谷歌大揭秘：超1.4万属性曝光！跨境卖家产品评论SEO新攻略。

一场突如其来的数据泄露事件，如同一道闪电划破了搜索引擎优化（SEO）行业的平静天际。2024年5月27日，数千页谷歌内部文档的分析与公开，彻底改变了业界对谷歌核心算法机制的理解。这些文件据称源自谷歌的Content Warehouse API，在2024年3月13日左右被一个自动化机器人yoshi-code-bot无意中发布到一个公开的GitHub存储库，并一直保持可访问状态，直至同年5月7日才被撤下。此次意外曝光，为我们提供了一个难得且详细的视角，得以一窥谷歌数据存储与检索系统的内部架构。

谷歌内部文件泄露事件始末：一场数据风暴揭秘搜索核心

事件概述与各方回应

新媒网跨境获悉，此次泄露的文件数量庞大，内容横跨超过2500页，详细描述了2596个不同的模块，其中包含了14014个属性或“特征”。这些属性代表着谷歌针对网页文档、网站、链接及用户交互所收集和存储的具体数据类型。

泄露事件发生后，文件的真实性迅速得到了多位前谷歌员工的证实。他们在审阅后确认，这些文件“具有谷歌内部API的所有特征”。随后，谷歌发言人也正式确认了文档的合法性，但同时也发出警告：“我们提醒大家不要基于脱离上下文、过时或不完整的信息，对搜索排名机制做出不准确的假设。”

此次泄露事件的重要性，因其与美国司法部（DOJ）反垄断审判证词的相互印证而进一步凸显。在审判中，诸如NavBoost等关键内部系统（也在泄露文件中详细提及）在宣誓下被描述。尽管谷歌提出了警告，但结合泄露文档与审判证词所揭示的内幕，这构成了迄今为止最深入了解谷歌内部系统的机会，为解构搜索排名机制提供了宝贵的资源。

谷歌搜索排名机制深度拆解：从“初审”到“微调”的复杂管道

泄露的文档，结合美国司法部反垄断审判的证词，清晰地表明“谷歌算法”并非一个单一的整体，而是一个复杂的多阶段处理管道。理解这一架构，对于明确产品评论相关信号的应用场景至关重要。

这一管道的关键阶段可概括如下：

• 初级评分（Mustang）： 排名系统的第一阶段由名为Mustang的系统负责。它被描述为主要的评分、排名和服务系统，负责对从索引中检索到的文档进行首轮评估，以生成一组初步的结果。该系统必须能够访问一组核心质量信号，才能高效地执行其功能。
• 重排（Twiddlers）： 经过Mustang的初步评分后，结果会通过一系列名为Twiddlers的重排函数进行调整。这些是专门的C++代码对象，可以根据初始评分阶段可能未使用的大量信号，修改文档的信息检索（IR）得分或更改其排名。泄露文件提到了多种Twiddlers，包括用于提升新内容的FreshnessTwiddler，以及至关重要的QualityBoost，它根据质量信号提升排名。这表明，在初步检索之后，存在一个专门的机制，用于根据对内容质量的更深入评估来完善排名。
• 用户信号反馈（NavBoost）： 排行修改的第三个关键层面来自NavBoost系统。泄露文件和美国司法部审判都证实，NavBoost利用来自用户行为的点击驱动指标来提升、降级或以其他方式调整搜索排名。该系统分析各种点击指标，例如良好点击（goodClicks）、不良点击（badClicks）和最后最长点击（lastLongestClicks），这些指标作为用户满意度和内容相关性的强大代理。这形成了一个持续的反馈循环，其中真实的用户参与验证或挑战了早期阶段的算法质量评估。

这种架构揭示了一个复杂、多层次的评估过程。一个产品评论页面不会被分配一个单一、静态的质量分数。相反，它在Mustang进行初级评分时会经历初步的质量评估。其排名随后可以由QualityBoost Twiddler根据更细致的质量信号进行进一步调整。最后，它在搜索引擎结果页面（SERP）中的位置会根据实际用户的可观察行为，通过NavBoost持续得到强化或削弱。这是一个动态系统，其中内在质量和外在用户验证协同作用，共同决定最终排名。

核心揭秘：CompressedQualitySignals模块与产品评论评估

模块的定位与重要性

在质量评估的讨论中，CompressedQualitySignals模块居于核心地位。文档将此模块的目的描述为包含“压缩并包含在Mustang和TeraGoogle中的每个文档信号”。这一描述具有深远的意义。首先，它将该模块中的信号直接与主要的排名系统Mustang关联起来，证实了它们在初始评分过程中的使用。其次，它将这些信号与核心索引系统TeraGoogle联系起来，表明这些信号与给定文档的基础数据一同存储。

该文档还为谷歌工程师提供了一个关键警告：“注意：对于TeraGoogle，这些数据以非常有限的服务内存（闪存存储）为海量文档提供服务。”这一技术限制有力地表明了该模块中包含的信号的重要性。在任何大规模数据架构中，最快、最昂贵的存储（如闪存）都保留给必须以最小延迟访问的数据。文档指出，这些信号用于“初步评分”，这是排名过程的第一个阶段，在这个阶段，数十亿个文档必须在几毫秒内被过滤和评分。因此，一个信号要被纳入这个对性能至关重要的存储层，它必须被认为是初始高速过滤搜索结果的绝对必需品。

因此，产品评论属性存在于CompressedQualitySignals模块中，将其地位从次要数据点提升为构成搜索排名管道核心功能的关键基础信号。

产品评论相关属性的细致解读

在高优先级CompressedQualitySignals模块内，文档明确定义了一套与产品评论评估直接相关的属性：

• productReviewPPreviewPage：一个代表“页面为评论页面的可能性”的分数。
• productReviewPUhqPage：一个代表“页面为高质量评论页面的可能性”的分数。
• productReviewPPromotePage：一个用于提升特定评论页面的置信度分数。
• productReviewPDemotePage：一个用于降级特定评论页面的置信度分数。
• productReviewPPromoteSite：一个根据网站评论提升整个网站的置信度分数。
• productReviewPDemoteSite：一个根据网站评论降级整个网站的置信度分数。

这些属性提供了具体的证据，证明谷歌拥有一套专门的、多阶段的系统，用于算法分类、评估和处理评论内容的质量。

“置信度”：机器学习如何量化评估

关于提升和降级属性的技术描述中，包含了一句注释：“产品评论降级/提升置信度。（乘以1000并取整）”。

“置信度”是机器学习领域中的特定术语。置信度分数是分类模型生成的概率输出，通常是介于0和1（或0和100）之间的值。它表示模型对于给定输入属于特定类别的确定性。例如，如果productReviewPPromotePage的置信度为950（乘以1000后），则表示模型有95%的把握认为该页面是值得提升的高质量评论。

括号中的“(乘以1000并取整)”指的是一种常见的工程优化，即将浮点数（如0.950）转换为整数（如950），以节省存储空间并减少处理过程中的计算开销。

这一技术细节证实，谷歌并非使用简单的二元标记（即“好评论”或“坏评论”）。相反，一个复杂的机器学习模型正在根据多种特征分析评论页面，以生成一个细致入微的、代表页面或网站“值得推广”或“值得降级”概率的精确分数。

页面级与站点级：四象限评估体系

这些属性的完整集合揭示了一个全面的四象限评论评估系统，允许在页面和站点层面进行细致的调整。这种结构与谷歌的公共指南完美契合，该指南指出，虽然评论系统主要关注页面层面，但如果发现“大量”内容质量低下，则可以应用全站范围的信号。

• 页面级操作（...PromotePage, ...DemotePage）： 谷歌可以通过productReviewPPromotePage信号，对单个高质量评论页面进行有针对性的提升。反之，它可以通过productReviewPDemotePage信号惩罚单个低质量评论，而不会影响域名的其余部分。
• 站点级操作（...PromoteSite, ...DemoteSite）： 系统会汇总这些页面级评估。一个持续产生优秀评论的网站可能会触发productReviewPPromoteSite信号，从而获得全站范围的提升。相反，一个累积了大量无用评论内容的网站，则有可能触发productReviewPDemoteSite分类器，这可能会抑制整个域名的可见性，包括其高质量页面。

这形成了一个对称的风险与回报结构。虽然创建卓越的“英雄内容”有利于页面级提升，但更关键的长期策略是保持所有评论内容的高质量标准，以赢得全站范围的提升，更重要的是，要避免全站降级的灾难性影响。

多层级分类框架

评估过程并非单一判断，而是一个多阶段的管道，首先对内容进行分类，然后才决定采取何种行动。

• 第一步：基础分类（productReviewPPreviewPage）： 此属性代表初始分类步骤。在进行任何质量判断之前，模型首先计算给定文档是否为评论页面的可能性。此分数对于触发整个评论特定评估管道至关重要。
• 第二步：质量分级（productReviewPUhqPage）： 此属性表示更高级的分类层。它被描述为“页面为高质量评论页面的可能性”，表明谷歌有一个专门的分类器，经过训练可以识别“UHQ”（大概是超高质量）内容。页面必须可能通过此属性的高置信度阈值，才能被考虑进行最强烈的推广。

这些分类分数作为计算提升和降级置信度模型的关键输入，创建了一个从广泛识别到精细质量评估的复杂工作流程。

属性与更广泛系统的关联

这些提升和降级置信度分数并非孤立存在；它们被设计为由排名管道中的其他系统使用。

productReviewPPromotePage分数很可能是QualityBoost Twiddler的一个输入。作为“增强质量信号”的重排函数，QualityBoost是应用置信度分数所建议的提升的逻辑机制，在Mustang初步评分之后，向上调整高质量评论的排名。

productReviewPDemoteSite分数是2011年Panda算法更新所建立原则的现代化、更有针对性的演变。Panda旨在算法评估站点级质量，并降低整体低质量网站的排名。Panda的原则继续影响现代算法，productReviewPDemoteSite属性可以被理解为其直接后代，专门应用于产品评论垂直领域，进行类似的站点级质量评估。

信任生态系统：作者与站点权威性如何影响评论

productReviewPPromotePage和productReviewPDemoteSite的置信度分数并非基于单一因素计算。它们是机器学习模型输出的结果，该模型摄取了大量信号来确定质量。此次泄露提供了强有力的证据，表明了该模型的几个关键输入，揭示了一个相互关联的信任信号生态系统。

siteAuthority：站点权威性的基石

多年来，谷歌的代表一直公开否认存在“域名权威”指标。此次泄露明确证实，在关键的CompressedQualitySignals模块中存在一个名为siteAuthority的特征。

此属性很可能作为评论评估模型中的基础信号。在一个siteAuthority得分较低的域名上，即使productReviewPPromotePage的置信度分数很高，其权重也必然低于在siteAuthority得分较高的域名上的同等分数。网站的整体权威性为单个评论页面的可信度提供了必要的上下文。

作者实体化：从身份到声誉

E-E-A-T（经验、专业性、权威性、可信赖性）的概念不仅仅是人工评估者的指导方针；它正在被算法量化。泄露文件显示，谷歌明确存储作者信息，并具有一个功能来确定页面上提及的实体是否也是该页面的作者（isAuthor）。

此外，诸如WebrefMentionRatings等模块包含一个authorReputationScore，直接衡量作者的权威性。这些作者实体信号几乎肯定是产品评论质量模型的主要输入。由具有高authorReputationScore的作者撰写的评论，其被归类为“值得推广”的概率，显著高于匿名评论或来自未知实体的评论。

内容层面的原创性与投入

谷歌针对评论系统的公共指南严格惩罚“仅仅总结一系列产品的薄弱内容”，并奖励“深入分析和原创研究”。此次泄露通过OriginalContentScore和最值得注意的contentEffort等属性，揭示了这种评估的机械基础。

contentEffort属性位于QualityNsrPQData模块中，被描述为“对文章页面的基于LLM的努力估计”，提供了对创建一段内容所投入的人力劳动和资源的直接算法衡量。

这些属性提供了原创性和内容创作投入水平的量化衡量。较低的OriginalContentScore将是强有力的特征，表明评论是衍生性的，使其成为高productReviewPDemoteSite置信度分数的首要候选。

T* 主题相关性系统：搜索基础的ABC信号

在进行任何质量评估之前，文档必须首先被认定与用户的查询相关。美国司法部诉谷歌反垄断审判的证词显示，这种基本的、依赖于查询的相关性是由一个正式的、工程化的系统——T*（主题性）计算的。

该系统作为“基础分数”，回答了根本性的问题：该文档与此搜索查询中使用的特定术语有多大关联？

T* 分数由三个核心信号组成，内部称为“ABC信号”：

• A – 锚文本（Anchors）： 该信号源自指向目标文档的超链接的锚文本。谷歌搜索副总裁Pandu Nayak的证词证实，锚文本提供了“在决定目标页面与何物相关时非常有价值的线索”。这证实了其他网站对页面内容的评价，作为其主题的有力信号，具有持久的重要性。
• B – 正文（Body）： 这是最传统的信息检索信号，基于查询词在文档文本内容中的存在和显著性。Nayak作证称，“最基本且在某些方面最重要的信号是页面上的词语”，强调文档“自述”的内容“实际上是至关重要的”，用于建立其主题性。
• C – 点击（Clicks）： 该信号是审判中最重要的确认之一，直接来自汇总的用户行为。具体来说，它结合了“用户在特定链接页面停留了多长时间才返回SERP”（停留时间）等指标。在这一基础相关性评分层面纳入直接的用户参与度指标，凸显了用户反馈对谷歌核心排名逻辑的中心地位。

然而，证词也揭示了谷歌对将原始点击数据作为质量代理的谨慎。一项内部评估发现，“人们倾向于不成比例地点击低质量、低权威性的内容”。一位证人警告称，“如果我们过于受点击的引导，我们的结果质量将低于我们设定的目标。”这表明，虽然用户行为是相关性的关键输入，但它会与其他质量和权威性信号仔细平衡，以防止推广点击诱饵而非真正可信的内容。

主题权威性：站点的专业深度

评论的可信度也受到其上下文的影响。此次泄露详细说明了siteFocusScore等属性，该属性衡量网站对单一主题的专注程度，以及siteRadius，该属性衡量特定页面的主题与网站核心主题的偏离程度。

关于高性能显卡的产品评论，如果发布在一个对计算机硬件具有高siteFocusScore的网站上，其可信度自然高于出现在一个普通生活方式博客上的相同评论。这种主题一致性——或者一些SEO从业者所定义的主题权威性——是专业性和权威性的有力信号，它很可能是评论质量模型使用的另一个关键特征。

站点整体健康度与一致性信号

除了主题性，泄露文件还指向了评估网站整体用户体验和质量一致性的属性。例如，clutterScore是一个站点级信号，它惩罚那些包含大量分散注意力或令人恼怒的资源（如侵扰性广告或遮挡主要内容的弹窗）的网站。这与搜索质量评估指南直接吻合，该指南指示人工评估者对用户体验受阻的页面给予低评级。

此外，siteQualityStddev属性衡量了整个网站页面质量评级的标准差。此指标的存在意味着谷歌重视一致性；一个页面质量普遍很高的网站，可能比一个质量波动不定（既有优秀页面也有非常差页面）的网站获得更优惠的评分，这强化了全站质量控制的必要性。

从公共指南到内部机制：谷歌理念的量化呈现

E-E-A-T与评论系统：指南的算法映射

泄露文件表明，E-E-A-T等概念和评论系统的原则并非抽象的理想，而是可量化的工程问题。公共指南描述了期望的结果——一篇有帮助、可信赖、专家撰写的评论——而泄露的属性则描述了谷歌系统用来算法衡量页面朝着该结果进展的信号。

这些框架的每个组成部分都可以映射到特定的、可衡量的属性，这些属性作为机器学习模型的输入：

• 经验与专业性： 谷歌关于“展示你是专家”的建议通过isAuthor和authorReputationScore等属性进行衡量。contentEffort分数（很可能是“有用内容更新”[HCU]的核心技术组成部分）也作为专业性的有力代理。
• 权威性： 通过siteAuthority和siteFocusScore等站点级信号捕获。
• 可信赖性： 通过各种信号进行评估，包括最近美国司法部证词中证实的站点质量分数Q-Star (Q*)，以及OriginalContentScore等属性。最终，这些算法评估通过NavBoost（goodClicks vs. badClicks）的真实用户行为数据得到验证。
• 原创研究与证据： “提供视觉材料等证据”、“分享量化测量”和“涵盖可比较事物”的指南直接对应于提高OriginalContentScore和contentEffort分数，将内容与可以轻易复制的“薄弱”摘要区分开来。

productReviewPPromotePage和productReviewPDemoteSite的置信度分数是这种复杂计算的直接输出——对评论整体质量和有用性的算法评估。

“有用内容”理念与站点级降权

同样，谷歌“有用内容”系统（旨在降级大部分无用、“搜索引擎优先”内容的网站）的原则也反映在泄露的属性中。productReviewPDemoteSite属性是“有用内容”系统站点级分类器的具体算法体现，专门应用于产品评论垂直领域。

一个持续发布低投入、摘要式评论的网站正在创建无用内容，而此属性正是应用相应全站排名降级机制。

公共表述与内部文档的弥合

此次泄露揭示的最显著差异是谷歌公开淡化特定技术排名因素与内部文档中记录的14000多个因素之间的巨大鸿沟。

然而，泄露文件不一定会使谷歌的公共指南失效。相反，它为公共的“是什么”提供了技术上的“如何做”。公共指南描述了期望的结果——一篇有帮助、可信赖、专家撰写的评论。泄露的属性描述了谷歌系统用来算法衡量页面朝着该结果进展的信号。指南和机制是同一枚硬币的两面。

谷歌“评论系统”与“有用内容更新”的算法具象化

系列质量更新的历史脉络

自2021年4月8日首次“产品评论更新”开始，谷歌启动了一系列算法更新，统称为“评论系统”。此后又进行了多次更新，包括2021年12月1日、2022年3月23日、2022年7月27日、2022年9月20日、2023年2月21日、2023年4月12日和2023年11月8日的更新。

根据谷歌的文档，“评论系统旨在更好地奖励高质量评论，即提供有见地的分析和原创研究，并由了解该主题的专家或爱好者撰写的内容。”该系统的目标是“确保人们看到的是分享深度研究的评论，而不是仅仅总结一堆产品、服务或其他事物的薄弱内容。”

随后在2022年8月，谷歌推出了更广泛的“有用内容系统”和“有用内容更新”，该系统后来在2024年3月的谷歌算法更新中被整合到核心算法中。此次泄露的属性，直接展示了为实现这些目标而构建的内部机制。

指南要求如何转化为算法信号

评论系统的公共指南要求创作者产出“有见地的分析和原创研究”，并“由了解该主题的专家或爱好者撰写”的内容。Content Warehouse API泄露揭示了这些定性概念如何转化为可量化的信号：

• “有见地的分析和原创研究”通过contentEffort等属性进行算法衡量，该属性使用LLM估计页面所投入的人力劳动，以及OriginalContentScore，该属性量化了独创性。
• “由专家或爱好者撰写”通过作者实体信号（如isAuthor和authorReputationScore）进行量化，这些信号算法评估内容创作者的可信度。
• “提供视觉材料等证据”和第一手经验是提高OriginalContentScore和contentEffort分数的直接方式，将评论与简单摘要区分开来。

页面与站点的二元评估逻辑

至关重要的是，谷歌关于评论系统的文档指出，“评论系统主要在页面层面评估评论内容。然而，对于拥有大量评论内容的网站，网站内的任何内容都可能受到系统的评估。”

这种双层评估在泄露的属性中得到了完美体现。productReviewPPromotePage属性代表了对单个高质量评论的页面级提升，而productReviewPDemoteSite属性则是当检测到大量低质量评论内容时，应用全站信号的算法实现。

与有用内容系统的趋同

评论系统的全站信号的理念和机制与更广泛的有用内容系统（Helpful Content System, HCS）直接并行。HCS作为一个全站分类器被引入，旨在识别和降级大量无用、“搜索引擎优先”内容的网站。

productReviewPDemoteSite属性可以被理解为HCS理念的具体算法体现，但专门针对产品评论垂直领域进行了校准和应用。这表明谷歌的排名系统在全站范围内采取了一致的质量控制方法，即对系统性低质量内容进行域名层面的惩罚。

对评论及联盟网站SEO的战略启示

从Content Warehouse API泄露中获得的洞察力，使得任何严重依赖产品评论或联盟内容的网站，都必须重新调整其SEO策略。以下战略要点直接源于对泄露属性及其在更广泛排名生态系统中的功能的分析。

实体优先：投资作者和品牌

siteAuthority、isAuthor和authorReputationScore等属性的确认，标志着向以实体为中心的评估模型的明确转变。优化现在必须超越页面，延伸到负责内容的实体。

• 可行策略： 优先发展作者和品牌实体。对于作者而言，这包括创建全面的作者简介页面，确保所有内容中署名一致，并积极寻求其他有信誉网站对这些作者简介的提及和链接，以建立authorReputationScore。对于品牌而言，这意味着执行鼓励品牌搜索查询和建立真实世界权威的策略，以积极影响siteAuthority分数。

原创为王：超越“薄弱联盟内容”

OriginalContentScore的存在以及对低质量评论的降级信号，是对“薄弱联盟内容”的直接打击。像HouseFresh这样专业的评论网站的经验，在被大型媒体出版物超越后，其搜索流量曾一度下降91%（尽管新媒网跨境了解到，他们后来有所恢复），这严酷地警告我们，如果内容不被认为是独特有价值的，仅仅专业知识可能不足以应对。

• 可行策略： 大力投资创建无法轻易复制的独特资产。这包括专有测试数据、高质量的原创产品使用图片和视频，以及深入的定量分析。这些元素直接提高了“努力分数”和OriginalContentScore，为防止被归类为低质量并触发降级提供了最强大的防御。

管理站点整体质量阈值

productReviewPDemoteSite属性证实，低质量评论页面不仅仅是表现不佳的资产；它们是一种主动的负债，可能抑制整个域名的表现。

• 可行策略： 实施严格且定期的内容审核流程。SEO从业者必须准备好积极地删除、取消索引或实质性地大修过时、薄弱或低价值的评论内容。主要目标是将网站上无用内容的总体比例保持在触发全站降级信号的算法阈值以下。

以用户参与度优化作为质量代理

NavBoost系统及其对点击指标（goodClicks，lastLongestClicks）的依赖，起到了一个真实世界、大规模的用户测试面板的作用，验证了算法的质量评估。一个算法认为高质量但用户拒绝的页面，将无法维持其排名。

• 可行策略： 将转化率优化（CRO）和用户体验（UX）原则完全整合到SEO工作流程中。内容结构应以实现最大的可读性和参与度为目标。这包括使用清晰的标题、长文章的目录、引人注目的视觉效果和互动元素，以增加用户停留时间并最大限度地减少“Pogo-sticking”（用户返回SERP选择其他结果）。生成积极的NavBoost信号对于强化和维持高排名至关重要。

评论网站的后期技术SEO

尽管核心的揭示是战略性的，但技术执行对于确保谷歌系统能够正确解释所发送的信号仍然至关重要。

• 可行策略： 保持所有评论相关信号的完美技术卫生。这包括确保页面上的署名、URL结构和结构化数据中的日期一致性，以便向bylineDate、syntacticDate和semanticDate属性发送清晰的信号。此外，稳健且有效的评论和聚合评分（Review and AggregateRating）Schema实施至关重要，它能够清晰地向谷歌分类器传达页面的目的，从而使它们能够首先应用正确的评估模型。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/google-leak-14k-attributes-review-seo-guide.html