نحوه تعیین امتیاز تازگی اسناد در سیستم رتبه‌ بندی گوگل

پتنت  Systems and methods for determining document freshness روشی را توصیف می‌کند که موتور جستجو به کمک آن تشخیص می‌دهد یک سند یا صفحه وب تا چه حد «تازه» است. در این پتنت، «سند» فقط یک مقاله یا صفحه وب نیست؛ می‌تواند صفحه محصول، صفحه دسته‌بندی، فایل، خبر، پست وبلاگ، تبلیغ، ایمیل یا هر محتوای قابل‌ذخیره و پردازش توسط سیستم باشد.

این سیستم مشخص می‌کند که آیا یک «ویژگی تازگی» به سند اول مرتبط است یا نه. بر اساس این تشخیص، سیستم مجموعه‌ای از «اسناد دوم» را شناسایی می‌کند که هرکدام حاوی لینکی به سند اول هستند. سپس سیستم بر اساس ویژگی تازگی مرتبط با هر یک از اسناد دوم، یا ویژگی تازگی مرتبط با خود سند اول، یک «امتیاز تازگی» به سند اول اختصاص می‌دهد.

منبع  این مقاله : US7797316B2 و US20050144193

تازگی (Freshness) یعنی چه و چرا مهم است؟

«تازگی» یعنی گوگل تا چه حد یک صفحه را تازه، به‌روز و مرتبط با زمان حال می‌بیند. این سیگنال برای کوئری‌های زمان‌محور (خبر، قیمت روز، ترندها، محصولات جدید و …) اهمیت زیادی دارد و می‌تواند باعث جابه‌جایی نتایج در کوتاه‌مدت شود.

برای یک سئوکار، تازگی یعنی:

• فقط تولید یک مقاله کافی نیست؛ آیا این مقاله در نگاه گوگل هنوز زنده است یا مرده؟
• آیا هنوز لینک‌های جدید و به‌روز به آن داده می‌شود و آیا خود صفحه و لینک دهنده‌هایش آپدیت می‌شوند؟

مفهوم اصلی امتیاز تازگی محتوا

این شکل، ایده کلی محاسبه امتیاز تازگی یک سند به نام «سند p» (document p) را نشان می‌دهد. فرض کنید سند p یک صفحه وب است. حالا یک مجموعه از سندهای دیگر وجود دارند که هرکدام حداقل یک لینک به سمت سند p دارند؛ به این سندها «سندهای لینک‌دهنده» (linking documents) می‌گویند.

نکته کلیدی این‌جاست: هر سند لینک‌دهنده یک ویژگی تازگی (freshness attribute) دارد که نشان می‌دهد آن سند لینک‌دهنده چه زمانی آخرین بار به‌روزرسانی شده است. یک نمونه از این ویژگی، هدر HTTP به نام «Last-Modified-Since» است که سرورها هنگام پاسخ به مرورگر می‌فرستند.

هر لینک هم یک «طول عمر» دارد: یک زمان ایجاد (creation time) و یک زمان حذف (removal time). یعنی گوگل نه فقط به این توجه می‌کند که چند لینک به شما اشاره دارند، بلکه به این هم توجه می‌کند که این لینک‌ها از چه سایت‌هایی می‌آیند (آیا آن سایت‌ها خودشان تازه و فعال هستند؟) و این لینک‌ها از چه زمانی وجود داشته‌اند.

از ترکیب این دو عامل — تازگی سندهای لینک‌دهنده و بازه زمانی وجود لینک‌ها — یک عدد به نام Fr (Freshness score) به سند p اختصاص می‌یابد که در رتبه‌بندی نتایج جستجو استفاده می‌شود.

برای سئوکارها: این یعنی حتی اگر صفحه شما را تغییر ندهید، اگر سایت‌هایی که به شما لینک داده‌اند خودشان فعال و به‌روز باشند (بلاگ‌های پرمحتوا، سایت‌های خبری فعال و غیره)، صفحه شما می‌تواند سیگنال تازگی مثبت بگیرد. برعکس، اگر سایت‌های لینک‌دهنده شما همه غیرفعال و متروک باشند، حتی محتوای جدید شما ممکن است سیگنال تازگی ضعیفی دریافت کند.

معماری شبکه

این شکل یک نمودار شبکه (network 200) را نشان می‌دهد که شامل چند کلاینت (clients 210) و چند سرور (servers 220 و 215) است که همه از طریق یک شبکه (network 230) — که می‌تواند اینترنت، یک شبکه محلی (LAN)، شبکه گسترده (WAN) یا حتی خط تلفن باشد — به هم متصل‌اند.

کلاینت‌ها: هر دستگاهی مثل موبایل، کامپیوتر شخصی، لپ‌تاپ یا حتی یک فرآیند نرم‌افزاری در حال اجرا روی این دستگاه‌ها.

سرور ۲۲۰: این سروری است که موتور جستجو (search engine 225) روی آن اجرا می‌شود. این سرور کار خزش (crawling) وب‌سایت‌ها را انجام می‌دهد و اسنادی که پیدا کرده را در یک مخزن (repository) ذخیره می‌کند. همین سرور است که امتیاز تازگی را به اسناد بازیابی‌شده در نتایج جستجو اختصاص می‌دهد.

سرور ۲۱۵: این سروری است که خود محتوا (اخبار، محصولات، تصاویر، صفحات وب) روی آن نگهداری می‌شود و توسط سرور ۲۲۰ خزش می‌شود.

نکته مهم این‌جاست که پتنت تأکید می‌کند این نقش‌ها می‌توانند در یک سرور واحد ادغام شوند یا برعکس، بین چند سرور توزیع‌شده تقسیم شوند — یعنی این یک توضیح مفهومی است، نه یک الزام معماری خاص.

معماری سخت‌افزاری کلاینت / سرور

این شکل به سطح پایین‌تر می‌رود و اجزای داخلی یک دستگاه کلاینت یا سرور را نشان می‌دهد، شامل:

باس (Bus 310): مسیر ارتباطی بین اجزای داخلی دستگاه.

واحد پردازش (Processing unit 320): می‌تواند پردازنده (میکروپروسسور)، FPGA یا مدار منطقی ترکیبی باشد.

حافظه اصلی (Main memory 330): حافظه RAM که دستورات را برای اجرا نگه می‌دارد.

حافظه فقط‌خواندنی (ROM 340): اطلاعات ثابت را نگه می‌دارد.

دستگاه ذخیره‌سازی (Storage device 350): معمولا دیسک مغناطیسی یا نوری.

دستگاه ورودی/خروجی (Input/Output devices 360 و 370): صفحه‌کلید، ماوس، صفحه نمایش، چاپگر و غیره.

رابط ارتباطی (Communication interface 380): ابزاری که دستگاه را به شبکه متصل می‌کند.

این شکل صرفا یک توصیف عمومی و استاندارد سخت‌افزار کامپیوتری است که در تقریبا تمام پتنت‌های نرم‌افزاری گوگل تکرار می‌شود، تا پتنت را از نظر حقوقی به یک پیاده‌سازی فنی مشخص محدود نکند. برای سئوکارها اهمیت عملی مستقیمی ندارد — صرفا بخش «الزامات حقوقی/فنی پتنت» است.

شکل‌ های ۴A و ۴B : فلوچارت محاسبه امتیاز تازگی

این دو شکل، قلب تپنده پتنت هستند و فلوچارت تصمیم‌گیری موتور جستجو را مرحله‌به‌مرحله نشان می‌دهند.

نکته‌ی مهمی که در نسخه‌های خلاصه‌شده معمولا از قلم می‌افتد این است که شکل‌های ۴A و ۴B یک فلوچارت واحد هستند که صرفا برای رعایت قوانین رسم‌الخط اسناد پتنت (محدودیت اندازه هر صفحه شکل) به دو برگه تقسیم شده‌اند. نقطه اتصال این دو شکل، Act 415 است

اجرای جستجو (نقطه شروع)

موتور جستجو (همان جزء ۲۲۵ از شکل ۲) یک یا چند کوئری کاربر را روی کل مجموعه اسناد خزش‌شده اجرا می‌کند. خروجی این مرحله، فهرست خام نتایجی است که از نظر محتوایی مرتبط تشخیص داده شده‌اند، اما هنوز هیچ‌گونه امتیاز تازگی به آن‌ها اختصاص نیافته است. این مرحله صرفا مرحله «بازیابی» (retrieval) است، نه «رتبه‌بندی» (ranking).

Act 410: شناسایی ویژگی تازگی مستقیم

برای هر سندی که در نتایج بازیابی‌شده Act 405 حضور دارد، سیستم به دنبال یک متادیتای مستقیم می‌گردد که نشان‌دهنده زمان آخرین تغییر آن سند باشد. نمونه ذکرشده در متن پتنت، هدر HTTP اختیاری «Last-Modified-Since» است. توجه کنید این هدر جزو استاندارد اجباری HTTP نیست؛ بسیاری از سرورها آن را ارسال نمی‌کنند یا مقدار نادرست/بی‌ربط برمی‌گردانند (مثلا همیشه تاریخ لحظه درخواست را نشان می‌دهند)، و همین ضعف ذاتی است که موتور جستجو را مجبور می‌کند به منبع دوم اطلاعات (تحلیل بک‌لینک) متکی شود.

Act 415: نقطه تصمیم‌گیری شرطی (نقطه اتصال دو شکل)

برای هر سند p به‌طور مجزا، سیستم یک پرسش دودویی می‌پرسد: «آیا ویژگی تازگی معتبری برای این سند شناسایی شد؟» این‌جا فلوچارت به دو شاخه منشعب می‌شود:

شاخه بله می‌رود به Act 420 (در شکل ۴B).

شاخه خیر (و در حالت اختیاری، حتی شاخه بله هم می‌تواند به این مسیر برود) می‌رود به Act 425 (در شکل ۴A).

Act 420: تخصیص مستقیم امتیاز (فقط در شکل ۴B، شاخه ساده)

اگر سند p ویژگی تازگی معتبری داشته باشد، سیستم می‌تواند همان مقدار را مستقیما (یا بر پایه‌ی آن، پس از یک تبدیل ساده) به‌عنوان امتیاز نهایی Fr در نظر بگیرد. متن دقیقا می‌گوید: «in some implementations… the freshness attribute may be used directly as a freshness score». این ساده‌ترین و کم‌هزینه‌ترین مسیر محاسباتی الگوریتم است، اما به دلیل غیرقابل‌اعتماد بودن هدرهای HTTP، پتنت آن را به‌عنوان مسیر اصلی معرفی نمی‌کند.

Act 425: شناسایی مجموعه اسناد لینک‌دهنده (شروع شکل ۴A، هسته اصلی اختراع)

این‌جا الگوریتم وارد بخش نوآورانه و اصلی پتنت می‌شود. سیستم مجموعه‌ای از اسناد را شناسایی می‌کند که در حال حاضر یا در گذشته لینکی به سند p داشته‌اند (همان مفهوم مجموعه ۱۰۰ و اسناد ۱۱۰ در شکل ۱). این انتخاب می‌تواند:

تصادفی از میان کل جمعیت لینک‌دهنده‌ها باشد، یا بر اساس معیار خاصی (مثلا اعتبار دامنه، نوع سایت، یا نمونه‌گیری طبقه‌بندی‌شده) انجام شود.

نکته مهم: مجموعه انتخابی می‌تواند شامل هر دو دسته باشد — بخشی «قدیمی/غیرفعال» و بخشی «تازه/فعال» و همین ترکیب دوگانه است که در Act 435 پایه محاسبه نسبت می‌شود.

Act 430: تحلیل بازه زمانی وجود لینک‌ها (به‌صورت اختیاری، در شکل ۴B اما ورودی‌اش از ۴A می‌آید)

این مرحله اختیاری است (متن می‌گوید “optionally”) و روی خود لینک‌ها تمرکز دارد، نه روی صفحات لینک‌دهنده. برای هر لینک ۱۲۰ که به سند p اشاره دارد، دو زمان استخراج می‌شود:

• زمان ایجاد لینک (creation time)
• زمان حذف لینک (removal time — اگر لینک هنوز فعال است، این مقدار خالی/نامعین است)

سپس این داده‌ها در یک بازه زمانی مشخص T (مثال متن: دو سال گذشته) بررسی می‌شوند تا مشخص شود چه نسبتی از لینک‌ها در طول این بازه ایجاد، حفظ، یا حذف شده‌اند. این دقیقا همان داده‌ای است که مثال ۳ (کاهش شدید پیوندهای ورودی) و مثال ۴ (نسبت لینک جدید به قدیمی) در تحلیل شما از آن استفاده می‌کنند.

Act 435: محاسبه نهایی امتیاز Fr (نقطه همگرایی دو شاخه)

در این مرحله، خروجی Act 425 (وضعیت تازگی لینک‌دهنده‌ها) و خروجی Act 430 (پویایی زمانی لینک‌ها) با هم ترکیب می‌شوند تا امتیاز Fr نهایی محاسبه شود. پتنت به‌صراحت چهار قاعده مجزا و مستقل برای این محاسبه ذکر می‌کند که می‌توانند هرکدام به‌تنهایی یا ترکیبی اعمال شوند:

نکته‌ی مهم: قاعده سوم در نگاه اول با قاعده دوم متناقض به نظر می‌رسد (چون قاعده ۲ می‌گوید لینک بیشتر = تازگی بیشتر، اما قاعده ۳ می‌گوید نسبت لینک جدید بالا = تازگی کمتر). اما این تناقض واقعی نیست: قاعده ۲ درباره حجم کلی لینک‌ها در طول زمان صحبت می‌کند، در حالی که قاعده ۳ درباره الگوی غیرطبیعی و ناگهانی در نرخ لینک‌سازی است (نشانه‌ای از اسپم یا کمپین موقتی)، دقیقا همان‌طور که در مثال ۴ توضیح داده‌ شده. این‌جا Th (آستانه) نقش فیلتر تشخیص «رشد طبیعی» را بازی می‌کند، نه اندازه‌گیری مطلق حجم.

مثال ساده برای تفاوت قاعده ۲ و قاعده ۳

بیایید با دو مثال عددی ساده و ملموس، تفاوت این دو قاعده را کاملا روشن کنیم. فرض کنید شما یک مقاله آموزشی دارید و می‌خواهیم ببینیم گوگل در سه سناریوی مختلف چه امتیازی به آن می‌دهد.

سناریو الف: رشد طبیعی و آرام (سالم)

فرض کنید مقاله شما یک سال پیش ۱۰۰ بک‌لینک داشت. طی یک سال، هر ماه به‌طور میانگین ۵ لینک جدید و باکیفیت از سایت‌های مختلف گرفته‌اید (بدون این‌که لینک‌های قبلی را از دست بدهید). الان مقاله شما ۱۶۰ بک‌لینک دارد.

قاعده ۲ (روند تعداد لینک): تعداد فعلی (۱۶۰) بیشتر از تعداد گذشته (۱۰۰) است سیگنال مثبت، Fr بالا می‌رود.

قاعده ۳ (نسبت جدید به قدیمی): از ۱۶۰ لینک فعلی، ۶۰ عدد «جدید» (همان لینک‌هایی که طی این یک سال اضافه شدند) و ۱۰۰ عدد «قدیمی» هستند. نسبت جدید به قدیمی می‌شود ۶۰ به ۱۰۰، یعنی حدود ۰.۶ — این نسبت پایین‌تر از آستانه Th است (چون شکل‌گیری تدریجی و پخش‌شده در طول ۱۲ ماه بوده) سیگنال مثبت دوباره، Fr بالا می‌رود.

نتیجه: هر دو قاعده هم‌راستا هستند و مقاله شما سیگنال تازگی قوی می‌گیرد. این دقیقا همان چیزی است که یک استراتژی لینک‌سازی سالم و پایدار باید تولید کند.

سناریو ب: انفجار لینک ناگهانی (مشکوک به اسپم)

حالا فرض کنید مقاله دیگری هم دارید که قبلا ۱۰۰ بک‌لینک داشت، اما همین شرکت شما یک هفته پیش یک کمپین PBN یا خرید لینک انبوه انجام داده و ناگهان ۵۰۰ لینک جدید و بی‌کیفیت در عرض چند روز به آن صفحه اضافه شده است. الان تعداد کل لینک‌ها ۶۰۰ عدد است.

قاعده ۲ (روند تعداد لینک): تعداد فعلی (۶۰۰) بسیار بیشتر از تعداد گذشته (۱۰۰) است به‌تنهایی این قاعده می‌گوید سیگنال مثبت است، Fr باید بالا برود.

قاعده ۳ (نسبت جدید به قدیمی): از ۶۰۰ لینک فعلی، ۵۰۰ عدد «جدید» (در چند روز اخیر ایجاد شده) و فقط ۱۰۰ عدد «قدیمی» هستند. نسبت جدید به قدیمی می‌شود ۵۰۰ به ۱۰۰، یعنی ۵.۰ — این عدد به‌شدت از آستانه Th عبور کرده سیگنال منفی، Fr پایین می‌آید.

نتیجه: این‌جا دو قاعده با هم در تناقض ظاهری قرار می‌گیرند، اما قاعده ۳ نقش «ترمز» یا «فیلتر ضد تقلب» را بازی می‌کند و بر قاعده ۲ غالب می‌شود. گوگل با دیدن این نسبت غیرطبیعی، به‌جای این‌که این انفجار لینک را نشانه تازگی مثبت بداند، آن را نشانه رفتار مشکوک (کمپین موقتی، لینک‌سازی مصنوعی) تشخیص می‌دهد و امتیاز تازگی صفحه را کاهش می‌دهد.

Act 440: ورود به الگوریتم رتبه‌بندی کلی (پایان مشترک هر دو شاخه)

مقدار Fr محاسبه‌شده برای هر سند p، به‌عنوان یکی از چند سیگنال ورودی (نه تنها سیگنال) به موتور رتبه‌بندی کلی داده می‌شود. متن پتنت صراحتا می‌گوید این امتیاز «یکی از مجموعه فاکتورهایی» است که در رتبه‌بندی نهایی نتایج به کار می‌رود — یعنی حتی یک Fr بسیار بالا نمی‌تواند به‌تنهایی جای ضعف در سایر سیگنال‌ها (مثل ارتباط موضوعی یا کیفیت محتوا) را بگیرد.

سؤالات متداول