Как Google оценивает контент

// Предикаты с ВЫСОКОЙ Action magnitude: снижает / повышает / достигает / превышает / не превышает составляет / равняется / вырос / упал / изменился обеспечивает / гарантирует / ограничивает // Предикаты с НИЗКОЙ Action magnitude: есть / имеет / предлагает / является / реализует / осуществляет

// Шаблоны с высоким Triple_value: "[Продукт X] [активный глагол] [конкретное значение + условие]" "По данным ЦБ РФ за [дата]: [показатель] [изменился] на [число]%" "При [условие]: [субъект] [глагол изменения] [результат с числом]" "[Продукт A] отличается от [Продукт B] тем, что [конкретный атрибут]" // НЕ создают IG (Triple_value ≈ 0): "[Банк] предлагает [прилагательное] [продукт]" "У нас [нечто хорошее] для [целевой аудитории]"

// Что повышает contentEffort (по анализу Leak 2024): + Собственные данные которые нельзя скопировать (первичные источники) + Оригинальные изображения, схемы, графики (не stock photos) + Числовые факты с источниками и датой (KBT-совместимые тройки) + Личный опыт или экспертный анализ (не пересказ) + Высокая сложность воспроизведения: интервью, тесты, измерения // Что снижает contentEffort: - Текст который легко воспроизвести (пересказ общеизвестного) - Отсутствие уникальных данных - AI-генерация без редактуры (паттерны шаблонного текста)

// Author Vector System (Patent US11275895, 2020): Author_vector(A) = NN_encode(all_articles_by_A) // Нейросеть строит вектор по стилю — идентифицирует автора без явного byline // isAuthor (Leak 2024): boolean isAuthor = True если Google идентифицировал entity как автора страницы isAuthor = False → confidence в экспертизе снижается // authorReputationScore (WebrefMentionRatings): authorReputationScore = f(упоминания автора в авторитетных источниках, тематическая согласованность публикаций, LDA-кластеры тем автора) // Три даты должны совпадать: bylineDate = дата в byline статьи syntacticDate = дата в URL (/2025/04/) или заголовке semanticDate = дата выведенная из содержимого текста // Несовпадение → сигнал манипуляции датами

// KBT Trustworthiness для конкретных утверждений: KBT_score(fact) = P(fact верен) × P(extraction верен) × Topic_relevance // Консенсус-проверка (от SEMQA до Featured Snippets): Consensus_score(fact) = agreement(fact across authoritative sources) // Факт не принятый другими авторитетными источниками → low confidence → discard // OriginalContentScore (0–512): // Что реально даёт score: + Факты первой публикации (first_seen_timestamp == this_site) + SVO-тройки которых нет у конкурентов в кластере + Уникальные числовые данные, не взятые из общедоступных источников

// Структура личного опыта / пользовательского кейса: [Субъект с контекстом] = конкретный человек или тип с деталями → НЕ "пользователь", а "Вася, программист, 500 000 ₽" [Ситуация / задача] = что именно искал/хотел решить → "выбирал между 3 вкладами на маркетплейсе" [Действие с параметрами] = что конкретно сделал и на каких условиях → "открыл Сбербанк 16%, 12 мес., капитализация ежемесячно" [Числовой результат] = конкретные цифры, формула расчёта → "получит 86 150 ₽ (эфф. ставка 17,23%)" → "НДФЛ = 0 ₽, т.к. доход < необлагаемого лимита 160 000 ₽" [Сравнение / альтернатива] = что было бы при другом выборе → "без капитализации: 80 000 ₽ — разница 6 150 ₽" [Вывод / рекомендация] = что это означает для читателя → "капитализация имеет смысл при сроке от 6 мес."

// Pipeline применения коэффициентов (по анализу Leak 2024): // Этап 1: Mustang — быстрый предварительный скоринг // Читает CompressedQualitySignals (Flash memory, очень быстро): Mustang_score = T*_score × siteAuthority_modifier × pandaDemotion_modifier // Этап 2: TeraGoogle — полный скоринг // Читает PerDocData (полный набор сигналов): TeraGoogle_score = f( T*_score, // Anchors + Body + Clicks Q*_score, // долгосрочный quality score contentEffort, // effort estimation OriginalContentScore, NavBoost_signals, // goodClicks vs badClicks KBT_confidence, // факты верифицированы siteAuthority, // авторитет домена siteFocusScore // тематическая концентрация ) // Модификаторы применяются как множители: Final_score = Base_score × authorityPromotion_factor // ↑ если высокий authority × pandaDemotion_factor // ↓ если много thin content × navDemotion_factor // ↓ если плохой UX × contentEffort_factor // ↑ или ↓ в зависимости от effort // Если Final_score < Relevance_Threshold → Discard

// US8078629: Spam detection via phrase model Expected_N = median(related_phrase_count per doc in cluster_top10) // Три зоны: N < Expected_N → хорошо, тема раскрыта умеренно Expected_N ≤ N ≤ 2×N → норма, плотный но не спам N > 2×Expected_N → SPAM_TABLE → down-weight документа // Пример (финансы): // Топ-10 медиана по фразе "вклад": 8 упоминаний // Expected_N = 8, порог = 16 // Если в твоём тексте 20 упоминаний → флаг stuffing

// Co-occurrence Consistency Score: Consistency = 1 - variance(phrase_density per section) / mean_density // Высокий = фразы распределены равномерно → organic text // Низкий = пики концентрации → synthetic/stuffed text // Пример: // Раздел 1: 3 упоминания "вклад" // Раздел 2: 0 упоминаний // Раздел 3: 8 упоминаний ← пик → low consistency → флаг

// Pointwise Mutual Information (PMI) для пары слов: PMI(w1, w2) = log[ P(w1,w2) / (P(w1) × P(w2)) ] // Высокий PMI = слова естественно встречаются вместе в корпусе // Низкий PMI = слова поставлены рядом искусственно // Признаки Synthetic Pressure в тексте: 1. Ключевые фразы вставлены в предложения где они грамматически неловки 2. Фраза начинает предложение без логической связи с предыдущим 3. Определение термина повторяется несколько раз разными словами 4. Абзац заканчивается "keyword anchor" без смысловой необходимости

// M1: Salient Term Coverage Salient_terms = Good Phrases с высоким TF-IDF в кластере топ-10 Coverage_M1 = |{salient_terms в doc}| / |{salient_terms ожидаемых}| // Цель: Coverage_M1 > 0.85 // M2: Co-Term Coverage — устойчивые пары по PMI Cluster_pairs = [(t1, t2) | PMI(t1,t2) высокий в корпусе кластера] Coverage_M2 = |{пары в doc}| / |{пар ожидаемых}| // Примеры сильных пар для финансовой темы: // вклад ↔ ставка | ипотека ↔ первый взнос // капитализация ↔ эффективная ставка // НДФЛ ↔ необлагаемый лимит // ЦБ РФ ↔ ключевая ставка

// M3: Section-Weighted Topic Support // Для каждого раздела: есть ли связь с главной темой? Section_support(S) = cosine_sim(section_vector, main_topic_vector) M3_score = weighted_avg(Section_support × block_weight) // block_weight: H2-раздел = 1.0, aside = 0.3 // M4: Topic Drift Penalty Topic_start = topic_vector первых 20% документа Topic_end = topic_vector последних 20% документа Drift = cosine_distance(Topic_start, Topic_end) // Drift > 0.3 → penalty T* score (DOJ, HJ Kim 2025)

// M5: Best Passage Score (US10783156) Passage_score = query_term_match(P, Q) × answer_term_match(P, Q_type) + context_boost(H2_над_пассажем) + structured_bonus(list/table) // Лучший пассаж документа = Featured Snippet кандидат // M6: Snippet Sentence Score // Идеальный snippet-ответ: Self_contained = 1 // понятен без контекста Direct_answer = 1 // отвечает на вопрос напрямую Length = 40–60 слов // оптимальная длина Has_number = +0.2 // числа повышают score

// M7: Rewrite Safety // Документ должен ранжироваться для всего семейства запросов: Query_family = { "вклад Сбербанк 2025", "открыть вклад Сбербанк", "ставка по вкладу Сбербанк", "выгодные вклады Сбербанк" } // Rewrite_safety = доля запросов семьи для которых doc остаётся релевантным // M8: Segmentation Stability // Google должен уметь нарезать документ на независимые пассажи // Каждый пассаж = потенциальный ответ на подзапрос // Плохо: все факты перемешаны в одном длинном абзаце // Хорошо: каждый H2-раздел = отдельная мысль с началом и выводом

// Типичная query chain (финансы): Q1 (broad): "вклады 2025" Q2 (refined): "вклады Сбербанк 2025 ставки" Q3 (specific): "вклад Сбербанк Лучший процент условия досрочного закрытия" Q4 (action): "как открыть вклад Сбербанк онлайн" // Intent_Refinement_Coverage: IRC = |{вопросов chain покрытых страницей}| / |{вопросов в chain}| // Цель: IRC > 0.75 // Источник данных для построения chain: // People Also Ask + Related Searches + GSC query report

// Implicit Questions — то что пользователь НЕ пишет но ожидает: Explicit: "ставка по вкладу Сбербанк" Implicit: - безопасен ли Сбербанк (надёжность) - что будет при банкротстве (страховка АСВ) - можно ли пополнять (условия пополнения) - когда начисляются проценты (капитализация) - что если понадоблются деньги раньше (досрочное) // Implicit_Question_Fit: IQF = |{implicit вопросов закрытых страницей}| // Нет формальной нормализации — больше = лучше // Источник: анализ топ-10 + Related Searches + форумы

// QS3: Template Family Support // Одна тема — много формулировок запроса: Template_family = { "вклад Сбербанк", // exact "депозит Сбербанк", // synonym "открыть вклад в Сбербанке", // action form "Сбербанк вклады физических лиц", // attribute form "Сбербанк вклад проценты 2025" // temporal form } TFS = доля семьи для которой документ семантически релевантен // QS4: Stable Core Preservation // Основная тема сохраняется при любом варианте запроса // Документ не "подстраивается" под каждый запрос отдельно // Один документ = одна сущность = один canonical intent