Тематический индекс цитирования (ТИЦ), Page Rank (PR)

Показатели авторитетности сайта – показатели, используемые различными поисковыми системами для определения важности того или иного документа. За основу наиболее известных показателей авторитетности – тематического индекса цитирования (тИЦ) и PageRank (PR) – были взяты методы, зависящие от ссылок на сайт с других источников.

Индекс цитирования (ИЦ) и тематический индекс цитирования (тИЦ).

Индекс цитирование (ИЦ) – давно известная в научных кругах мера, определяющая значимость (авторитетность) ученого. Индекс цитирования зависел от количества ссылок на работу ученого в различных источниках. Кроме простого количественного показателя измеряется качество ссылающихся источников. Различное влияние на индекс цитирования будет у крупного научного издания и доклада ученика 8-го класса.

Тематический индекс цитирования (тИЦ) – принятая в Яндексе величина, авторитетности сайта, определяющиеся анализом качества проставленных на него ссылок.

Для определения значения тИЦ каждой ссылки присваивается «вес», который рассчитывается по сложному алгоритму. Наибольший вес имеют ссылки с сайтов схожей тематики. Как и в случае с ИЦ, на конечное значение показателя тИЦ влияет сумма весов всех поставленных на сайт ссылок.

Как узнать значение ТИЦ?

Проверить тематический индекс цитирования (тИЦ) сайта можно несколькими способами:

1. Для сайтов, зарегистрированных в Яндекс.Каталоге значение индекса цитирования указан рядом с описание сайта:

2. Установить бесплатное дополнение Яндекс.Бар, значение показателя тИЦ будет отображаться в панели инструментов вашего браузера:

Скачать приложение Яндекс.Бар можно на сайте http://bar.yandex.ru/

3. Проверить тИЦ можно, получив специальную кнопку-информер. В дальнейшем ее можно будет установить на свой сайт:

Получить кнопку тИЦ для своего сайта можно тут

Page Rank

Page Rank (PR) – один из основных критериев ссылочного ранжирования сайтов в поисковой системе Google. Значение Page Rank показывает авторитетность документа и напрямую зависит от авторитетности и количества ссылок, поставленных на этот документ. Числовое значение PR рассчитывается для каждой отдельной страницы и пересчитывается примерно 1-2 раза в год.

Числовое значение параметра Page Rank можно увидеть, установив в браузер бесплатное дополнительное приложение – Google Toolbar. Показатель Page Rank в приложении для простоты принимает значение от 0 до 10, но действительное значение параметра PR, а также формула расчета не раскрывается в целях предотвращения самостоятельных накруток.

Скачать приложение Google Toolbar можно на сайте http://toolbar.google.com

Высокие значения тИц и PR не являются достаточным условие для попадания сайта на первые позиции поисковых систем, но при грамотном продвижении сайта, эти показатели должны возрастать. Рост величин тематического индекса цитирования (тИЦ) и Page Rank (PR) говорит о качестве поставленных на сайт ссылок.

PageRank (PR) — глоссарий КСК ГРУПП

PageRank (PR) — глоссарий КСК ГРУПП

Несмотря на разрушительный эффект нового алгоритма Penguin в отношении сайтов с сомнительным профилем бэклинков, пресловутые гиперссылки по-прежнему остаются одним из базовых элементов любой цифровой маркетинговой кампании. В этом посте я хочу рассмотреть семь разрешенных стратегий линкбилдинга на 2017 г. Несмотря на то, что я мог бы предложить десятки более конкретных советов, я все же считаю, что мой материал сможет осветить наиболее общие тенденции в современной SEO-оптимизации и контент-маркетинге.

Однако сначала давайте взглянем на то, почему в 2017 г. линкбилдинг по-прежнему очень важен, что он вообще собой представляет.

Почему в 2017 году ссылки все еще важны

В цифровом маркетинге термин «линкбилдинг» часто рассматривается в негативном свете. Действительно, для многих малых компаний, успевших пострадать от сотрудничества с недобросовестными SEO-агентствами, любая стратегия, которая даже неявно пытается обмануть алгоритмы Google, вызывает страх и ужас. И давайте говорить прямо: эти опасения отчасти оправданы, поскольку исторически линкбилдинг действительно был связан с запрещенными SEO-техниками.

И все же сама идея того, что наращивание ссылочной массы может рассматриваться с негативной точки зрения, парадоксальна, поскольку для Google ссылки продолжают оставаться самым сильным фактором ранжирования. Вместо этого среди оптимизаторов и коммерческих структур, которые пользуются их услугами, необходимо изменить само представление о том, что существует простой и быстрый способ увеличить объем ссылочной массы.

Немного об алгоритме Penguin

С сентября 2016 г. обновление Google под название Penguin работает в режиме реального времени в рамках основного алгоритма поиска Google. Penguin вышел в 2012 г. и с тех пор забраковал немало некачественных сайтов. Теперь некачественно выстроенный линкбилдинг приведет к тому, что вы (или ваш клиент) ощутите штрафные санкции поисковика намного быстрее, чем раньше (хотя, если судить с другой стороны, это также означает более быстрое восстановление от его последствий). Для тех SEO-оптимизаторов, которые до сих пор пользуются так называемыми «черными» техниками наращивания ссылочной массы, это означает, что теперь у них будет гораздо меньше простора для маневра в том, что касается быстрых результатов, независимо от неизбежных последствий, о которых можно какое-то время не переживать.

Как это коснется линкбилдинга в 2017 г.? В целом Penguin продолжает оказывать давление на оптимизаторов с целью заставить их работать корректно, в то же время круг возможностей для избегания штрафов со стороны системы значительно сузился. В 2017 г. просто не будет простых и быстрых способов нарастить гигантскую ссылочную массу и выйти сухим из воды. Если вы хотите сделать все грамотно и без негативных последствий, заставьте своего клиента запастись терпением.

Так что без лишних слов предлагаю перейти к рассмотрению ряда полезных тактик линкбилдинга, которые могут пригодиться в 2017 г., а также к обзору тех методов, которые вам действительно стоит оставить в прошлом.

PBN для линкбилдинга больше не работает

Сегодня накрутка рейтинга сайтов при помощи сетки частных сайтов (PBN, или Private Blog Network) — это мертвая тактика. Пару лет назад этот запрещенный метод еще применялся, однако риски, связанные с этим видом деятельности, а также время и деньги, потраченные на поиск и покупку высококачественных доменов, говорили о том, что игра попросту не стоит свеч.

Более подробно об этом вы сможете узнать в статье Натана Готча о PBN.

Инвестируйте свое время в налаживание прочных контактов

Поскольку возможностей для относительно простого и малозатратного наращивания ссылочной массы становится все меньше, приходит понимание важности построения реальных и прочных отношений с авторитетными сайтами и доменами. Да, здесь придется приложить намного больше усилий, но выигрыш от подобного сотрудничества с популярными ресурсами с большой аудиторией читателей и подписчиков несравненно больше. Лучше получить одну ссылку с сайта DA70, чем 4 от слабых DA30 блогов, поскольку шансы, что страница с сайта DA70 получает ссылки естественным путем, намного выше. Если разобраться в этом вопросе поподробнее, становится очевидным, почему домены с высоким показателем DA так высоко ценятся в сети.

Фокусируйтесь на релевантности сайта

Если сравнивать с качеством домена и прочими показателями метрики, релевантность сайта всегда оставалась на второстепенных ролях, однако с точки зрения линкбилдинга такой подход весьма близорук. Ориентация на релевантные сайты — это гарантированный и безопасный способ налаживания связей. При этом сайт с высокой релевантностью и средним DA всегда будет иметь преимущество перед сайтом со средней или низкой релевантностью, но высоким показателем DA. Trust Flow от Majestic — это мощный инструмент для определения качества сайта на основе его релевантности.

Знайте своего клиента в лицо

Еще более действенное средство поиска и идентификации релевантных сайтов — умение по-настоящему понять потребности ваших клиентов, а также те проблемы, с которыми они сталкиваются. Еще важно знать в лицо контент, который они читают, и интернет-площадки, на которых они любят тусоваться. Создание маркетинговых «портретов», основанных на вашем видении образа «идеального клиента», также поможет вам создать более релевантный контент, а также искать более релевантные сайты. Можно поддаться искушению и положиться на специальные веб-инструменты, однако зачастую этот ручной и более деликатный подход является гораздо более эффективной стратегией.

Найдите альтернативу Page Rank

Несмотря на отсутствие обновлений в течение многих лет, система Google PageRank официально ушла в прошлое лишь в апреле 2016 г. Это заставило некоторых оптимизаторов, которые по-прежнему настаивали на использовании его в качестве метрики, искать новые альтернативные варианты. Если вы отказались от PageRank сравнительно недавно (если нет, то пришло время это сделать), в 2017 г. вам следует наконец вычеркнуть этот алгоритм из списка индикаторов, определяющих авторитетность сайта, и начать использовать более актуальные и регулярно обновляемые метрики от Moz, Majestic или Ahrefs.

Распределяйте анкоры с умом

Анкорный текст является одним из основных сигналов релевантности для Google, но он также может стать потенциальной ловушкой для тех, кто решит злоупотребить им. Неестественное распределение анкорного текста в контенте может обрушить ваш рейтинг или даже стать причиной штрафа со стороны поисковика. Попробуйте распределить свои ключевые слова по различным видам анкорных ссылок и не забывайте следить за соотношением этих ссылок с брендовыми и голыми анкорами. Помните, что прямое вхождение анкора не должно превышать 1%.

Создавайте качественный контент

Преимущества создания качественного и уникального контента обсуждались на всевозможных площадках столько раз, что мне даже неудобно снова поднимать этот вопрос в 2017 г. Скажем просто: если вы до сих пор создаете контент для поисковых систем, а не для людей, ваша линкбилдинг-стратегия совершенно точно потерпит неудачу. Точка. И тем не менее у многих людей старые привычки умирают с трудом. Безусловно, идея разместить дешевый контент часто выглядит весьма заманчивой, однако прямая связь между качеством контента и SEO-рейтингом сегодня становится слишком очевидной. Так что избавьтесь от некачественного копирайта и начните производить по-настоящему интересный и качественный контент, который придется читателю по душе.

Не игнорируйте социальные медиа

Хорошо, социальные медиа напрямую не влияют на ранжирование в Google, и вряд ли в этом смысле что-то изменится в 2017 г. Однако в настоящее время такие платформы, как Facebook и Twitter, настолько сильно влияют на то, как мы осуществляем поиск и обмениваемся контентом в Интернете, что было бы просто непростительно не обратить на них внимание. Преимущества такого метода с точки зрения SEO проявляются косвенно: продвижение вашего контента происходит через базу ваших подписчиков, которые, в свою очередь, показывают ваш контент своим подписчикам и т. д. Это надежная стратегия линкбилдинга, которую вы не имеете права игнорировать.

Заключение

Если говорить о линкбилдинге, то искушение воспользоваться запрещенными методиками будет жить вечно. Одна общая тенденция, которую мы наблюдали в течение последних нескольких лет с тех пор, как Penguin и Panda устроили переворот в SEO, заключается в том, что Google все более активно борется с методами, направленными на искусственное повышение рейтинга сайта. Мой совет прост: держитесь подальше от подобных методов и относитесь с большим подозрением к любым тактикам, которые могут показаться сомнительными.

Безусловно, нормальный линкбилдинг занимает куда больше времени. Действительно, на ранней стадии придется инвестировать больше средств и времени, прежде чем вы увидите результаты. Но в среднесрочной и долгосрочной перспективе вы получите ощутимый результат в виде надежного бэклинк-профиля, который сможет выдержать проверку временем.

Возврат к списку

pagerank — документация NetworkX 3.0

PageRank ( G , Alpha = 0,85 , Персонализация = Нет , MAX_ITER = 100 , TOL = 1E-06 , NSTART = None , Вес = ‘, = не )[источник]

Возвращает PageRank узлов графа.

PageRank вычисляет ранжирование узлов в графе G на основе структура входящих ссылок. Первоначально он был разработан как алгоритм ранжирования веб-страниц.

Параметры:

G график

График NetworkX. Неориентированные графы будут преобразованы в ориентированные граф с двумя ориентированными ребрами для каждого неориентированного ребра.

alpha float, необязательный

Параметр демпфирования для PageRank, по умолчанию = 0,85.

персонализация: dict, опционально

«Вектор персонализации», состоящий из словаря с ключ некоторое подмножество узлов графа и значение персонализации каждого из них. По крайней мере одно значение персонализации должно быть ненулевым. Если не указано, значение персонализации узлов будет равно нулю. По умолчанию используется равномерное распределение.

max_iter целое, необязательный

Максимальное количество итераций в решателе собственных значений степенного метода.

tol float, опционально

Допуск на погрешность, используемый для проверки сходимости в решателе степенного метода.

nstart словарь, необязательный

Начальное значение итерации PageRank для каждого узла.

вес ключ, дополнительный

Ключ данных Edge для использования в качестве веса. Если None веса установлены на 1.

висячие: dict, необязательный любые излишества. Ключ словаря — это узел, на который указывает отступ, и ключ словаря. value — это вес этого выступа. По умолчанию висячие узлы даны отступы по вектору персонализации (равномерные, если не указан). Это должно быть выбрано, чтобы привести к неприводимому переходу матрица (см. примечания в разделе google_matrix). Может быть обычным явлением оборванный дикт должен быть таким же, как дикт персонализации.

Возвращает:

pagerank словарь

Словарь узлов со значением PageRank

Поднимает:

PowerIterationFailedConvergence

Если алгоритм не сходится к заданному допуску в пределах указанного количества итераций мощности итерации метод.

См. также

google_matrix

Примечания

Вычисление собственного вектора выполняется методом степенной итерации и не имеет гарантии сходимости. Итерация остановится после допустимая ошибка len(G) * tol достигнута. Если количество итераций превышает max_iter , a networkx.exception.PowerIterationFailedConvergence исключение Поднялся.

Алгоритм PageRank был разработан для ориентированных графов, но этот Алгоритм не проверяет, направлен ли входной граф и будет ли он выполняться на неориентированных графах путем преобразования каждого ребра в ориентированный граф с двумя ребрами.

Каталожные номера

[1]

А. Лангвиль и К. Мейер, «Обзор собственных векторных методов поиска информации в Интернете». http://citeseer.ist.psu.edu/713792.html

[2]

Пейдж, Лоуренс; Брин, Сергей; Мотвани, Раджив и Виноград, Терри, Рейтинг цитируемости PageRank: наведение порядка в сети. 1999 г. http://dbpubs.stanford.edu:8090/pub/showDoc.Fulltext?lang=en&doc=1999-66&format=pdf

Примеры

 >>> G = nx.DiGraph(nx.path_graph(4))
>>> pr = nx.pagerank(G, альфа=0,9)
 

Google PageRank — Алгоритм

Алгоритм PageRank

Оригинальный алгоритм PageRank был описан Лоуренсом Пейджем и Сергеем Брином в нескольких публикациях. Это дается

PR(A) = (1-d) + d (PR(T1)/C(T1) + … + PR(Tn)/C(Tn))

где

	PR(A) — PageRank страницы A,
	PR(Ti) — это PageRank страниц Ti, которые ссылаются на страницу A,
	C(Ti) — это количество исходящих ссылок на странице Ti, а
90 коэффициент демпфирования, который может быть установлен от 0 до 1.

Итак, во-первых, мы видим, что PageRank не ранжирует веб-сайты в целом, а определяется для каждой страницы в отдельности. Кроме того, PageRank страницы A рекурсивно определяется PageRank тех страниц, которые ссылаются на страницу A.

PageRank страниц Ti, которые ссылаются на страницу A, не оказывает равномерного влияния на PageRank страницы A. В рамках алгоритма PageRank PageRank страницы T всегда взвешивается количеством исходящих ссылок C(T) на странице T. Это означает, что чем больше исходящих ссылок имеет страница T, тем меньше пользы страница A получит от ссылки на страницу T. это на стр. т.

Затем суммируется взвешенный PageRank страниц Ti. Результатом этого является то, что дополнительная входящая ссылка для страницы A всегда будет увеличивать PageRank страницы A.

Наконец, сумма взвешенных PageRank всех страниц Ti умножается на коэффициент демпфирования d, который может быть установлен в диапазоне от 0 до 1. Таким образом, расширение преимущества PageRank для страницы за счет другой страницы, ссылающейся на нее, уменьшается.

Модель случайного серфера

В своих публикациях Лоуренс Пейдж и Сергей Брин дают очень простое интуитивное обоснование алгоритма PageRank. Они рассматривают PageRank как модель поведения пользователя, когда пользователь нажимает на ссылки случайным образом, не обращая внимания на контент.

Случайный пользователь посещает веб-страницу с определенной вероятностью, которая зависит от PageRank страницы. Вероятность того, что случайный пользователь нажмет на одну ссылку, определяется исключительно количеством ссылок на этой странице. Вот почему PageRank одной страницы не полностью передается странице, на которую она ссылается, а делится на количество ссылок на странице.

Таким образом, вероятность того, что случайный посетитель достигнет одной страницы, равна сумме вероятностей того, что случайный посетитель перейдет по ссылкам на эту страницу. Теперь эта вероятность уменьшается на коэффициент демпфирования d. Таким образом, модель случайного просмотра основана на том, что пользователь не нажимает на бесконечное количество ссылок, а иногда ему становится скучно, и он случайным образом переходит на другую страницу.

Вероятность того, что случайный посетитель не остановится, чтобы щелкнуть ссылку, определяется коэффициентом демпфирования d, который, в зависимости от степени вероятности, устанавливается между 0 и 1. Чем выше значение d, тем более вероятно, что случайный пользователь продолжайте нажимать ссылки. Поскольку пользователь случайным образом переходит на другую страницу после того, как перестал нажимать на ссылки, поэтому вероятность реализована в алгоритме как константа (1-d). Независимо от входящих ссылок вероятность того, что случайный пользователь перейдет на страницу, всегда равна (1-d), поэтому страница всегда имеет минимальный PageRank.

Другое обозначение алгоритма PageRank

Лоуренс Пейдж и Сергей Брин опубликовали две разные версии своего алгоритма PageRank в разных газетах. Во второй версии алгоритма PageRank страницы А равен

.

PR(A) = (1-d) / N + d (PR(T1)/C(T1) + … + PR(Tn)/C(Tn))

, где N — общее количество всех страниц в сети. Второй вариант алгоритма, действительно, принципиально не отличается от первого. Что касается модели Random Surfer Model, PageRank второй версии страницы представляет собой фактическую вероятность того, что посетитель попадет на эту страницу после перехода по многим ссылкам. Затем рейтинги страниц формируют вероятностное распределение по веб-страницам, поэтому сумма рейтингов страниц всех страниц будет равна единице.

Напротив, в первой версии алгоритма вероятность того, что случайный посетитель достигнет страницы, взвешивается по общему количеству веб-страниц. Итак, в этой версии PageRank является ожидаемым значением для случайного пользователя, посещающего страницу, когда он перезапускает эту процедуру столько раз, сколько страниц в сети. Если бы в Интернете было 100 страниц и страница имела значение PageRank, равное 2, случайный посетитель достиг бы этой страницы в среднем дважды, если бы он перезапустился 100 раз.

Как было сказано выше, две версии алгоритма принципиально не отличаются друг от друга. PageRank, который был рассчитан с использованием второй версии алгоритма, должен быть умножен на общее количество веб-страниц, чтобы получить соответствующий PageRank, который был бы рассчитан с использованием первой версии. Даже Пейдж и Брин перепутали две версии алгоритма в своей самой популярной статье «Анатомия крупномасштабной гипертекстовой поисковой системы в Интернете», где они утверждают, что первая версия алгоритма формирует распределение вероятностей по веб-страницам с суммой PageRank всех страниц один.

В дальнейшем мы будем использовать первую версию алгоритма. Причина в том, что вычисления PageRank с помощью этого алгоритма легче вычислить, потому что мы можем не учитывать общее количество веб-страниц.

Характеристики PageRank

Характеристики PageRank должны быть проиллюстрированы небольшим примером.

Мы рассматриваем небольшую сеть, состоящую из трех страниц A, B и C, где страница A ссылается на страницы B и C, страница B ссылается на страницу C, а страница C ссылается на страницу A. Согласно Пейджу и Брину, коэффициент демпфирования d обычно устанавливается равным 0,85, но для простоты вычислений мы устанавливаем его равным 0,5. Точное значение коэффициента демпфирования d, по общему признанию, влияет на PageRank, но не влияет на фундаментальные принципы PageRank. Итак, мы получаем следующие уравнения для расчета PageRank:

PR(A) = 0,5 + 0,5 PR(C)
PR(B) = 0,5 + 0,5 (PR(A)/2)
PR(C) = 0,5 + 0,5 (PR(A)/2 + PR(B) ))

Эти уравнения легко решаются. Мы получаем следующие значения PageRank для отдельных страниц:

.

PR(A) = 14/13 = 1,07692308
PR(B) = 10/13 = 0,76923077
PR(C) = 15/13 = 1,15384615

Очевидно, что сумма PageRank всех страниц равна 3 и, таким образом, равна общему количеству веб-страниц. Как показано выше, это не является конкретным результатом для нашего простого примера.

Для нашего простого примера с тремя страницами легко решить соответствующую систему уравнений для определения значений PageRank. На практике сеть состоит из миллиардов документов, и найти решение путем проверки невозможно.

Итеративное вычисление PageRank

Из-за размера реальной сети поисковая система Google использует приближенное итеративное вычисление значений PageRank. Это означает, что каждой странице присваивается начальное начальное значение, а затем PageRank всех страниц рассчитывается в нескольких вычислительных циклах на основе уравнений, определяемых алгоритмом PageRank. Итеративный расчет снова будет проиллюстрирован нашим примером с тремя страницами, где каждой странице присваивается начальное значение PageRank, равное 1.

Iteration	PR(A)	PR(B)	PR(C)
0	1	1	1
1	1	0.75	1.125
2	1.0625	0.765625	1.1484375
3	1. 07421875	0.76855469	1.15283203
4	1.07641602	0.76910400	1.15365601
5	1.07682800	0.76920700	1.15381050
6	1.07690525	0.76922631	1.15383947
7	1.07691973	0.76922993	1.15384490
8	1,07692245	0,76923061	1,15384592
9	22,076796	0.76923074	1.15384611
10	1.07692305	0.76923076	1.15384615
11	1.07692307	0.76923077	1.15384615
12	1.07692308	0.76923077	1.15384615

Мы видим, что получаем хорошее приближение к реальным значениям PageRank уже после нескольких итераций. Согласно публикациям Лоуренса Пейджа и Сергея Брина, необходимо около 100 итераций, чтобы получить хорошее приближение значений PageRank всей сети.

Кроме того, благодаря итеративному вычислению сумма PageRank всех страниц по-прежнему сходится к общему количеству веб-страниц. Таким образом, средний PageRank веб-страницы равен 1. Минимальный PageRank страницы определяется как (1-d). Следовательно, для страницы существует максимальный PageRank, который определяется как dN+(1-d), где N — общее количество веб-страниц. Теоретически этот максимум может иметь место, если все веб-страницы ссылаются исключительно на одну страницу, а эта страница также ссылается исключительно на себя.

Реализация PageRank

PageRank и Google являются товарными знаками Google Inc., Маунтин-Вью, Калифорния, США. PageRank защищен патентом США 6 285 999.

Содержание этого документа может быть воспроизведено в Интернете при условии включения уведомления об авторских правах и наличия прямой HTML-гиперссылки на соответствующую страницу на pr.