تاپیکال آتوریتی (Topical Authority) چیست؟

اصطلاح از کجا آمد

همین عبارت، پیش از رواج امروزی اش در سئو، در ادبیات دانشگاهی رتبه بندی استنادی و اعتبار نویسندگان در یک حوزه علمی هم دیده شده؛ برای نمونه در مقاله ای با عنوان Joint Modeling of Topics, Citations, and Topical Authority in Academic Corpora نوشته Jooyeon Kim، Dongwoo Kim و Alice Oh (Transactions of the Association for Computational Linguistics، جلد 5، سال 2017)، که دقیقا همین عبارت را برای رتبه بندی اعتبار نویسندگان در یک موضوع علمی به کار برده. اما آن کاربرد به گراف استناد مقالات برمیگردد، به مقالات دانشگاهی محدود است، و هیچ ربطی به رتبه بندی گوگل یا سئو ندارد. آنچه در ادبیات بازیابی اطلاعات کلاسیک، در زمینه رتبه بندی وب، مطرح بود، مفاهیمی مثل ربط موضوعی و خوشه بندی اسناد بود، نه اتوریتی موضوعی به این شکل.

شکل امروزی این اصطلاح در جامعه سئو، عمدتا از طریق Koray Tuğberk Gübür رایج شد. او چارچوبی ساخت که اتوریتی موضوعی را ترکیبی از پوشش موضوعی و داده تاریخی تعریف میکند و بر پایه آن مفاهیمی مثل نقشه موضوعی و شبکه محتوایی معنایی را وارد ادبیات عملی سئو کرد.

این یک واقعیت تاریخی است و ذکرش لازم. اما یک نکته را باید همینجا روشن کنم و بقیه متن بر پایه آن ساخته شده است.

از اینجا به بعد، هر ادعایی که میخوانید یا منبع اولیه دارد یا صراحتا به عنوان استنباط علامت گذاری شده است.

اتوریتی در بازیابی اطلاعات در برابر اتوریتی در سئو

در ادبیات بازیابی اطلاعات، اتوریتی معنای نسبتا دقیقی دارد و بیشتر به ساختار گراف برمیگردد. الگوریتم هایی مثل PageRank و HITS اتوریتی را از الگوی ارجاع استخراج میکنند، نه از محتوای متن. در HITS حتی صراحتا دو نقش جدا تعریف میشود، صفحه ای که منبع است و صفحه ای که فهرست منابع است.

در ادبیات سئو، همین کلمه به تدریج معنای دیگری گرفت و به تخصص موضوعی نزدیک شد. این جابجایی معنا بدون اینکه کسی اعلامش کند اتفاق افتاد و امروز منشا بخش بزرگی از سردرگمی است.

نتیجه عملی این جابجایی مهم است. وقتی میگویید یک سایت در موضوعی اتوریتی دارد، دو چیز کاملا متفاوت ممکن است منظورتان باشد. یکی اینکه سایت های دیگر در آن موضوع به او ارجاع میدهند. دیگری اینکه محتوای سایت حول یک محور معنایی متمرکز است. اولی چیزی است که دیگران به شما میدهند. دومی چیزی است که خودتان میسازید.

موضع رسمی گوگل

جان مولر، سخنگوی گوگل، بارها گفته است سیستمی به اسم اتوریتی موضوعی وجود ندارد. این جملات معمولا در جامعه سئو یا کامل نادیده گرفته میشود یا به عنوان دروغ تفسیر میشود. هر دو برخورد اشتباه است.

آنچه گفته میشود دقیقا این است که یک امتیاز واحد با این نام وجود ندارد. این با اینکه مکانیزم های سنجش تمرکز موضوعی وجود دارند تناقضی ندارد. در ادامه خواهیم دید که چند فیلد جدا، هر کدام یک بعد از این مفهوم را اندازه میگیرند.

چرا نبود امتیاز واحد به معنی نبود مکانیزم نیست

یک قیاس ساده کار را روشن میکند. در خودرو چیزی به اسم امتیاز ایمنی به عنوان یک قطعه وجود ندارد. ترمز هست، کیسه هوا هست، ساختار بدنه هست. اما وقتی میگویید این خودرو ایمن است، جمله بی معنایی نگفته اید. صرفا دارید یک خاصیت نوظهور را با یک اسم صدا میزنید.

اتوریتی موضوعی هم دقیقا همین است. یک خاصیت نوظهور از چند مکانیزم جدا. اسمش ساخته صنعت است، مکانیزم هایش ساخته گوگل.

تفکیک اتوریتی موضوعی از انسجام موضوعی

این تفکیک را Carolyn Holzman مطرح کرد و Shaun Anderson هم پذیرفت و در نوشته هایش به کار برد. به نظر من مهم ترین اصلاح مفهومی سال های اخیر در این حوزه است.

استدلال ساده است. اتوریتی چیزی است که به شما اعطا میشود. شما نمیتوانید تصمیم بگیرید معتبر باشید. انسجام موضوعی اما یک ویژگی طراحی است. شما تصمیم میگیرید سایتتان درباره چه باشد و چه نباشد، و بعد ساختار را طوری میسازید که این تصمیم قابل خواندن باشد.

تعریف عملیاتی این متن

از اینجا به بعد، هر جا مینویسم تمرکز موضوعی، منظورم میزان نزدیکی محتوای یک سایت به یک مرکز معنایی واحد است، آنطور که با بردارسازی محتوا قابل محاسبه است.

و هر جا مینویسم پوشش موضوعی، منظورم میزان کامل بودن مجموعه محتوای سایت نسبت به فضای پرسش های ممکن در آن موضوع است.

این دو مستقل از هم اند و در ادامه خواهیم دید که گاهی حتی با هم در تعارض قرار میگیرند.

بیشتر متن های فارسی درباره این موضوع از وسط شروع میکنند. میگویند گوگل تمرکز موضوعی را میسنجد و بعد میروند سراغ توصیه. اما اگر ندانید این مکانیزم برای حل چه مسئله ای ساخته شد، همه توصیه ها در حد شعار میمانند.

وضعیت پیشین

در پرونده ضدانحصار وزارت دادگستری آمریکا علیه گوگل، مجموعه ای از ارائه های داخلی از حالت محرمانه خارج شد. یکی از آنها ارائه ای است از Eric Lehman، از مهندسان ارشد جستجو.

آنچه در آن ارائه گفته میشود، برای کسی که سال ها درباره فهم معنایی گوگل مطلب خوانده، تکان دهنده است. Lehman صراحتا میگوید سیستم اسناد را نمیفهمد و این فهم را شبیه سازی میکند. توضیحش این است که گوگل به جای خواندن سند، واکنش انسان ها به سند را ثبت و حفظ میکند.

منطقش این بود که اگر واکنش کاربران به یک سند مثبت باشد، سند احتمالا خوب است. اگر منفی باشد، احتمالا بد.

مسئله شروع سرد

در همان ارائه، ضعف این معماری هم اعتراف شده است. وقتی سندی تازه است یا تازه تغییر کرده یا کم نمایش داده شده، داده رفتاری وجود ندارد و سیستم عملا کور است.

این همان چیزی است که در یادگیری ماشین به آن مسئله شروع سرد میگویند. سیستمی که کاملا به بازخورد وابسته باشد، برای ورودی تازه هیچ تخمینی ندارد.

برای گوگل این فقط یک نقص فنی نبود. هر روز میلیون ها صفحه تازه منتشر میشود. سیستمی که تا رسیدن داده رفتاری نتواند درباره آنها قضاوت کند، عملا بخش بزرگی از وب را از دست میدهد.

لایه معنایی به عنوان راه حل

تا اینجا آنچه از ارائه Lehman مستند است، فقط توصیف مسئله است، نه راه حل. خود آن سند درباره اینکه گوگل چطور این مسئله را حل کرد چیزی نمیگوید.

از اینجا به بعد تفسیر من است. برای اینکه سیستم بتواند قبل از دیدن هر کلیکی درباره سند حدس بزند، باید از متن به یک نمایش عددی میرسید که با نمایش سایر اسناد قابل مقایسه باشد. اگر یک صفحه تازه هیچ سابقه ای ندارد، آیا چیز دیگری هست که سابقه داشته باشد؟ فرضم این است که جوابش سایت است.

اگر سیستم بداند این دامنه در گذشته درباره چه چیزی محتوا تولید کرده و آن محتواها چه سرنوشتی داشته اند، میتواند برای صفحه تازه یک تخمین اولیه بسازد. این فرض را باید در برابر فیلدهای سطح سایت در مستندسازی لو رفته، در بخش های بعدی، بسنجیم.

دو محور جدا در معماری رتبه بندی

از شهادت ها و اسناد پرونده دادگاه چیزی بیرون آمد که ساختار ذهنی این حوزه را عوض کرد. سیستم رتبه بندی یک معادله واحد نیست. حداقل دو محور جدا دارد که جواب دو سوال متفاوت را میدهند.

سوال اول این است که آیا این منبع قابل اعتماد است. این محور مستقل از کوئری است. برای یک سایت مشخص، جوابش تقریبا ثابت میماند، چه کاربر دنبال چه چیزی بگردد.

سوال دوم این است که آیا این سند به این کوئری مشخص مربوط است. این محور کاملا وابسته به کوئری است و برای هر جستجو از نو محاسبه میشود.

فرض کنید ترافیک سایتتان افت کرده است. اگر ندانید مشکل روی کدام محور است، شش ماه وقت را روی کار اشتباه میگذارید.

اگر مشکل روی محور کیفیت باشد، هر چقدر محتوای موضوعی تر تولید کنید فایده ندارد. اگر مشکل روی محور ربط باشد، هر چقدر روی اعتماد و شفافیت کار کنید جواب نمیدهد.

اسناد و شهادت های دادگاه

آنچه در این قسمت گفتم، حدس تحلیلگران نیست. منبعش پرونده ضدانحصار وزارت دادگستری آمریکا علیه گوگل است، پرونده شماره 1:20-cv-03010-APM در دادگاه ناحیه کلمبیا.

در جریان این پرونده دو نوع سند وارد پرونده عمومی شد. یکی نمایشگاه ها، یعنی ارائه ها و اسناد داخلی که از حالت محرمانه خارج شدند. دیگری شهادت زیر سوگند مدیران و مهندسان ارشد جستجو.

ارزش این منابع در این است که برخلاف مصاحبه و پست وبلاگ، افراد زیر سوگند حرف زده اند و اسناد هم برای مصرف داخلی نوشته شده بودند، نه برای روابط عمومی.

در همین اسناد به محور سومی هم اشاره شده که به محبوبیت و گستردگی ارجاعات مربوط است و بیشتر با گراف لینک و داده استفاده مرورگر سر و کار دارد. ذکرش برای کامل بودن تصویر است. موضوع این متن نیست.

سیگنال های لنگر و بدنه و کلیک

در ارائه ای با عنوان Life of a Click (15 مه 2017)، یکی دیگر از اسناد همین پرونده، ساختار پایه رتبه بندی به سه ستون تقسیم شده است. ستون اول بدنه سند است، یعنی آنچه سند درباره خودش میگوید. متن، عنوان، سرتیترها. ستون دوم لنگرها هستند، یعنی آنچه بقیه وب درباره آن سند میگویند. ستون سوم تعامل کاربر است، یعنی آنچه کاربران با رفتارشان درباره سند میگویند.

چرخه عمر کوئری و اینکه موضوع کجا وارد میشود

وقتی کاربر کوئری میزند، پیش از دیدن نتیجه چند مرحله طی میشود.

1. کوئری تفسیر و گاهی بازنویسی یا به زیرپرسش شکسته میشود.
2. از میان میلیاردها سند، مجموعه ای از کاندیداها بیرون کشیده میشود. این مرحله باید بسیار سریع باشد، پس با سیگنال های ارزان کار میکند.
3. کاندیداها امتیازدهی میشوند. اینجا سیگنال های گران تر و دقیق تر وارد میشوند.
4. لایه های بازرتبه بندی اعمال میشوند، مثل تازگی یا رفتار تاریخی کاربران.
5. فیلترهایی مثل تنوع نتایج اجرا میشوند تا یک دامنه کل صفحه را نگیرد.

موضوع در دو نقطه وارد میشود. یک بار در مرحله کاندیداسازی، برای اینکه اصلا انتخاب شوید. یک بار دیگر در مرحله امتیازدهی، برای اینکه رتبه بگیرید.

تفاوت مرحله بازیابی با مرحله رتبه بندی

این تفکیک، عملی ترین چیزی است که از این قسمت میتوانید بردارید. بازیابی، مرحله ای است که سیستم تصمیم میگیرد شما اصلا وارد رقابت بشوید یا نه. رتبه بندی، مرحله ای است که تصمیم میگیرد در رقابت چندم شوید.

برای فهمیدن اینکه فیلدهای امروزی چه کاری میکنند، باید بدانید سیستم قبلا چطور موضوع را تشخیص میداد و چرا آن روش ها کافی نبودند.

دوران آماری

قدیمی ترین روش، شمارش بود. اگر کلمه ای در سندی زیاد تکرار شده و در کل مجموعه اسناد کم دیده میشود، احتمالا آن سند درباره آن کلمه است. این منطق پایه TF-IDF است و نسخه پیشرفته ترش در BM25 با در نظر گرفتن طول سند و اشباع تکرار پیاده شد.

این روش هنوز هم در لایه های اولیه بازیابی کاربرد دارد. سریع است و ارزان. اما یک ضعف بنیادی دارد. هیچ درکی از معنا ندارد. برای این روش، دو کلمه خودرو و ماشین دو رشته کاملا بی ربط اند.

افسانه ای که باید تمام شود

در متن های فارسی هنوز به وفور به LSI اشاره میشود و حتی اصطلاحی به اسم کلمات LSI ساخته شده است. این اصطلاح ساختگی است.

تکنیک LSI یک روش ریاضی واقعی از اواخر دهه 1980 است که با تجزیه مقدار منفرد روی ماتریس سند و کلمه کار میکند. اما اولا هرگز شواهدی مبنی بر استفاده گوگل از آن در مقیاس وب ارائه نشده، ثانیا این تکنیک برای مجموعه اسناد در ابعاد وب از نظر محاسباتی عملی نیست، ثالثا چیزی به اسم کلمه LSI در آن روش اصلا تعریف نشده است. آنچه فروشندگان ابزار به آن کلمه LSI میگویند، معمولا صرفا هم رخدادی آماری کلمات است.

ایندکس مبتنی بر عبارت

پیشرفت واقعی با کار Anna Patterson در گوگل آمد. ایده اش این بود که به جای کلمه، عبارت را واحد ایندکس کنیم و مهم تر از آن، برای هر عبارت مجموعه ای از عبارت های مرتبط را نگه داریم.

نتیجه اش این است که سیستم میتواند بفهمد سندی که درباره موتور احتراق داخلی است، احتمالا عبارت هایی مثل میل لنگ و سیستم خنک کننده هم دارد. اگر سندی ادعا کند درباره موضوعی است ولی هیچ کدام از عبارت های مورد انتظار را نداشته باشد، پرچم بلند میشود.

تفسیر من این است که همین جا مفهوم پوشش موضوعی، آنطور که در این متن تعریفش کردم، اولین بار یک پایه فنی پیدا میکند. نه Patterson و نه پتنت هایش اسمی از پوشش موضوعی یا اتوریتی موضوعی نمیبرند؛ این ربطی است که من بین آن کار و مفهومی که در ادامه دنبال میکنیم میبینم. سند خوب در یک موضوع، سندی است که عبارت های مورد انتظار آن موضوع را دارد.

ورود بردار

مرحله بعد، تبدیل متن به بردار عددی بود. ایده اصلی این است که کلمات و بعدها جملات و اسناد را در یک فضای چندصدبعدی نقطه گذاری کنیم، طوری که فاصله در آن فضا با شباهت معنایی متناسب باشد.

با این کار، شباهت دو سند دیگر به اشتراک کلمات وابسته نیست. دو مقاله میتوانند هیچ کلمه مشترکی نداشته باشند و باز هم بردارهایشان نزدیک باشد.

موجودیت

لایه بعدی، موجودیت است. تفاوت موجودیت با کلمه کلیدی این است که موجودیت به یک چیز واقعی در جهان اشاره میکند، نه به یک رشته حروف.

در ماژول های لو رفته، فیلدی وجود دارد که موجودیت های شناسایی شده را به محتوای صفحه پیوست میکند. یعنی سیستم صرفا نمیبیند که رشته سعدی در متن آمده، بلکه تشخیص میدهد کدام سعدی.

مدل چندلایه نیت

تقسیم بندی سنتی نیت جستجو به سه دسته اطلاعاتی و راهبری و تراکنشی، سال هاست در آموزش های سئو تکرار میشود. این تقسیم بندی برای شروع مفید است ولی برای کار جدی خیلی درشت است.

در مستندسازی لو رفته، فیلدی به نام asteroidBeltIntents وجود دارد که نامش به یک مدل بسیار دانه ریزتر برای طبقه بندی نیت سند اشاره دارد. اسمش استعاره ای است از کمربندی از اجرام کوچک، و همین استعاره نکته را میرساند. به جای سه دسته بزرگ، تعداد زیادی برچسب کوچک. توجه کنید که این استنباط از نام فیلد است، نه از توضیح رسمی. جزئیات عملکردش مستند نیست.

چرا بردار سطح صفحه کافی نبود

حالا به نقطه ای میرسیم که کل این متن حول آن میچرخد. فرض کنید یک صفحه دارید که بردارش دقیقا در مرکز موضوع حسابداری مالیاتی نشسته است. عالی. اما این صفحه در سایتی منتشر شده که نود درصد محتوایش درباره آشپزی است.

بردار سطح صفحه این تناقض را نمیبیند. برای دیدنش باید یک بردار در سطح دامنه هم داشته باشید و فاصله صفحه از آن را حساب کنید. این دقیقا کاری است که فیلدهایی مثل siteFocusScore و siteRadius، که در ادامه میآیند، انجام میدهند.

کیفیت سایت و کوئری های مرجع

این خانواده که به الگوریتم پاندا نسبت داده میشود، مفهومی معرفی میکند که در بحث ما کلیدی است. پتنت اصلی این خانواده Site quality score است، شماره US9031929B1، مخترعان April R. Lehman و Navneet Panda، ثبت شده به نام Google، تاریخ اولویت ژانویه 2012، اعطا شده در می 2015. ایده این است که برای یک سایت میتوان مجموعه ای از کوئری های مرجع تعریف کرد و نسبت ارجاعات یا اشارات به آن سایت را در آن مجموعه سنجید.

دو نکته در این ایده هست که معمولا نادیده گرفته میشود. اول اینکه سنجه نسبت است، نه عدد مطلق. یعنی سایت کوچک در موضوع باریک میتواند امتیاز خوبی بگیرد. این خبر خوبی برای سایت های تخصصی فارسی است.

دوم، و این بخش تفسیر من است نه چیزی که خود پتنت میگوید: خود متن پتنت این کوئری های مرجع را برای محاسبه یک امتیاز کیفیت سایت به کار میبرد، نه برای تعریف موضوع سایت. اما به نظر من، همین مجموعه کوئری های مرجع، به طور غیرمستقیم چیزی هم درباره موضوع سایت نشان میدهد، چون سیستم عملا دارد از روی کوئری هایی که برایشان دیده میشوید میفهمد سایت شما درباره چیست، نه از روی آنچه ادعا میکنید.

ایندکس عبارت محور و خوشه بندی موضوعی

پتنت اصلی این خانواده Phrase-based indexing in an information retrieval system است، شماره US7536408B2، مخترع Anna L. Patterson، ثبت شده به نام Google، درخواست اولیه ژوئیه 2004. تفسیر من این است که این خانواده پایه فنی مفهوم پوشش موضوعی است، آنطور که در این متن تعریفش کردم؛ خود پتنت این اصطلاح را به کار نمیبرد. ادعای مرکزی اش این است که برای هر عبارت میتوان مجموعه ای از عبارت های مرتبط ساخت و از روی حضور یا غیاب آنها درباره موضوع سند قضاوت کرد.

بخش کمتر شناخته شده اش این است که همین ساختار برای خوشه بندی اسناد هم به کار میرود. اسنادی که الگوی عبارتی مشابهی دارند، در یک خوشه قرار میگیرند.

آنچه این خانواده پشتیبانی میکند این است که سیستم انتظار مشخصی از واژگان یک موضوع دارد. آنچه پشتیبانی نمیکند این است که هر چه عبارت بیشتری بگنجانید بهتر است. پتنت مرتبط دیگری از همین مخترع، Detecting spam documents in a phrase based information retrieval system (شماره US8078629B1، اعطا شده دسامبر 2011)، صراحتا درباره تشخیص اسپم از طریق تراکم غیرطبیعی عبارت صحبت میکند.

طبقه بندی سایت و تخصیص موضوع به دامنه

پتنت این خانواده یک درخواست پتنت است، نه پتنت اعطاشده: Website representation vector، شماره انتشار US20200050707A1 (انتشار بین المللی WO2020033805)، مخترع Yevgen Tsykynovskyy، ثبت شده به نام Google LLC. تفسیر من این است که این خانواده مستقیم ترین پیشینه فنی چیزی است که امروز اسمش را تمرکز موضوعی گذاشته ایم؛ خود متن درخواست این اصطلاح را به کار نمیبرد. ایده اصلی این است که میتوان یک سایت کامل را، نه فقط یک صفحه، با یک بردار نمایشی در یک حوزه دانش (knowledge domain) طبقه بندی کرد. یعنی موضوع، ویژگی صفحه نیست، ویژگی سایت هم هست.

اهمیتش این است که نشان میدهد تخصیص موضوع در سطح دامنه، ایده تازه ای نیست که با انتشار فیلدهای لو رفته کشف شده باشد. سال ها پیش از آن در ادبیات پتنت وجود داشته است.

آنچه این درخواست مستقیما پشتیبانی میکند این است که طبقه بندی موضوعی در سطح کل سایت انجام میشود، با بردار نمایشی سایت در یک حوزه دانش. آنچه پشتیبانی نمیکند این است که هر سایت فقط یک برچسب دارد؛ متن اشاره میکند سایت میتواند در حوزه های دانش مختلف امتیازهای متفاوتی بگیرد. اما این نکته بیشتر در سطح شرح اختراع است، نه ادعای مستقل پتنت، و عبارت «چند برچسب با وزن های مختلف» تفسیر و بسط من از آن است، نه ادعای اصلی درخواست.

خانواده اطلاعات افزوده و منطق تکراری نبودن

پتنت اصلی این خانواده Contextual estimation of link information gain است، شماره درخواست US20200349181A1، اعطا شده به عنوان US11354342B2، ثبت شده به نام Google. این خانواده به سوالی جواب میدهد که در عصر تولید انبوه محتوا حیاتی شده است. اگر ده سند مشابه داریم، سند یازدهم چه چیزی اضافه میکند؟

منطقش این است که ارزش یک سند تازه، تابعی از اطلاعاتی است که نسبت به آنچه کاربر قبلا دیده اضافه میکند. سندی که فقط بازگویی است، اطلاعات افزوده نزدیک به صفر دارد.

خانواده بسط کوئری و شکستن کوئری به زیرپرسش

پتنت اصلی این خانواده Generating query variants using a trained generative model است، شماره US11663201B2، ثبت شده به نام Google، درخواست اولیه 2018 با تاریخ اولویت 2017، اعطا شده در می 2023. این خانواده مربوط به شکستن یک کوئری به چند زیرپرسش و جستجوی جداگانه برای هر کدام است. در جستجوی مبتنی بر مدل های زبانی این مکانیزم نقش مرکزی پیدا کرده است.

ارتباطش با موضوع ما مستقیم است. اگر یک کوئری به 6 زیرپرسش شکسته شود، سایتی که هر 6 تا را پوشش داده، 6 فرصت برای انتخاب شدن دارد.

جدول جمع بندی خانواده های پتنتچه ادعایی پشتیبانی میشود و چه ادعایی نمیشود

ستون سوم عمدا در جدول آمده است. بیشتر متن هایی که درباره پتنت مینویسند، فقط ستون دوم را میگویند. ستون سوم است که از سواستفاده جلوگیری میکند.

در سال 2024 حجم بزرگی از مستندسازی داخلی انبار محتوای گوگل به شکل ناخواسته منتشر شد. آنچه منتشر شد، تعریف ساختارهای داده بود، نه کد الگوریتم ها. این تمایز حیاتی است. ما میدانیم چه چیزهایی ذخیره میشوند. نمیدانیم با چه وزنی و در کدام مرحله استفاده میشوند.

موتور زیرین

فیلدی به نام site2vecEmbeddingEncoded در مستندسازی لو رفته وجود دارد که یک بردار فشرده از محتوای سایت نگه میدارد. تفسیر من این است که این بردار، نمایش عددی هویت موضوعی دامنه است؛ خود مستندسازی این تعبیر را با همین کلمات نمیدهد. اگر این تفسیر درست باشد، هر چیزی که در ادامه میآید روی همین یک بردار سوار است؛ بدون آن، هیچ کدام از سنجه های بعدی قابل محاسبه نیست.

در همان مستندسازی، فیلد دیگری هم هست به اسم asteroidBeltIntents که در بخش قبل، زیر عنوان مدل چندلایه نیت، بدون نام بردن از آن صحبت کردم. نام فیلد مستند است؛ چیزی که از عملکردش میفهمیم، تا حدی از خود نام و بافتار اطرافش استنباط میشود، نه از توضیح رسمی. تفسیر محتاطانه این است که این فیلد به یک مدل دانه ریزتر برای طبقه بندی نیت سند اشاره دارد. اینکه دقیقا چند بعد دارد، چطور روی رتبه بندی اثر میگذارد، یا امروز هم استفاده میشود یا نه، مستند نیست.

امتیاز تمرکز

فیلد siteFocusScore میزان اختصاص سایت به یک موضوع مشخص را کمی میکند. عدد بالا یعنی سایت تخصصی. عدد پایین یعنی سایت عمومی یا پراکنده.

سه برداشت غلط رایج از این فیلد را باید همینجا رد کنم. اول اینکه این امتیاز معیار کیفیت نیست. در قسمت بعدی مفصل بازش میکنم. دوم اینکه بالا بودنش همیشه مطلوب نیست. سایتی که در موضوعی بدون تقاضا کاملا متمرکز باشد، امتیاز عالی و ترافیک صفر دارد. سوم اینکه این عدد را نمیشود مستقیما دید. هیچ ابزاری به آن دسترسی ندارد. هر ابزاری که ادعا کند این عدد را نشان میدهد، عدد خودش را نشان میدهد.

شعاع

فیلد siteRadius اندازه میگیرد که محتوای یک صفحه چقدر از موضوع مرکزی سایت فاصله دارد. رابطه این دو ساده است. شعاع در سطح صفحه محاسبه میشود، تمرکز در سطح سایت. تمرکز، تجمیع شعاع های همه صفحات است.

استعاره منظومه و جایی که میشکند

رایج ترین استعاره برای توضیح این دو، منظومه شمسی است. موضوع مرکزی خورشید، هر صفحه یک سیاره، شعاع مدار همان فاصله معنایی. استعاره خوبی است برای شروع، اما دو جا میشکند و باید بدانید کجا.

اول اینکه در منظومه واقعی، خورشید مستقل از سیارات وجود دارد. اینجا مرکز از خود صفحات محاسبه میشود. یعنی اگر نصف صفحاتتان را عوض کنید، خود خورشید جابجا میشود. این نکته در عمل خیلی مهم است و اکثر توضیح ها نادیده اش میگیرند.

دوم اینکه فاصله در فضای برداری چندصدبعدی، شهود دوبعدی ندارد. نمایش زیر یک ساده سازی است، نه تصویر واقعیت.

چهار وضعیت سلامت موضوعی

با این دو سنجه میتوان هر سایتی را در یکی از چهار وضعیت زیر قرار داد. پیش از خواندن ادامه متن، حدس بزنید سایت خودتان کدام است. در قسمت اندازه گیری ابزاری میدهم که این حدس را بسنجید.

خانواده NSR و ابهام نامگذاری چانک

در همان مستندسازی، خانواده ای از فیلدها با پیشوند NSR وجود دارد. گوگل هرگز رسما این مخفف را باز نکرده؛ در تحلیل های ثانویه معمولا آن را رتبه نرمال شده سایت میخوانند، اما این تعبیر قطعی نیست. حداقل یک تحلیلگر شناخته شده حدس جایگزین Neural Semantic Retrieval را هم مطرح کرده. من از اینجا به بعد فقط از خود مخفف NSR استفاده میکنم. اینها سیگنال هایی در سطح سایت یا میزبان هستند، نه در سطح صفحه.

نکته ای که برای بحث ما اهمیت دارد این است که در همین خانواده، فیلدهایی هستند که به بخش بندی یک سایت به زیرمجموعه ها اشاره دارند. یعنی سیستم لزوما کل دامنه را یک واحد نمیبیند و میتواند قسمت های مختلف یک سایت را جدا ارزیابی کند.

پیامد عملی اش مهم است. اگر بلاگ سایت شما وضعیت بدی دارد ولی صفحات محصول خوب اند، لزوما همه چیز با یک کاسه سنجیده نمیشود. البته این هم به معنی نبود اثر سرریز نیست.

و حالا ابهامی که باید حل شود. در ادبیات سئو، کلمه چانک به دو چیز کاملا متفاوت اطلاق میشود و این منشا سردرگمی گسترده است.

یکی تقسیم متن به قطعات کوچک برای بازیابی در سیستم های مبتنی بر بردار. این چیزی است که اکثرا وقتی از چانک حرف میزنند منظورشان است. دیگری فیلدهایی در همان مستندسازی که به تقسیم سطح دامنه اشاره دارند، یعنی تقسیم یک سایت به زیرمجموعه ها برای محاسبه سیگنال. این با تقسیم متن هیچ ارتباطی ندارد. اینکه هر دو یک اسم دارند، اتفاق نامگذاری است، نه نشانه ارتباط.

نسخه بندی بردارها

بعضی از سیگنال های سطح سایت در این مستندسازی، نوع داده ای دارند که نشان میدهد مقدارشان به همراه نسخه نگهداری میشود. معنی فنی اش این است که سیستم فقط مقدار امروز را ذخیره نمیکند، بلکه تاریخچه ای از مقادیر قبلی هم دارد.

این قسمت را جدا نوشتم چون به نظرم مهم ترین اصلاح فکری است که خواننده فارسی زبان لازم دارد.

امتیاز تمرکز، معیار کیفیت نیست

فرض کنید سایتی بسازید که فقط و فقط درباره یک موضوع باریک است و صد مقاله کاملا متمرکز دارد. امتیاز تمرکزتان تقریبا کامل است. حالا فرض کنید همه آن صد مقاله سطحی، بازنویسی شده، و بدون منبع باشند. آیا این سایت رتبه میگیرد؟

نه. چون تمرکز به این سوال جواب میدهد که سایت درباره چیست، نه به این سوال که آیا خوب است.

سایت عمومی با اعتماد بالا و تمرکز پایین

یک روزنامه بزرگ عمومی را در نظر بگیرید. سیاست، ورزش، اقتصاد، آشپزی، همه چیز. امتیاز تمرکز موضوعی اش قطعا پایین است. اما این سایت ها در بسیاری از کوئری ها رتبه های بالا میگیرند. اگر تمرکز تنها عامل بود، این ممکن نبود.

توضیحم این است، و این تفسیر من است نه ادعای مستند: این سایت ها روی محور دیگری امتیاز بسیار بالایی دارند، و به نظرم الگوی موضوعی شان هم قابل تشخیص است، چیزی شبیه الگوی رسانه عمومی معتبر. خانواده پتنت طبقه بندی سایت که در بخش پتنت ها دیدیم (Website representation vector، شماره US20200050707A1) نشان میدهد چنین طبقه بندی ای از نظر فنی ممکن است، اما این ثابت نمیکند گوگل امروز دقیقا چنین دسته ای را در رتبه بندی زنده به کار میبرد.

مثال معکوس، سایت کاملا متمرکز با محتوای نازک

حالت برعکس هم به همان اندازه آموزنده است و در سایت های فارسی بسیار رایج تر. سایتی بسازید که فقط درباره یک موضوع باریک باشد و دویست مقاله کاملا متمرکز داشته باشد. امتیاز تمرکزش تقریبا کامل است.

اگر آن دویست مقاله بازنویسی مطالب موجود باشند، بدون منبع، بدون داده اولیه، و بدون تجربه دست اول، این سایت رتبه نمیگیرد. و مهم تر اینکه صاحبش هیچ وقت نمیفهمد چرا، چون همه توصیه های رایج را رعایت کرده است.

اثر ناهنجاری

اینجا استنباط را از سند جدا میکنم. آنچه سند میگوید این است که سیگنال هایی در سطح سایت محاسبه میشوند. آنچه استنباط است این است که سایتی با ترکیب موضوعی عجیب، در هیچ الگوی شناخته شده ای جا نمیگیرد و همین طبقه بندی اش را سخت میکند.

مثال فارسی اش را دیده ام. سایتی که نیمی محتوای حقوقی و نیمی محتوای تناسب اندام دارد. هیچ کدام بد نیستند. ولی این ترکیب با هیچ الگوی شناخته شده ای جور در نمیآید.

سقف کیفیت

یک نکته که وارد جزئیاتش نمیشوم چون موضوع این متن نیست، ولی نگفتنش گمراه کننده است. در همان مستندسازی، فیلدهایی وجود دارند که کیفیت را در سطح سایت اندازه میگیرند و برخی از آنها ماهیت تاریخی دارند، یعنی مقدارشان در طول زمان نگهداری میشود.

پیامدش این است که یک سایت با سابقه طولانی کیفیت پایین، حتی اگر امروز تمرکز موضوعی بی نقصی بسازد، سقفی بالای سرش هست که یک شبه برداشته نمیشود. اگر روی سایتی کار میکنید که سابقه بدی دارد، این را در برآورد زمانی تان لحاظ کنید.

اسم صنعتی است، مکانیزم نه

اصطلاح کاوریج آتوریتی برخلاف بقیه مفاهیم این متن، حتی یک منبع ثانویه معتبر هم پشتش ندارد. کاملا ساخته صنعت است. اما مکانیزمی که به آن اشاره میکند واقعی است و همان چیزی است که در خانواده پتنت های بسط کوئری دیدیم. پس اسم را جدی نگیرید، مکانیزم را جدی بگیرید.

عمق در برابر گستره

پیش از هر چیز باید بدانید پوشش دو جهت دارد و این دو با هم رقابت میکنند، چون منابع شما محدود است. گستره یعنی تعداد موضوعات فرعی که لمس میکنید. عمق یعنی اینکه هر موضوع فرعی را تا کجا میبرید.

تیمی که ماهی ده مقاله میتواند بنویسد، یا میتواند ده موضوع فرعی را یک بار لمس کند، یا سه موضوع را کامل کند. هر دو انتخاب مشروع است ولی نتیجه شان فرق دارد.

سه نوع پوشش که با هم اشتباه گرفته میشوند

پوشش کوئری یعنی سایت شما برای چند درصد از کوئری های آن موضوع محتوایی دارد. این ساده ترین و سطحی ترین سنجه است.

پوشش موجودیت یعنی سایت شما چند درصد از موجودیت های مرتبط با آن حوزه را پوشش داده است. عمیق تر است.

پوشش نیت یعنی سایت شما برای چند نوع نیت مختلف در آن موضوع پاسخ دارد. سخت ترین و ارزشمندترین است.

رابطه پوشش با بسط کوئری

در پتنت های بسط کوئری دیدیم که یک کوئری میتواند به چند زیرپرسش شکسته شود و برای هر کدام جستجوی جداگانه ای انجام گیرد. در جستجوی مبتنی بر مدل های زبانی، این مکانیزم نقش مرکزی دارد.

پیامدش برای پوشش مستقیم است. اگر کوئری کاربر به 6 زیرپرسش شکسته شود، سایتی که هر 6 را پوشش داده، 6 بار شانس دارد که به عنوان منبع انتخاب شود. سایتی که فقط یکی را پوشش داده، یک بار.

سقف پوشش، جایی که استراتژی حجم شکست میخورد

اینجا مهم ترین حرف این متن را میزنم. توصیه رایجی که از دوره ها و مقالات این حوزه بیرون آمده این است که نقشه موضوعی را کامل کنید و هر چه سریع تر منتشر کنید. منطقش این است که تا نقشه کامل نشود، اثر دیده نمیشود.

در مستندسازی لو رفته، ماژولی به نام QualityCopiaFireflySiteSignal هست که سیگنال های سطح سایت را نگه میدارد. تفسیر من این است که این سیگنال ها برای تشخیص تولید انبوه به کار میروند؛ خود مستندسازی این هدف را با همین کلمات نمیگوید. دو فیلد آن مستقیما به این توصیه میخورند.

فیلد numOfUrlsByPeriods تعداد آدرس های کشف شده را در بازه های سی روزه پشت سر هم ثبت میکند، یعنی سرعت رشد تعداد صفحات. فیلد numOfArticlesByPeriods تعداد صفحاتی را میشمارد که آستانه کیفی مشخصی (طبق گزارش ها، امتیاز 0.8 یا بالاتر) را رد کرده اند، آن هم در همان بازه های سی روزه.

پیامدش روشن است. سرعت تولید صفحه و سرعت تولید صفحه باکیفیت جدا از هم اندازه گیری میشوند. نسبت این دو به هم، یک سیگنال مستقل است.

نقطه اشباع و بازدهی منفی

هر موضوعی یک فضای محدود از پرسش های واقعی دارد. وقتی آن فضا پر شد، مقاله بعدی چیزی اضافه نمیکند.

از آن نقطه به بعد، تولید بیشتر سه اثر منفی دارد. اول اینکه اطلاعات افزوده اش نزدیک صفر است. دوم اینکه به ناچار به حاشیه موضوع میرود و شعاع را باز میکند. سوم اینکه شکاف دو ستون شکل قبل را باز میکند.

تشخیص نقطه اشباع سخت است ولی یک نشانه عملی دارد. وقتی برای نوشتن مقاله بعدی مجبور میشوید عنوان را از دل عنوان قبلی بیرون بکشید و صرفا با کلمه دیگری بازنویسی کنید، رسیده اید.

چرا پوشش بدون کیفیت تمرکز را رقیق میکند

این قسمت، پوشش و تمرکز را به هم وصل میکند و توضیح میدهد چرا این دو گاهی در تعارض قرار میگیرند. مرکز موضوعی سایت شما از میانگین محتوایتان محاسبه میشود. این را در توضیح استعاره منظومه گفتم و اینجا نتیجه اش را میبینیم.

وقتی برای پوشش بیشتر، محتوای حاشیه ای اضافه میکنید، دو اتفاق همزمان میافتد. اول اینکه صفحات تازه شعاع بزرگی دارند. دوم و مهم تر اینکه خود مرکز به سمت آنها جابجا میشود. یعنی صفحات هسته شما، بدون اینکه یک کلمه شان عوض شود، از مرکز دورتر میشوند.

چرا صفحه خوب در سایت پراکنده کمتر دیده میشود

اگر مکانیزم شروع سرد را که در ابتدا توضیح دادم به یاد داشته باشید، و با تفسیری که در بخش های قبل ساختیم، جواب واضح است. سیستم برای صفحه تازه شما تخمین اولیه ای میسازد و بخشی از آن تخمین، طبق آن تفسیر، از هویت موضوعی دامنه میآید.

سایت پراکنده، تخمین اولیه ضعیف تری تولید میکند. صفحه شما با نقطه شروع پایین تری وارد رقابت میشود و باید مسافت بیشتری را با داده رفتاری جبران کند.

سایت چندموضوعی، کجا جواب میدهد

جواب کوتاه این است که وقتی هر موضوع به اندازه کافی حجم و کیفیت داشته باشد که خودش یک الگوی مستقل قابل تشخیص بسازد. به عنوان یک قاعده سرانگشتی از تجربه خودم، اگر شما در موضوع دوم فقط 15 مقاله دارید، آن موضوع دوم یک تخصص دوم نیست، یک انحراف است.

زیردامنه یا زیرپوشه

این سوال قدیمی، در چارچوب این بحث جواب روشن تری پیدا میکند. اگر دو موضوع شما واقعا دو کسب و کار جدا هستند و هر کدام حجم و کیفیت کافی دارند، زیردامنه مرز موضوعی روشن تری میسازد.

اگر یکی از دو موضوع کوچک است، زیردامنه فقط یک موجودیت ضعیف تازه میسازد که هیچ چیز از سایت اصلی به ارث نمیبرد. در این حالت زیرپوشه بهتر است، یا اصلا نداشتن آن محتوا.

محتوای قدیمی خارج از موضوع

این رایج ترین سوالی است که در جلسات مشاوره میشنوم و رایج ترین جواب غلط هم همین جاست، که میگویند هر چه خارج از موضوع است را حذف کنید. این جواب غلط است چون متغیرهای دیگری را نادیده میگیرد. درخت تصمیمش را در قسمت چارچوب اجرایی آورده ام.

نقشه موضوعی، بدون اسطوره سازی

نقشه موضوعی چیز پیچیده ای نیست. یک مدل مفهومی از حوزه شماست که مشخص میکند چه چیزهایی در آن حوزه وجود دارند و چه نسبتی با هم دارند.

آنچه آن را از فهرست کلمه کلیدی جدا میکند، این است که واحدش مفهوم است نه عبارت جستجو. دو عبارت جستجوی متفاوت میتوانند یک مفهوم باشند، و یک عبارت جستجو میتواند چند مفهوم را در خود داشته باشد.

1. فهرست موجودیت های حوزه را بنویسید. برای بیمه بدنه یعنی شرکت بیمه، بیمه نامه، خسارت، کارشناس، فرانشیز، پوشش اضافی و مانند اینها.
2. برای هر موجودیت، ویژگی هایش را بنویسید. فرانشیز چند نوع دارد، چطور محاسبه میشود، قابل تغییر است یا نه.
3. روابط بین موجودیت ها را مشخص کنید. کدام موجودیت پیش نیاز کدام است.
4. حالا و فقط حالا سراغ داده کوئری بروید و ببینید مردم درباره هر گره چه میپرسند. اگر گره ای هست که هیچ کس درباره اش نمیپرسد، یادداشتش کنید ولی در اولویت آخر بگذارید.
5. برای هر گره تصمیم بگیرید صفحه مستقل میخواهد یا زیرمجموعه ای از صفحه دیگر است. این تصمیم را بر اساس تفاوت نیت بگیرید، نه بر اساس حجم کلمه.

نقدی که به خوشه بندی مرکز و پیرامون وارد است

مدل رایج این است که یک صفحه مادر بسازید و صفحات فرزند به آن لینک بدهند. این مدل در بسیاری از موارد کار میکند، اما دو ایراد دارد که کمتر گفته میشود.

اول اینکه ساختار درختی را بر واقعیتی تحمیل میکند که اغلب شبکه است نه درخت. بسیاری از مفاهیم به چند مفهوم دیگر مربوط اند، نه فقط به یک والد.

دوم اینکه وقتی مکانیکی اجرا شود، صفحه مادر تبدیل به فهرستی از لینک ها با متن مقدماتی بی ارزش میشود. صفحه ای که هیچ کس نمیخواند و فقط برای ساختار وجود دارد.

لینک داخلی، دو کارکرد جدا

لینک داخلی دو کار متفاوت میکند و اینها را نباید قاطی کرد. کارکرد اول انتقال اهمیت است. صفحه ای که از صفحات مهم لینک میگیرد، در سنجه های اهمیت داخلی بالا میرود. کارکرد دوم اعلام رابطه معنایی است. متن لنگر و بافت اطراف لینک، به سیستم میگویند این دو صفحه چه نسبتی دارند.

هماهنگی سیگنال ها

عنوان صفحه، سرتیتر اصلی، و متن لنگرهایی که به آن صفحه اشاره میکنند، باید یک حرف بزنند. این ساده ترین و کم هزینه ترین کاری است که میتوانید بکنید و در سایت های فارسی به شکل شگفت آوری نادیده گرفته میشود. صفحه ای دیده ام که عنوانش درباره آموزش بود، سرتیترش درباره خرید، و لنگرهای داخلی اش درباره قیمت.

تاکسونومی و ساختار آدرس و دسته بندی

دسته بندی، اعلام رسمی شما درباره ساختار موضوعی سایت است. اگر دسته بندی تان با واقعیت محتوا جور نباشد، سیگنال متناقض میفرستید. به تجربه من، دسته ای که فقط 2 یا 3 مطلب دارد، بیشتر ضرر میزند تا فایده. یا پرش کنید یا در دسته بزرگ تر ادغامش کنید.

ترتیب انتشار

سوالی که زیاد پرسیده میشود این است که آیا مهم است از کدام مقاله شروع کنیم. جواب صادقانه این است که سند مستقیمی درباره ترتیب انتشار وجود ندارد. آنچه هست، این استدلال غیرمستقیم است.

اگر مرکز موضوعی از میانگین محتوا محاسبه شود، پس در روزهای اول عمر یک سایت که فقط چند مقاله دارد، هر مقاله وزن بسیار بالایی در تعیین آن مرکز دارد. با رسیدن به صدها مقاله، اثر هر مقاله تازه ناچیز میشود.

نتیجه عملی اینکه اولین 10 تا 20 مقاله شما هویت موضوعی سایت را تعریف میکنند. اگر در آن مرحله محتوای پراکنده منتشر کنید، مرکزی مبهم میسازید که بعدا اصلاحش هزینه دارد. این استنباط است نه سند. ولی استنباطی است که ریسکش صفر است، چون شروع کردن از هسته به هر حال کار درستی است.

صفحات پشتیبان در برابر صفحات پولساز

هر نقشه موضوعی دو نوع صفحه دارد و خلط کردنشان یکی از پرهزینه ترین اشتباهات است. صفحه پولساز، صفحه ای است که مستقیم به درآمد وصل است. صفحه محصول، صفحه خدمت، صفحه فرود کمپین.

صفحه پشتیبان، صفحه ای است که خودش پول در نمیآورد ولی سه کار میکند. موضوع را برای سیستم روشن تر میکند، به صفحه پولساز لینک و اعتبار میدهد، و کاربر را در مرحله پیش از تصمیم میگیرد.

آنچه قابل استناد است

در مستندسازی لو رفته فیلدی به نام authorObfuscatedGaiaStr وجود دارد که به شناسه نویسنده اشاره میکند. یعنی سیستم نویسنده را به عنوان یک موجودیت جدا از صفحه نگه میدارد. این حداکثر چیزی است که میتوان با اطمینان گفت. اینکه از این شناسه چه استفاده ای میشود و با چه وزنی، مستند نیست.

مرز میان اعتبار سایت و اعتبار نویسنده

این دو را نباید یکی گرفت. سایت میتواند در موضوعی متمرکز باشد و نویسندگانش هیچ سابقه قابل تشخیصی نداشته باشند. عکسش هم ممکن است.

نکته عملی برای مخاطب فارسی زبان اینکه در بسیاری از حوزه ها، متخصص واقعی فارسی زبان اصلا حضور دیجیتال قابل تشخیصی ندارد. در این حالت، ساختن آن حضور بیشتر ارزش دارد تا نوشتن 10 مقاله دیگر.

خطای رایج

ساختن نویسنده جعلی با عکس و بیوگرافی ساختگی، برای شبیه سازی تخصص. جدا از اینکه غیراخلاقی است، از نظر فنی هم منطق ندارد. آنچه ارزش دارد ارجاعات بیرونی به آن موجودیت است، نه صفحه ای که خودتان درباره خودتان نوشته اید. نویسنده جعلی هیچ ارجاع بیرونی ندارد و صرفا یک صفحه اضافه است.

تا اینجا مفهوم بود. از اینجا ابزار است.

چه چیزی را نمیشود اندازه گرفت

هیچ کدام از فیلدهایی که در این متن نام بردم، از بیرون قابل مشاهده نیستند. هیچ ابزاری به آنها دسترسی ندارد. پس هر چیزی که میسازیم، معادل خانگی است. یعنی با منطق مشابه، سنجه ای میسازیم که خودمان بفهمیم وضعمان در چه جهتی حرکت میکند. عدد ما با عدد آنها یکی نیست و قرار هم نیست باشد. آنچه اهمیت دارد روند است، نه مقدار مطلق.

سنجش تمرکز موضوعی با داده سرچ کنسول

ساده ترین روش و بدون نیاز به هیچ ابزاری. کوئری های 16 ماه اخیر را خروجی بگیرید. آنها را به دست یا با دسته بندی خودکار به خوشه های موضوعی تقسیم کنید. حالا ببینید چند درصد از کل نمایش شما در بزرگ ترین خوشه است.

اگر این عدد در طول زمان پایین میآید، طبق این سنجه خانگی، تمرکز موضوعی قابل مشاهده شما در حال رقیق شدن است، حتی اگر ترافیک کل ثابت باشد.

سهم نمایش در مجموعه کوئری های یک موضوع

سنجه قبلی تمرکز کلی را میداد. این یکی وضعیت شما را در یک موضوع مشخص میسنجد. فهرست کوئری های آن موضوع را بسازید، از داده کوئری خودتان و از پژوهش کلمه. حالا دو عدد بگیرید. برای چند درصد از آن کوئری ها اصلا نمایش میگیرید، و مجموع نمایش شما در آن مجموعه چقدر است.

عدد اول پوشش شما را نشان میدهد. عدد دوم قدرت شما را. این دو با هم فرق دارند و باید جدا دیده شوند. اگر عدد اول بالا و عدد دوم پایین باشد، یعنی همه جا هستید ولی هیچ جا قوی نیستید. این دقیقا وضعیتی است که در قسمت عمق در برابر گستره توضیح دادم و درمانش عمق بخشیدن است نه تولید بیشتر.

سنجش فاصله معنایی صفحات از مرکز سایت

این کاری است که تقریبا هیچ کس در فارسی انجام نداده و بیشترین ارزش را دارد. منطقش دقیقا همان منطق شعاع است. متن هر صفحه را به بردار تبدیل میکنیم، میانگین همه بردارها را به عنوان مرکز سایت میگیریم، و فاصله هر صفحه از آن مرکز را حساب میکنیم.

#  pip install sentence-transformers trafilatura numpy requests

import numpy as np
import requests
import trafilatura
from sentence_transformers import SentenceTransformer

MODEL = "intfloat/multilingual-e5-large"
model = SentenceTransformer(MODEL)


def fetch_text(url: str, max_chars: int = 6000) -> str | None:
    try:
        html = requests.get(url, timeout=20).text
        text = trafilatura.extract(
            html, include_comments=False, include_tables=False
        )
        return text[:max_chars] if text else None
    except Exception:
        return None


def embed(texts: list[str]) -> np.ndarray:
    prefixed = [f"passage: {t}" for t in texts]
    return model.encode(prefixed, normalize_embeddings=True)


def analyse(urls: list[str]) -> list[dict]:
    pages = []
    for u in urls:
        t = fetch_text(u)
        if t and len(t) > 300:
            pages.append({"url": u, "text": t})

    vectors = embed([p["text"] for p in pages])

    centroid = vectors.mean(axis=0)
    centroid = centroid / np.linalg.norm(centroid)

    for page, vector in zip(pages, vectors):
        similarity = float(np.dot(vector, centroid))
        page["similarity"] = round(similarity, 4)
        page["radius"] = round(1 - similarity, 4)
        del page["text"]

    return sorted(pages, key=lambda p: p["radius"], reverse=True)


def focus_score(results: list[dict]) -> float:
    return round(float(np.mean([r["similarity"] for r in results])), 4)


if __name__ == "__main__":
    urls = [line.strip() for line in open("urls.txt") if line.strip()]
    results = analyse(urls)

    print(f"focus score: {focus_score(results)}")
    print("\noutliers:")
    for r in results[:20]:
        print(f"{r['radius']:.4f}  {r['url']}")

نسبت انتشار به کیفیت

معادل خانگی همان دو فیلدی که در بحث سرعت انتشار گفتم. ساده است و به هیچ ابزاری نیاز ندارد. برای هر ماه گذشته دو عدد بنویسید. تعداد آدرس های منتشرشده، و تعداد آدرس هایی که در همان دوره حداقل یک معیار موفقیت را رد کرده اند. معیار موفقیت را خودتان تعریف کنید، مثلا صفحه ای که در 3 ماه اول حداقل 100 نمایش گرفته باشد.

اگر ستون اول با شیب تند بالا میرود و ستون دوم تخت است، شما دقیقا در الگوی پرریسک شکل چهار هستید.

شاخص های هشدار و نشانه های رقیق شدن موضوع

• سهم بزرگ ترین خوشه موضوعی در نمایش کل، ماه به ماه کم میشود.
• تعداد کوئری های منحصربه فردی که نمایش میگیرید بالا میرود ولی مجموع کلیک ثابت است. یعنی دارید در حاشیه دیده میشوید نه در هسته.
• میانگین موقعیت در کوئری های هسته بدتر میشود در حالی که در کوئری های حاشیه ای بهتر میشود.
• نسبت صفحات ایندکس شده به صفحات دارای نمایش، پایین میآید.

بازه زمانی واقع بینانه برای مشاهده اثر

اثر تغییرات ساختاری و موضوعی، ماه ها طول میکشد. به تجربه من، برای سایتی با چند صد صفحه، 6 ماه بازه معقولی برای قضاوت است. برای سایت بزرگ تر، بیشتر. اگر کسی به شما گفت در 6 هفته اتوریتی موضوعی میسازد، همانجا بحث را تمام کنید.

• امتیازی به اسم اتوریتی موضوعی وجود دارد و قابل اندازه گیری است

  ندارد. آنچه هست چند فیلد جداست که ابعاد مختلفی را میسنجند و هیچ کدام از بیرون قابل مشاهده نیستند.

• نوشتن 100 مقاله در یک موضوع یعنی اتوریتی

  غلط. اگر آن 100 مقاله اطلاعات افزوده نداشته باشند، صرفا شکاف بین حجم و کیفیت را باز میکنند که خودش سیگنال منفی است.

• هر چه تخصصی تر بهتر

  غلط. تخصص در موضوعی که تقاضا ندارد، امتیاز تمرکز کامل و ترافیک صفر میدهد.

• امتیاز تمرکز بالا یعنی سایت باکیفیت

  غلط. تمرکز موضوعی و کیفیت دو سنجه جدا هستند.

• اسم فیلد یعنی عملکرد فیلد

  غلط و پرتکرارترین خطای تحلیلی این حوزه. نام گذاری داخلی مهندسان، توضیح رسمی نیست.

• پتنت ثبت شده یعنی سیستم پیاده سازی شده

  غلط. حداکثر نشان میدهد این طرز فکر وجود داشته است.

• کلمات LSI باید در متن باشند

  این مفهوم اصلا وجود ندارد.

• اصطلاح ابزار شخص ثالث یعنی مفهوم گوگل

  غلط و بسیار پرتکرار. سنجه هایی که ابزارهای تجاری میسازند، محصول همان شرکت ها هستند و هیچ نسبتی با سیستم های گوگل ندارند. وقتی ابزاری به شما امتیازی برای اتوریتی موضوعی نشان میدهد، آن عدد ساخت خودش است، نه خوانده شده از جایی. استفاده از این اعداد برای مقایسه با رقبا اشکالی ندارد. استناد به آنها به عنوان واقعیت الگوریتمی اشکال دارد.

• استنباط تحلیلگر یعنی متن سند

  بیشتر آنچه درباره لیک نوشته شده، تحلیل و استنباط است و نویسندگان معتبرش هم صراحتا این را مینویسند. جدا نکردن این دو، منشا بیشتر ادعاهای غلط این حوزه است.

ممیزی وضعیت فعلی تمرکز موضوعی

1. اسکریپت را روی همه آدرس های ایندکس شده اجرا کنید و فهرست شعاع بگیرید.
2. خروجی سرچ کنسول را خوشه بندی موضوعی کنید.
3. نسبت انتشار به کیفیت را برای 12 ماه گذشته بسازید.

این سه خروجی، تصویر وضعیت شماست. قبل از داشتن این سه، هیچ تصمیمی نگیرید.

انتخاب مرز موضوع بر اساس تقاضا و توان تولید

سه معیار را همزمان ببینید. تقاضای واقعی، توان تولید تیم شما، و شدت رقابت. مرز موضوعی درست، جایی است که هر سه قابل قبول باشند. اگر تقاضا بالا ولی توان تولید شما ماهی 3 مقاله است، مرز را باریک تر کنید. باریک کردن مرز، عقب نشینی نیست، تمرکز منابع است.

اولویت بندی شکاف های پوشش

وقتی فهرست شکاف ها را درآوردید، معمولا از توان تولیدتان بلندتر است. ترتیب پر کردنشان تعیین میکند 6 ماه بعد کجا ایستاده اید. سه معیار را برای هر شکاف نمره بدهید.

نزدیکی به مرکز موضوعی. شکافی که در هسته شماست، هم راحت تر رتبه میگیرد هم تمرکز را تقویت میکند. شکافی که در حاشیه است، هر دو را برعکس میکند.

فاصله تا درآمد. اینکه آیا این محتوا به صفحه پولساز وصل میشود یا فقط ترافیک میآورد.

هزینه تولید واقعی. مقاله ای که به مصاحبه با متخصص یا داده اولیه نیاز دارد، گران است. این را در برآورد بیاورید، نه فقط تعداد کلمه.

تصمیم گیری درباره محتوای خارج از موضوع

این جواب سوالی است که در قسمت ساختار سایت باز گذاشتم. برای هر صفحه ای که در فهرست پرت ترین ها آمده، این مسیر را طی کنید.

تنظیم سرعت انتشار متناسب با ظرفیت کیفی

ظرفیت کیفی واقعی تیم را اندازه بگیرید، نه ظرفیت آرزویی. بعد سرعت انتشار را روی همان عدد قفل کنید. اگر مدیر یا مشتری اصرار بر حجم دارد، شکل چهار را نشانش بدهید. این تنها استدلال مستندی است که در این بحث در اختیار دارید.

برنامه بازبینی دوره ای

بازبینی باید تقویم داشته باشد، وگرنه انجام نمیشود.

چک لیست نهایی

• امتیاز تمرکز و فهرست شعاع را دوباره بگیرید و با فصل قبل مقایسه کنید.
• نسبت انتشار به کیفیت را به روز کنید.
• دسته بندی هایی که کمتر از 5 مطلب دارند را بازبینی کنید؛ این آستانه بازبینی است، نه حذف یا ادغام خودکار.
• 20 صفحه پرت جدید را از درخت تصمیم عبور بدهید.
• سهم خوشه اصلی در نمایش کل را ثبت کنید.

این را مینویسم چون هر متنی که ادعا کند جای همه چیز را میگیرد، همان جا اعتبارش را از دست میدهد.

این نوشته به شما میدهد. نقشه مفهومی حوزه، تفکیک مستند از ادعا، روش اندازه گیری قابل اجرا، و چارچوب تصمیم گیری.

این نوشته به شما نمیدهد. بازخورد روی پروژه خودتان. هیچ متنی نمیدهد. تشخیص اینکه سایت شما در کدام یک از چهار وضعیت شکل سه است و چه چیزی برایش اولویت دارد، به نگاه کردن به داده خود شما نیاز دارد.

و یک چیز دیگر که هیچ متن و هیچ دوره ای نمیدهد. صبر. اثر این کارها ماه ها طول میکشد و بیشتر شکست هایی که دیده ام، از بی صبری آمده اند نه از ندانستن.

هر چیزی که در این متن خواندید، از یکی از این دسته ها آمده است. دسته آخر سند نیست و به همین عنوان علامت گذاری شده.

• سند دادگاهاسناد و شهادت های پرونده ضدانحصار وزارت دادگستری آمریکا علیه گوگل
• سند رسمیمستندات منتشرشده خود گوگل
• پتنتخانواده های پتنت که شماره هایشان پیش از استناد باید راستی آزمایی شوند
• تحلیل ثانویهتحلیل و استنباط، نه سند. برای فهمیدن نقشه راه مفیدند، برای استناد نه

اظهارات سخنگویان گوگل با تاریخ و پلتفرم، پیش از استناد باید در منبع اصلی بررسی شوند. اظهارات نقل شده در منابع ثانویه، منبع اولیه نیستند.

مقاله های دیگر همین مجموعه

تحقیق بر پایه مستندات. نوشته شهرام رهبری