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.
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.