​Разбираем E-E-A-T: как утекшие сигналы Гугла связаны с качеством контента

​Разбираем E-E-A-T: как утекшие сигналы Гугла связаны с качеством контента

E-E-A-T — это концептуальная цель алгоритмов ранжирования Гугла.

Благодаря утекшей документации и судебным показаниям стало понятно, как она превращается в машиночитаемые сигналы в многоэтапном процессе ранжирования.

Системы вроде SegIndexer, Mustang и Navboost последовательно фильтруют контент по качеству, оценивают его и вносят финальные корректировки.

В этой статье мы сопоставим утекшие атрибуты с каждым из компонентов E-E-A-T.

Experience

Опыт измеряется сигналами личного участия и оригинальности контента.

— contentEffort: LLM-оценка человеческих усилий в контенте. Штрафует копипаст и шаблонный AI-текст.

— contentEffort: LLM-оценка человеческих усилий в контенте. Штрафует копипаст и шаблонный AI-текст.

— originalContentScore: Измеряет уникальность контента, отличая его от синдицированной или вторичной информации.

— isAuthor & author: Идентифицирует и отслеживает работы автора, позволяя системам строить профиль его опыта.

— lastSignificantUpdate: Отличает мелкие правки от серьезных, сигнализируя об актуальном опыте в теме.

— docImages: Оригинальные, релевантные изображения служат подтверждением личного опыта.

Expertise

Экспертность определяется через тематическую специализацию и семантическую глубину.

— siteFocusScore & siteRadius: Измеряют тематическую специализацию, поощряя нишевый фокус и наказывая за контент вне основной тематики.

— site2vecEmbeddingEncoded: Создает математическое представление тематик сайта для измерения его тематической целостности.

— EntityAnnotations & QBST: Определяют сущности на странице и ключевые термины, ожидаемые в экспертном документе по запросу.

— ymylHealthScore: Отдельный классификатор, показывающий, что для YMYL-тем («Your Money or Your Life») применяются более высокие, алгоритмически измеряемые стандарты экспертности.

Authoritativeness

Авторитетность измеряется комплексными сигналами репутации сайта, влияющими на общую, независимую от запроса, оценку качества (Q*).

— siteAuthority: Метрика, отражающая общую важность домена.

— predictedDefaultNsr: Версионированная базовая оценка качества, создающая «алгоритмическую инерцию»: история высокого качества делает сайт более устойчивым к просадкам.

— Homepage PageRank: Фундаментальный сигнал авторитетности для всего домена.

— queriesForWhichOfficial: Хранит запросы, по которым страница считается «официальным» результатом.

Trust

Траст — базовое требование, основанное на технической исправности, пользовательском подтверждении и отсутствии спам-сигналов.

— pandaDemotion: Санкции на весь сайт за низкокачественный, тонкий или дублированный контент. Работают как «алгоритмический долг», просаживающий видимость.

— Сигналы, подтвержденные пользователями: Показания по делу Минюста подтвердили: Navboost использует клики из Chrome для корректировки ранжирования. Система классифицирует поведение пользователей на сигналы: GoodClicks (запрос удовлетворен), BadClicks (пого-стикинг) и last longest clicks (сильный сигнал удовлетворенности). Постоянное негативное поведение юзеров может привести к санкциям, вроде navDemotion.

— Технические и спам-сигналы: Траст снижается из-за негативных сигналов: badSslCertificate (плохой SSL-сертификат), clutterScore (перегруженный макет), scamness (подозрение на мошенничество) и spamrank (ссылки на спамные сайты).

— Проверка в реальном мире: Для локальных сущностей сигналы вроде brickAndMortarStrength измеряют их физическую заметность и надежность (например, наличие офиса).

https://www.hobo-web.co.uk/eeat/

@MikeBlazerX