👉 https://pr-cy.ru/news/p/7399-klasterizatsiya-zaprosov--gruppiruem-klyuchi-avtomaticheski-s-pomoshchyu-line

SEMRush: исследование факторов ранжирования Google

Команда SEMRush опубликовала исследование факторов ранжирования в поиске Google.

👉 https://www.seonews.ru/events/semrush-issledovanie-faktorov-ranzhirovaniya-google/

Muvera: что это такое и как влияет на SEO?

В воздухе запахло сентябрем, лето подходит к концу. А это значит, что важно не проебать лето закрыть все летние дела. В начале лета я начал писать «большую и красивую статью» (с) про новый алгоритм Muvera, но так и не закончил. Помешало мое системное мышление: статья предполагала много формул, поэтому хотел написать её в своем блоге. Понял, что блог надо переделывать. Запустил масштабное планирование сайта, а с ним и менеджмента своей жизни… 🤪 В общем, статья пылится в черновиках уже почти 2 месяца. Обязательно её выложу позже... Ну а пока что напишу краткие выжимки и тезисы, иначе не смогу спать спокойно.

Что такое Muvera?
Multi‑Vector Retrieval via Fixed‑Dimensional Encodings (MUVERA) - новая мультивекторная модель поиска в поисковой системе Google. Модель не заменяет, а дополняет существующие технологии понимания контекста, такие как Bert, решая проблемы масштабируемости и скорости.

В чем суть алгоритма?
Алгоритмы нейросетевого поиска строятся на эмбеддингах – векторах. Упрощенно: запрос и документ преобразуются в векторы по различным моделям. А дальше вычисляются разные метрики, например, косинусное сходство. Векторы с наилучшей метрикой признаются близкими, т.е. запросу присваивается наиболее релевантные текстовые документы. Такая модель быстрая, но не всегда учитывает все аспекты точности.
Мультивекторный поиск действует по похожему принципу, но каждому запросу и документу присваиваются несколько векторов. Общее число векторов увеличивается на порядки, что осложняет вычисления. Задачу решают двумя этапами: на первом для запроса и документа создают в отдельном пространстве вектора фиксированной размерности (FDE), вычисляют их скалярное произведение (MIPS) и возвращают ТОП k кандидатов для рнажирования. А на втором этапе (сходство Чамфера) ранжируют запрос среди этих k кандидатов (картинка 1).

Пример работы Muvera:
Запрос «где купить диван?» разбивается на векторы, которые попадают в блоки:
•"где" → "место"
•"купить" → "действие"
•"диван" → "объект"
Текст из документов также разбивается на векторы и блоки. Часть векторов из документа попадают в одни блоки векторов запроса. Если на странице не было векторов, которые попали бы в блок «место» (красноярск, торговый центр), «действие» (купить, заказать) и «объект» (кровать, диван), то они упрощенно говоря, пролетают (на самом деле нет, просто их суммарный вектор будет «хуже»).
Далее на стороне запроса суммируются, а на стороне документа усредняются все векторы, попавшие в один блок (картинка 2). Далее опять все агрегированные векторы запроса объединяются в один вектрор q, все векторы страницы в другие векторы p. Вычисляется Mips между этими двумя векторами, отбираются k кандидатов (страницы с диванами, покупками и местами), и из них уже вычисляют что подходит – документы более точно нацеленные на решение задачи выбора места для покупки диванов. Если упрощать, то примерно так.

Muvera уже работает?
Новый алгоритм был анонсирован в конце июня. В июле представители Google заявили, что развернули в поиске что-то похожее, но не совсем Muvera. Поэтому точно сказать нельзя.

Какая практическая ценность для SEO?
Принципиально ничего не изменилось. Muvera просто дал возможность вычислять на 90% быстрее и на 10% точнее, при этом экономя память и ресурсы. Поэтому если мы говорим про текстовую оптимизацию (или ссылочную текстовую релевантность) для Google, то делаем всё то же самое, что и делали: подготавливаем контент, основанный на сущностях (entity). Если мы продвигаем страницу под запрос «где купить диван» в тексте и ссылках раскрывайте сущности интента пользователя: локация объектов, конкретные названия офисов и улицы, условия покупки, ценовой диапазон, формы оплаты, ассортимент и вариации диванов. Само же вхождение «где купить диван» или «покупка дивана» использовать уже давно совсем не обязательно.

Ссылки на research: ссылка 1, ссылка 2

Не стесняйтесь комментировать и не забывайте подписываться и читать меня в на Дзене, группе VK, Youtube, Rutube, блоге VC и на моем ТГ канале "SEO PRO Деньги".

🧩 #SEO

Отслеживание трафика из нейросетей в Яндекс Метрике

В каком-то канале подсмотрел регулярку, которая поможет сгруппировать трафик из всех известных в настоящее время нейросетей в Яндекс Метрике. Какое-то время она лежала без дела, а недавно в команде между делом обсуждали в рамках мозгоштурма по проекту трафик из нейросетей. Вот вспомнил про неё, делюсь:

~(chatgpt\.com|chat-gpt\.org|claude\.ai|quillbot\.com|openai\.com|blackbox\.ai|perplexity(\.ai)?|copy\.ai|jasper\.ai|copilot\.microsoft\.com|gemini\.google\.com|(\w+\.)?mistral\.ai|deepseek\.com|edgepilot|edgeservices|nimble\.ai|iask\.ai|aitastic\.app|bnngpt\.com|writesonic\.com|exa\.ai|waldo|alice\.yandex\.ru|giga\.chat)

Вставляем в Яндекс Метрике в сегмент «Источники» - «Последний источник» - «Переходы с сайтов».

На видео (Youtube, Rutube, VK, Дзен) душное объяснение, что к чему. Забирайте, сохраняйте у себя в Метрике сегмент и используйте в любых отчетах!

🧩 #SEO #ИИ