🟢 Некоторые фишки, всплывшие в результате Гугл апдейта

По докладам наших буржуинских коллег, всплыли некие фишки, которые привели к улучшению ранжирования. Так, например:

1. Тщательная проработка прайса у локальных компаний привели к росту трафа на 20-30%.

2. Аналогичного роста добились компании (локальные), которые вложились в всевозможные видеообзоры продукции / услуг

3. Дополнительная проработка E-E-A-T приводит к росту трафа. А именно (цитирую): "Google теперь требует явного указания авторства и подтверждения экспертизы. Добавляйте биографии авторов, ссылки на источники и сертификаты".

От себя добавлю нечто иное. Проработка не авторов, а тех кто стоит за сайтом - вот что стало еще более важным. То есть страница "О сайте", "О компании" и т.д. Что интересно, появились услуги от буржуинских SEO студий, которые за немалый прайс делают "правильные" странички "О сайте".

И немного предсказаний на 2-3 месяца ближайшие:

1. Будет дальнейшее снижение ранжирования AI-контента без человеческой редакции и/или без экспертных всевозможных вставок (см пост выше про таблицы)

2. В течение месяца предстоит ужесточение проверки ссылочного - ожидается обновления SpamBrain в апреле.

3. Предстоит дальнейшая интеграция AI Overviews в SERP, что потребует адаптации сниппетов

В целом вот так )))

#DrMax #Google #CoreUpdate

☄️ Google объявляет о радикальных изменениях в алгоритмах ранжирования

Команда Google Search сегодня сделала заявление, которое, вероятно, перевернет наше понимание поисковой оптимизации. Google, похоже, готов совершить полную революцию в принципах ранжирования.

Ключевые изменения:

1. Отмена ссылочного ранжирования: объявлено, что ссылки, как фактор ранжирования, полностью упраздняются. В компании заявили, что "эра ссылочного спама и манипуляций подошла к концу". Теперь, по словам представителей Google, ранжирование будет основываться исключительно на качестве и релевантности контента, а также на пользовательском опыте. "Мы доверяем нашему искусственному интеллекту в оценке истинной ценности страницы, без устаревших показателей, как ссылочный профиль", – говорится в заявлении.

2. Вместе с упразднением ссылочного ранжирования, Google также официально отказывается от метрики PageRank. "PageRank был полезен на заре интернета, но сегодня это анахронизм. Мы переходим к более сложным и нюансированным методам оценки авторитетности и значимости ресурсов", – прокомментировали в Google. Внутренние метрики, заменяющие PageRank, останутся коммерческой тайной.

3. Новая эра релевантности: от косинусной близости к механизмам внимания. Это, пожалуй, самое фундаментальное изменение. Google заявил о переходе на принципиально новый подход к определению релевантности контента поисковому запросу. Вместо модели косинусной близости n-грамм, которая измеряла фиксированное расстояние между векторными представлениями слов, Google внедряет механизмы внимания (attention mechanisms). Если раньше релевантность определялась путем сравнения векторных представлений слов и фраз на основе косинусной близости, то теперь система будет использовать обучаемые веса, чтобы определить, как каждое слово в запросе должно "фокусироваться" на других словах в контенте, и наоборот. Механизмы внимания – это динамическая и контекстуальная система взвешивания. Она учитывает не просто наличие ключевых слов, а взаимосвязи между ними в контексте запроса и контента.

Поделитесь своим мнением в комментариях! Что это значит для будущего SEO?

P.S.
Перестаньте паниковать (пока)! Возможно, это просто первоапрельская шутка от Google... или нет? 😉

#DrMax #SEO #1Апреля

✅ Механизмы Внимания Google (attention mechanisms) - Часть 1.

Сегодня мы погрузимся в одну из самых захватывающих областей современного SEO – механизмы внимания (attention mechanisms). Если вы думаете, что Google по-прежнему ранжирует сайты, опираясь на простое косинусное сходство или TF-IDF, к сожалению это уже не так. Эпоха достаточно простых метрик закончилась.

Итак, долгое время считалось, что Google использует косинусное сходство (cosine similarity) для определения семантической близости между запросом пользователя и контентом страницы. Косинусное сходство – это мера угла между двумя векторами, представляющими текст, и она действительно может помочь определить, насколько похожи два текста по смыслу на поверхностном уровне. Но сейчас Google вышел за рамки простых метрик, и в основе их алгоритмов лежат механизмы внимания.

Вот ключевые различия:

✅ Контекстуальное взвешивание, а не фиксированные расстояния: Косинусное сходство измеряет фиксированное расстояние между векторными представлениями слов или документов. Механизмы внимания, напротив, используют обучаемые веса, которые динамически определяют, насколько важно каждое слово в контексте при генерации выходного сигнала (например, при ранжировании или понимании запроса). Это не просто "похожесть", это контекстуальная значимость.

✅ Сложные отношения, а не простая "похожесть": Косинусное сходство дает одно число – меру сходства. Механизмы внимания способны улавливать множество типов отношений одновременно через так называемые "головы внимания" (attention heads). Одна голова может фокусироваться на грамматических связях, другая – на тематических, третья – на причинно-следственных и так далее. Это позволяет нейросети видеть контент многомерно.

✅ Обучение, а не фиксированные формулы: Косинусное сходство – это статичная формула. Механизмы внимания – это обучаемые системы. Веса, определяющие, на что "обращать внимание", выучиваются в процессе тренировки нейросети на огромных объемах данных. Google постоянно обучает свои модели, поэтому механизмы внимания становятся все более и более изощренными.

✅ Структура и иерархия, а не плоские отношения: Косинусное сходство по сути игнорирует структуру текста. Механизмы внимания, напротив, способны улавливать структуру и иерархию контента. Они могут понять, что заголовок H1 важнее обычного текста, что абзац, посвященный определенной теме, более релевантен запросу, чем общее описание.

Как Google использует механизмы внимания в ранжировании:

🟢Понимание контекста поискового запроса: Механизмы внимания помогают Google не просто "сопоставлять" ключевые слова в запросе и на странице, а по-настоящему понимать намерение пользователя и контекст запроса. Например, для запроса "как приготовить стейк", механизм внимания может определить, что важны слова "как", "приготовить" и "стейк", но также и контекст – пользователь ищет инструкцию, а не просто определение стейка.

🟢Оценка релевантности контента: Google использует механизмы внимания для оценки релевантности страницы не только по ключевым словам, но и по смыслу, контексту и структуре. Это позволяет ранжировать страницы, которые действительно отвечают на вопрос пользователя, даже если они не идеально "оптимизированы" под конкретные ключевые слова в традиционном понимании.

🟢Анализ качества и авторитетности контента (E-E-A-T): Механизмы внимания могут помочь Google оценивать глубину, всесторонность и качество контента. Они могут анализировать связи между различными частями текста, выявлять логические несостыковки, оценивать экспертность автора по стилю изложения и связям с другими авторитетными источниками. Например, страница, где каждая часть текста логически связана с главной темой и подкреплена авторитетными ссылками, получит более высокий "вес" от механизмов внимания.

🟢Оценка структуры и иерархии контента для Semantic SEO: Механизмы внимания позволяют Google понимать, как организован контент на странице. Они могут идентифицировать заголовки, подзаголовки, списки, абзацы и определять, как эти элементы связаны между собой. Это критически важно для Semantic SEO, где важна не просто "начинка" ключевыми словами, а логическая структура и семантическая цельность контента.

🟢Борьба с манипуляциями и "переоптимизацией": Традиционные SEO-методы, основанные на плотности ключевых слов и косинусном сходстве, были относительно легко манипулируемы. Механизмы внимания затрудняют "переоптимизацию", так как они фокусируются на естественном языке, контексте и смысловых связях. Страницы, искусственно "напичканные" ключевыми словами и лишенные смысловой цельности, будут хуже ранжироваться, даже если формально они "похожи" на запрос по косинусному сходству.

#DrMax #Google #SEO #attention_mechanisms

✅ Механизмы Внимания Google (attention mechanisms) - Часть 2.

Подтверждение использования механизмов внимания:

🟢Публичные заявления Google о BERT, MUM, LaMDA, Gemini: Все эти модели используют архитектуру Transformer, в основе которой лежат механизмы внимания. Google открыто говорит о том, что эти модели улучшают понимание языка и контекста в поиске.

🟢Исследования в области NLP: Огромное количество научных работ подтверждает эффективность механизмов внимания для различных задач NLP, включая машинный перевод, классификацию текста, ответы на вопросы и, конечно, ранжирование. Архитектура Transformer стала стандартом де-факто в современном NLP.

🟢Наблюдения SEO-сообщества: Опытные SEO специалисты давно заметили, что Google все больше ценит качественный, глубокий и структурированный контент, а не просто "оптимизированный" под ключевые слова. Это подтверждает, что Google перешел на более сложные методы анализа контента, чем простые метрики.

🟢Патенты Google: Анализ патентов Google в области ранжирования также часто указывает на использование сложных нейросетевых моделей и методов, которые, вероятно, включают механизмы внимания.

Теоретические выводы:

В эпоху механизмов внимания, SEO-стратегия должна сместиться от "оптимизации под ключевые слова" к созданию контента, который действительно отвечает на вопросы пользователей, является экспертным, авторитетным и легко воспринимаемым.

🟢Фокусируйтесь на Semantic SEO и создании тематически исчерпывающего контента: Не ограничивайтесь поверхностным освещением темы. Создавайте глубокий, структурированный контент, который охватывает все аспекты запроса пользователя.

🟢Улучшайте структуру и иерархию контента: Используйте заголовки, подзаголовки, списки, таблицы, чтобы сделать контент более читаемым и понятным для пользователей и поисковых систем. Думайте о логической организации информации.

🟢Оптимизируйте под контекст и намерение пользователя, а не только под ключевые слова: Понимайте, что именно ищет пользователь, и создавайте контент, который максимально полно отвечает на его запрос. Используйте естественный язык и избегайте "переоптимизации".

🟢Работайте над E-E-A-T (Мюллер на днях сказал, что EEAT это не то, что есть на странице. То есть добавление авторов и BIO - это не EEAT)

🟢Инвестируйте в качество контента и UX: Страницы, которые нравятся пользователям, которые легко читать и которые предоставляют ценную информацию, будут лучше ранжироваться в эпоху механизмов внимания.

#DrMax #Google #SEO #attention_mechanisms

🔥 Практическая оптимизация сайта/бизнеса/контента под механизмы внимания.

Существует стратегия оптимизации под механизмы внимания. Если приводить подробно, то очень обширно выходит. Сократил до основных пунктов:

1. Определение онтологической области бизнеса или сайта
Фундаментальное определение сути бизнеса/сайта. На этом этапе мы определяем ключевую область экспертизы. Механизмы внимания Google лучше "понимают", о чем сайт, когда есть четко очерченная тематическая область. Это помогает Google идентифицировать сайт как экспертный в определенной нише.

2. Определение сущностей, связанных с онтологической областью (Entity Definition).
Определение сущностей помогает Google понять семантическую сеть, окружающую ключевую тему.

3. Сбор поисковых запросов с использованием Google как инструмента (Query Harvesting).
Инструментами служат: Фильтры тем (Topic Filters), блок "Люди также спрашивают", блок "Люди также ищут" (People Also Search For - PASF), теги изображений в Google Картинках, автозаполнение. Инструменты для сбора поисковых подсказок: Ahrefs, Semrush, Serpstat, AnswerThePublic и т.д.

4. Анализ извлечения именованных сущностей (Named Entity Recognition - NER).
После сбора запросов, проводим NER-анализ, чтобы уточнить и расширить список сущностей. Инструменты NER (Google Cloud Natural Language API, spaCy, NLTK) автоматически идентифицируют и классифицируют именованные сущности в тексте запросов. Ручная верификация и дополнение результатов NER критически важны.

5. Определение таксономии на основе поиска сущностей (Entity-Based Taxonomy).
На основе собранных и проанализированных сущностей, мы разрабатываем таксономию – иерархическую структуру категорий и подкатегорий контента.

6. Анализ поисковых путей целевой аудитории (Search Journey Analysis).
Анализируем поисковые пути целевой аудитории, разделяя их на этапы

7. Кластеризация фаз поисковых путей через внутреннюю перелинковку (Internal Linking for Topical Authority).

8. Анализ векторных представлений (embeddings) и косинусной близости (cosine vicinity) для выявления пробелов в контенте.
Хоть и малость устарело - но пока нет иных доступных механизмов

9. Обновление существующего и создание нового контента с учетом салиентности сущностей и ясности языка (Content Creation & Optimization).

10. Форматы контента и анализ SERP (Content Formats & SERP Analysis).
Анализируйте SERP для целевых запросов, чтобы определить форматы контента, которые Google предпочитает ранжировать (статьи-руководства, списки "Топ-10”, Видео и т.д.)

Скормил стратегию Гугл АИ Студии и попросил на её основе написать стратегию для популярного веломагазина velobike.by )) опираясь только на открытые данные. Как заготовка - пойдет )))

Стратегия во вложении.

#DrMax #Google #attention_mechanisms

📔 Стратегия SEO-Оптимизации под Механизмы Внимания Google

на примере спец кофейни.

#DrMax #entity #attention_mechanisms

📈 Про стратегию механизмов внимания из предыдущего поста

Собственно говоря, в чистом виде мне эта стратегия не нужна. Переделал её под анализ одиночных страниц сайта. Ну и для переписывания оных.

Разбил всю работу промпта на 4 этапа.
На первом - сбор информации (первоначальные данные подсовываю). Это пункты 1-6 стратегии, переделанные под одиночную страницу.

На втором этапе происходит эмуляция анализа векторных представлений (embeddings) и косинусной близости (cosine vicinity) для выявления пробелов в контенте (пункт 8). Работа ИИ в этом пункте вызывает настоящий душевный трепет. Он препарирует что там все насобирал и предлагает кучу нового. И поясняет все в реальном времени.

Третий этап - пункты 9 и частично 10. Генерация результат по установленным правилам ( у меня там список из 30+ пунктов).

Четвертый этап - проверка и зачистка результатов 3 этапа.

Для работы использую Vertex AI - демку на 90 дней. По сути это тот же Google AI Studio, только более профессиональная и платная.

Модель Gemeni 2.5 Pro

Крайне рекомендую всеж присмотреться к выложенной в прошлом посте модели внимания и прикрутить её хотя бы к одиночным страницам контента.

Контент выходит потрясающий. Точно пока сказать не могу - но плюсует в ТОПе однозначно ( с 7-8 места, например на 4-5), что для внутренней оптимизации весьма хорошо.

Забыл добавить, на основе исследования я тут же многоуровневую микроразметку делаю с полным описанием сущностей и связей. И вкрячиваю для страниц. Никогда не видел таких мега объемных микроразметок.

Затратно по времени выходит правда )))
Но буду тестировать дальше.

#DrMax #attention_mechanisms #Google #SEO

Переписывание сниппетов в Гугле и косинусное сходство

Итак, как известно Google игнорирует заданные вручную мета-описания и генерирует свои собственные в большинстве случаев. Исследования (Ahrefs, Portent) показывают, что это происходит примерно в 60-70% случаев. Google делает это, чтобы предоставить пользователю наиболее релевантный фрагмент контента в ответ на его конкретный поисковый запрос.

Помимо поиска лучшего соответствия запросу, Google может переписать description, если он отсутствует, слишком короткий, неинформативный, спамный или дублируется на других страницах.

Уже устаревшее, но все еще бодрое "косинусное сходство" из за легкости его расчетов стали пихать куда угодно. Вышла статья, где оное сходство предлагают для реализации предсказания из какого куска контента Гугл перепишет статью.

Итак, источник - контент страницы: Google формирует эти автоматические описания (сниппеты), используя предложения и фрагменты текста, уже находящиеся на самой веб-странице.

Статья выдвигает технически обоснованную гипотезу (устаревшую лет на 5 ), что Google использует современные AI/NLP технологии. Предполагается, что текст на странице и поисковый запрос переводятся в векторные представления (embeddings) - числовые векторы, отражающие семантический смысл. Затем вычисляется косинусное сходство (cosine similarity) между вектором запроса и векторами предложений на странице. Предложение с максимальным сходством (т.е. наиболее семантически близкое к запросу) выбирается для формирования сниппета.

Метод прогнозирования таков:

🟢Анализируются популярные запросы для страницы (из Google Search Console).

🟢Текст страницы разбивается на предложения.

🟢С помощью инструментов (в их случае - собственного скрипта на базе Google Apps Script и Google text embedding engine) рассчитывается косинусное сходство между каждым запросом и каждым предложением.

🟢Предложение с наивысшим баллом сходства идентифицируется как наиболее вероятный кандидат в мета-описание для данного запроса.

Заявленная стратегическая ценность подхода:

🟢Оптимизация под CTR: Выявив и улучшив "кандидатов" в сниппеты, можно повысить их релевантность и привлекательность, что ведет к росту кликабельности (CTR).

🟢Улучшение релевантности контента: Анализ помогает понять, как Google интерпретирует содержание страницы относительно ключевых запросов, и направить усилия по оптимизации контента в нужное русло.

🟢Новые идеи для контента: Понимание соответствия "запрос-предложение" может дать идеи для создания нового контента или доработки существующего.

Статья выложена вот тут.

☄️ FREE: SEO Релевантность 2 v.2.1.

"SEO Релевантность 2" представляет собой мощный инструмент для анализа текстового контента с целью оценки его соответствия заданным ключевым словам.

Основная цель программы - помочь SEO-специалистам и владельцам сайтов в оптимизации контента для повышения его видимости в поисковых системах. Она позволяет не только оценить семантическую и статистическую релевантность текста, но и выделить ключевые фразы, которые наиболее близки к заданным запросам.

Задачи программы включают загрузку и очистку текстового контента с веб-страниц или пользовательского ввода, вычисление релевантности с использованием гибридного подхода (TF-IDF и семантические модели), а также генерацию длинных фраз и n-грамм. Программа анализирует как основной контент, так и мета-теги (title и h1), предоставляя комплексную картину соответствия текста ключевым словам.

Одной из ключевых особенностей программы является использование современных семантических моделей, таких как SentenceTransformer, что позволяет учитывать не только точные вхождения слов, но и их смысловые связи. Гибридный подход, сочетающий TF-IDF и семантический анализ, делает оценку релевантности более точной и адаптивной. Пользователь может настроить веса этих методов, выбирая баланс между статистической точностью и семантической глубиной.

Дополнительной особенностью является поддержка многопоточности для ускорения обработки больших объемов текста, а также кэширование результатов для повторных вычислений. Программа автоматически определяет язык текста (например, русский или английский) и адаптируется к нему, что делает её универсальной для работы с многоязычным контентом.

Преимущества программы заключаются в её гибкости и удобстве. Пользователь может задавать параметры, такие как порог сходства, количество фраз и разделители, что позволяет адаптировать анализ под конкретные задачи. Результаты можно сохранить в Excel, включая частотный анализ n-грамм, что упрощает дальнейшую работу с данными. Программа также отличается высокой точностью очистки текста от ненужных элементов (скриптов, рекламы), благодаря настраиваемому уровню очистки - "усиленный" или "легкий". Ещё одно преимущество - это возможность работы как с веб-страницами, так и с произвольным текстом, что делает инструмент универсальным.

В целом, "SEO Релевантность 2" - это инструмент, который сочетает в себе передовые технологии анализа текста, интуитивно понятный интерфейс и практическую направленность, помогая создавать контент, который лучше ранжируется в поисковых системах и отвечает потребностям аудитории.

1. Скачать программу [доступно 7 дней для скачивания]
2. Распаковать в произвольное место [Пароль: 123]
3. Запустить Rele2-1.exe

Донаты: Сказать спасибо.

Завтра запишу видео как правильно настраивать и работать с софтом.

#DrMax #SEO #Софт