют больший вес как признак “не самомотивации”.
Для изображений/видео — обеспечить ассоциированные метаданные, явно указывающие на релевантность (alt/описание кадра и т.п.).
Если доступно влияние на анкор-уровневую кликабельность (на уровне источника): повышать вероятность выбора нужного анкора пользователями (в патенте указано, что при наличии таких данных они могут использоваться для определения доли передачи).
Для вторичных страниц (агрегатор/список): осознавать риск “перетока” части поведенческого сигнала к целевым страницам. Если ваша задача — ранжироваться как первичный источник, обеспечьте, чтобы на вас ссылались такие агрегаторы с релевантными анкорами.
Для запросов, где негативная тональность не релевантна (примеры в тексте — продукты/путешествия): избегать негативного контента вокруг анкора на целевую страницу — такие анкоры могут быть признаны нерелевантными и не передавать сигнал.
Что НЕ следует ожидать:
Это не “передача PageRank”: описывается перераспределение поведенческих метрик в QoR, а не ссылочного веса.
Нет гарантий увеличения ранга без выполнения условий релевантности и порогов по поведенческим данным.
Конкретные практики, соответствующие механике
Для страницы-”первичного источника” по запросу X:
Получите упоминания в списках/обзорах, которые уже ранжируются по X или похожим запросам.
Следите за формулировкой анкора/околотекста: используйте терминологию запроса, но без переоптимизации/шаблонности.
Стремитесь к внешним (off-domain) ссылкам от авторитетных вторичных источников.
В мультимедийных обзорах (видео/галереи) — просите добавить кликабельные ссылки и явные метаданные, описывающие релевантность вашему запросу.
Для владельцев агрегаторов/списков:
Понимайте, что часть поведенческого сигнала может быть “справедливо” перераспределена к первоисточникам при релевантных ссылках. Чтобы сохранять собственную позицию, добавляйте уникальную ценность, а не только список ссылок (это за пределами патента, но логически следует из цели перераспределения поведенческого сигнала).
Ожидаемый результат
При выполнении всех условий: повышение QoR целевой страницы по запросу, что может привести к её повышению в итоговом ранжировании для этого запроса (Fig. 1A, шаг 1030).
6.2 Косвенные выводы
Приоритет Google (в терминах патента): отдавать сигнал релевантности “первичным” источникам, когда поведение пользователя указывает, что именно они удовлетворяют интент, даже если первый клик был по “вторичному” агрегатору.
Значимость анкор-контекста:
Речь не только о тексте ссылки, но и о ближайшем контенте, метаданных, типе носителя (текст/изображение/видео), а также полярности текста.
“Похожие запросы”:
Передача может срабатывать и между близкими запросами — важно покрывать кластеры формулировок (синонимы, варианты запроса), если это соответствует интенту.
6.3 Практические примеры
Сценарий 1 (из описания): запрос “Hotel New York”.
Страница A (список отелей Нью‑Йорка) часто кликается и имеет высокий dwell; она ссылается анкором “New York hotel …” на страницу C (конкретного отеля). Алгоритм, при соблюдении условий, может “смазать” поведенческие данные A к C, подняв QoR C и улучшив его позицию над страницей B, у которой таких связей/сигналов нет (Fig. 1A, таблицы 1020–1032).
Сценарий 2 (негативная тональность):
Если анкор окружен выраженно негативным текстом (“этот отель ужасен”), такой анкор может считаться нерелевантным данному интенту (в ряде типов запросов), и передача сигнала не произойдет (Fig. 1D).
Сценарий 3 (междоменные ссылки):
Если A и C имеют разные домены, это рассматривается как дополнительный критерий для смазывания (6060).
Если патент чисто технический (важно)
Патент действительно описывает внутреннюю процедуру перераспределения поведенческих сигналов и их использования как входа в процесс ранжирования. Он не дает “прямых” вебмастерских инструкций. Практическая ценность для SEO — понимание того, какие свойства анкор-ссылок и поведенческих данных могут влиять на перераспределение QoR.
Критерии качества (проверка соответствия)
Техническая точность: использованы только факты из патента — определения QoR, условия Fig. 6B, механизмы Fig. 5–7, типы данных из разделов про tracking/logs и иллюстраций Fig. 1B–1D.
Практическая ценность: рекомендации привязаны к механизмам патента — релевантность анкора/контекста/метаданных, междоменные упоминания, покрытие похожих запросов, работа с агрегаторами.
Профессиональный уровень: описана многоуровневая архитектура и конкретные операционные шаги/сигналы без домыслов.
Разобрать сайт клиники
Пришлите URL — посмотрим, что мешает записям из поиска.