Perplexity.ai теперь — высокоавторитетный хост для кампаний по паразит-SEO

Пару месяцев назад я создал страницу для паразит-SEO на Perplexity, будучи полностью уверенным, что ее снесут, но теперь она ранжируется выше моего собственного сайта по ключевому брендовому запросу, рассказывает Йеспер Ниссен.

Публично размещенная страница, заточенная под брендовый длиннохвостый запрос "schema writer WordPress plugin", примерно за два месяца вышла на #1 позицию, подвинув мою официальную страницу продукта, главную и даже видео-карусель.

Это подтверждает, что Perplexity — жизнеспособный хост для паразит-SEO кампаний, который стоит взять в свой арсенал.

Стратегическое преимущество этого метода становится очевидным, когда вы таргетируете ключи, по которым у вас уже высокая насыщенность в SERP.

Процесс Perplexity заключается в том, что он ищет в Google ваш запрос и использует топовые результаты как источники для генерации своего контента.

Поскольку я опубликовал очень много материалов о своем плагине, все топовые результаты — это мои же ресурсы.

Это создает самоусиливающийся цикл: страница на Perplexity использует мои же высокоранжируемые страницы как основные источники, в результате чего получается страница-паразит, содержащая цитаты и ссылки, ведущие обратно на мои же цифровые активы.

Ключевая гипотеза, почему эти страницы не попадают под спам-фильтры, заключается в том, что платформа автоматически вставляет множество внешних ссылок.

Perplexity добавляет как цитируемые источники, так и раздел "Discover More", который вы не контролируете.

Такое поведение может сигнализировать Google, что страница является легитимным, полезным ресурсом, а не простым спамом, повышая ее алгоритмическую выживаемость.

Однако есть серьезное ограничение: вы не можете вставлять свои собственные гиперссылки.

Это делает платформу бесполезной для большинства партнерских SEO кампаний, которые зависят от встраивания конкретных аффилиатных ссылок.

#ParasiteSEO #Perplexity #BrandSERP

@MikeBlazerX
Но самое "мясо" — в @MikeBlazerPRO

Инженерный блог Perplexity раскрывает первый срез — как Photon фильтрует страницы для цитирования

Инженерный пост Perplexity о Photon (их перестроенном движке извлечения и ранжирования) зафиксировал падение задержки p99 примерно с 800 мс до 65 мс.

Однако главная ценность текста — логика отбора страниц до того, как модель начнет писать ответ.

Каждый шард индекса извлекает кандидатов, проводит первичное ранжирование, затем второй этап ранжирования, и склеивает лучшие результаты в короткий список для генератора.

Страница, не прошедшая первый срез, физически не может попасть в цитирование.

Что заявляет Perplexity об этом первом отсеве:

— Алгоритм скорит кандидатов по взвешенному покрытию слов из запроса плюс вклад частоты термина (TF); алгоритм начинает с жесткого соответствия запросу и смягчает требования, только если подходит слишком мало страниц.
— Система нормализует вклад частоты термина по длине и режет лимитом на повторы. Получается (согласно трактовке автором формулы BM25), ключ, вписанный 37 раз, получает оценку едва ли выше, чем пара упоминаний, а длинные страницы не выигрывают за счет объема.
— Каждое поле проходит свой этап извлечения и суммируется с весами полей, при этом Photon сохраняет данные о том, в каких именно полях встретился термин. Сами поля автор поста не раскрывает.
— Движок сохраняет позиции слов для каждого документа и декодирует их для найденных совпадений — именно это нужно ранжировщику, чтобы давать бонус за целые фразы и плотную совместную встречаемость.
— Внутри каждого постинг-листа алгоритм сортирует документы по отдельному сигналу полезности (usefulness), так что "лучшие" страницы оцениваются первыми.
— Photon хранит примерно в 2.5 раза больше данных на документ по сравнению со старой системой: текст, метаданные, фрагменты, признаки и предварительно рассчитанные эмбеддинги.

Пост не описывает чанкинг, применение эмбеддингов в поиске, ранжировщик второго этапа, переписывание запросов или то, из чего состоит метрика "usefulness".

Предположения автора о том, что usefulness опирается на внутренний Граф Знаний, что списки и таблицы имеют собственный вес поля, и что фрагменты оцениваются по лучшему совпадению пассажа через косинусное сходство — остаются гипотезами, а не официальными заявлениями Perplexity.

Рабочий мануал автора под этот алгоритм:

1. Разверни веер запросов (query fan-out) под каждый приоритетный ключ: любая подтема и формулировка — это набор терминов, который может искать проверка покрытия.
2. Впиши недостающие сущности и фразы один-два раза в естественном контексте: третье упоминание главного ключа дает меньше веса, чем одно упоминание отсутствующей подтемы.
3. Перепиши тайтлы и H2 под конкретный вопрос, поскольку веса полей позволяют грамотному заголовку делать работу, которую не вытянет основной текст.
4. Оставь точные формулировки без изменений ("replacement window crank", а не "crank for replacing windows").
5. Перепиши один пассаж так, чтобы он прямо и полностью отвечал на запрос языком самого юзера.
6. Если контент и интент уже бьют выдачу, прекращай переписывать текст. Главный блокер здесь — авторитет. Приоритизация по usefulness в Photon означает, что лишний объем контента не спасет; нужно переключать усилия на ссылки, упоминания, стороннюю валидацию и сигналы сущностей.
7. Перепроверь результат через неделю-две после публикации, поскольку Perplexity очень быстро индексирует свежий контент.

Кейс от вендора: узконишевой e-commerce проект за 90 дней вырос с 0% до 37% частоты цитирования в ИИ по приоритетным ключам в Google AI Overviews, ChatGPT и Perplexity.

Параллельно доля голоса выросла на 41%, при том, что на старте у проекта было 83 семантических пробела, закрытых конкурентами.

https://www.serprecon.com/blog/how-to-rank-in-perplexity-photon

#Perplexity #RAG #LLM

@MikeBlazerX
🚀Схемы — в MikeBlazerPRO.com / @MikeBlazerPRO