⭐️ Как Google генерирует сниппеты в выдаче

Утечка инженерной документации Google позволяет подсмотреть и понять процесс формирования сниппетов в поисковой выдаче. И самым главным выводом становится понятие тотального недоверия к данным пользователя и использование множества внутренних механизмов для выбора или генерации наиболее релевантного, по мнению Гугла, представления страницы в SERP.

1. Ранжирование и формирование сниппетов — это не работа единого алгоритма, а результат взаимодействия множества систем, таких как Goldmine (для заголовков), Radish (для избранных сниппетов), SnippetBrain (для переписывания) и NavBoost (для переранжирования на основе поведения).

2. Тег <title> — это рекомендация. Система Goldmine активно ищет и оценивает альтернативы, извлеченные из заголовков (<h1>), анкоров внутренних и внешних ссылок, а также из основного контента страницы.

3. Поведение пользователя — самое важное. Система NavBoost является мощнейшим фактором, который анализирует данные о кликах пользователей за 13 месяцев (goodClicks, badClicks, lastLongestClicks) для корректировки ранжирования и выбора наиболее эффективных сниппетов. Негативный пользовательский опыт, спровоцированный нерелевантным сниппетом, напрямую ведет к понижению позиций.

Принципы генерации сниппетов (согласно утечке):

Этап 1: Сбор кандидатов
Система начинает с формирования пула потенциальных вариантов для заголовка и описания, используя различные источники(система Goldmine):

1. sourceTitleTag: Текст из HTML-тега <title>.

2. sourceHeadingTag: Текст из заголовков, с особым весом для <h1> (подтверждается флагом goldmineHeaderIsH1).

3. sourceOnsiteAnchor / sourceOffdomainAnchor: Анкорный текст внутренних и внешних ссылок.

4. sourceGeneratedTitle: Заголовок, сгенерированный алгоритмически, если все остальные кандидаты признаны низкокачественными.

Источники для описания (системы Muppet, SnippetBrain):

1. Мета-тег description.

3. Текстовые фрагменты из любого места на странице, которые система Muppet сочтет релевантными.

3. Для избранных сниппетов система Radish вычисляет answerScore для абзацев, основываясь на их семантической близости к историческим запросам, получившим одобрение пользователей (данные из NavBoost).


Этап 2: Семантический и качественный анализ (AI-редактор)
Отобранные кандидаты проходят через системы лингвистического анализа, такие как BlockBERT и SnippetBrain, которые оценивают не просто наличие ключевых слов, а семантическую когерентность, естественность языка и общее качество. На этом этапе применяются и понижающие фильтры за технические ошибки:

1. goldmineHasBoilerplateInTitle: Понижение за использование шаблонного, повторяющегося текста.

2. dupTokens: Понижение за переспам ключевыми словами.

3. isTruncated: Понижение за избыточную длину, требующую обрезки.


Этап 3: Финальная оценка на основе поведения пользователей (NavBoost)
Кандидат, прошедший техническую и семантическую фильтрацию, оценивается на основе исторических данных о взаимодействии пользователей. Атрибут goldmineNavboostFactor напрямую связывает оценку качества заголовка с поведенческими метриками из NavBoost.

Пример: Система Goldmine может выбрать заголовок <h1> вместо <title>, так как он более точно отражает суть контента. Этот новый заголовок показывается в SERP. Если он начинает генерировать больше "хороших кликов" (goodClicks) и "последних долгих кликов" (lastLongestClicks), NavBoost зафиксирует это как положительный сигнал. В результате не только этот заголовок закрепится в выдаче, но и общая позиция страницы может быть повышена. Обратный сценарий также верен: неэффективный сниппет ведет к "плохим кликам" и последующему понижению в ранжировании.


Наиболее эффективный способ повлиять на выбор системы - обеспечить максимальную смысловую согласованность между всеми ключевыми элементами: тегом <title>, заголовком <h1>, URL-адресом, анкорами и вводным абзацем. Визуальное выделение (например, размер шрифта, измеряемый атрибутом avgTermWeight) также является измеряемым сигналом, усиливающим эту когерентность.


#DrMax #SEO #Google