Матрикснет — это метод машинного обучения, который Яндекс представил в конце 2009 года вместе с поисковой программой «Снежинск». Для отрасли это был перелом: до него ранжирование можно было разобрать на составляющие и просчитать, после него — нет. Я работаю в SEO с 2005 года и застал обе эпохи, поэтому разберу не столько техническое устройство алгоритма, сколько то, что он изменил в работе оптимизатора.
Что было до Матрикснета: эпоха формул
В середине двухтысячных ранжирование строилось на формуле, которую составляли люди. Инженеры отбирали факторы — плотность слов в тексте, вхождения в заголовок, объём документа, количество и качество входящих ссылок, возраст домена — и присваивали каждому вес. Формула была большой, но конечной и в целом линейной.
Из этого следовал понятный способ работы: раз есть формула, её можно исследовать. Оптимизаторы ставили эксперименты, замеряли, при каком количестве вхождений страница поднимается, где начинается штраф за переспам, сколько ссылок нужно докупить для перехода на следующую позицию. Продвижение было ремеслом с воспроизводимыми рецептами, и рецепты действительно работали — до очередного обновления.
Проблема была на стороне поисковика. Каждый новый фактор приходилось встраивать в формулу вручную, подбирая коэффициенты, а факторы взаимодействуют между собой нелинейно. Ручная настройка упиралась в потолок примерно на нескольких десятках параметров.
Как устроен Матрикснет
Матрикснет — реализация градиентного бустинга на решающих деревьях. Идея в следующем: вместо одной большой формулы строится множество простых правил вида «если фактор А больше порога и фактор Б меньше порога, добавь к оценке столько-то». Каждое следующее дерево обучается исправлять ошибки предыдущих. В сумме тысячи таких деревьев дают модель, которая улавливает сложные зависимости между факторами.
Ключевое отличие от прежнего подхода: веса никто не назначает руками. Модель подбирает их сама, минимизируя расхождение между своим предсказанием и эталонной оценкой. Это позволило поднять число учитываемых факторов с десятков до тысяч и включать в них то, что раньше было неформализуемо: сочетания сигналов, зависящие от типа запроса, региона, устройства и класса сайта.
| Параметр | До Матрикснета | После |
|---|---|---|
| Кто задаёт веса факторов | Инженеры вручную | Модель в процессе обучения |
| Число факторов | Десятки | Тысячи |
| Зависимость от типа запроса | Одна формула на всё | Разные веса для разных классов запросов |
| Учёт региона | Ограниченный | Встроен в обучение |
| Возможность обратной инженерии | Реальна | Практически невозможна |
| Скорость внедрения нового фактора | Долгая ручная настройка | Добавить в набор и переобучить |
Асессоры: откуда берётся эталон
Любая обучаемая модель нуждается в примерах правильных ответов. В поиске такими примерами служат оценки асессоров — специально обученных людей, которые смотрят пару «запрос и страница» и выставляют оценку релевантности по шкале: от витального ответа, когда страница является именно тем, что искали, до полностью нерелевантного и спамного.
Асессоры работают по подробной инструкции. Они оценивают не «оптимизированность» страницы, а способность документа закрыть задачу пользователя: есть ли на странице ответ, полный ли он, актуальный ли, удобно ли им пользоваться, не мешает ли реклама, вызывает ли сайт доверие.
Дальше на этих оценках обучается модель. Она ищет, какие сочетания измеримых признаков чаще встречаются у страниц с высокой асессорской оценкой. Качество модели измеряется тем, насколько её порядок выдачи совпадает с порядком, который выставили бы люди — Яндекс использует для этого собственную метрику, учитывающую и оценки, и вероятность того, что пользователь дойдёт до конкретной позиции.
Важное следствие, которое часто упускают: асессор не может понизить конкретный сайт. Его оценка попадает не в выдачу, а в обучающую выборку. Влияние идёт через модель и распространяется на все похожие документы сразу.
Почему единой формулы больше нет
Формально формула существует — это обученная модель. Но она непригодна для интерпретации человеком, и причин тому три.
| Причина | Что это значит на практике |
|---|---|
| Число факторов и связей между ними огромно | Вклад отдельного признака нельзя выделить из общей оценки |
| Модель регулярно переобучается | Найденная сегодня зависимость завтра не воспроизводится |
| Наборов весов много, а не один | Одна и та же правка по-разному влияет на коммерческий и информационный запрос |
Отсюда вывод: «подогнать» сайт под формулу больше нельзя. Раньше можно было выяснить оптимальную длину заголовка и получить прирост. Сейчас та же правка на разных классах запросов даст разный результат. Оптимизируют не формулу, а то, что она измеряет, — качество ответа пользователю.
Что было дальше
Матрикснет стал основой, на которую потом наслаивались новые технологии. Сначала появились алгоритмы, научившиеся сопоставлять смысл запроса и текста, а не только слова: сперва на уровне заголовков, затем на уровне всего документа. Позже поиск перешёл к моделям на архитектуре трансформеров, которые оценивают текст ближе к тому, как это делает человек.
| Этап | Что добавилось | Что это значило для оптимизатора |
|---|---|---|
| Машинное обучение в ранжировании | Тысячи факторов, обучение на оценках | Конец эпохи воспроизводимых рецептов |
| Смысловое сопоставление запроса и текста | Понимание синонимов и переформулировок | Точное вхождение перестало быть обязательным |
| Анализ документа целиком | Оценка всего содержимого, а не заголовка | Выросла роль полноты раскрытия темы |
| Нейросетевые модели текста | Оценка качества и естественности изложения | Тексты «для робота» стали бесполезны |
Общее направление одно: каждый следующий шаг сокращал разрыв между тем, что измеряет машина, и тем, что считает полезным человек. Именно поэтому обходные приёмы живут всё меньше.
Что из этого следует практически
Первое. Ориентиром становится не набор параметров, а асессорская инструкция. Если открыть публичные описания критериев оценки, вы получите почти готовый список требований к посадочной странице: понятно, о чём страница; ответ на запрос виден без прокрутки; информация актуальна; есть подтверждение надёжности; ничего не мешает читать.
Второе. Эксперименты остаются, но меняют характер. Проверять надо не «сколько вхождений оптимально», а гипотезы уровня «если добавить на страницы услуг блок с ценами и сроками, вырастет ли трафик и конверсия». Такие проверки делаются на сегменте страниц, с контрольной группой и горизонтом в два-три месяца.
Третье. Сравнение с топом становится главным диагностическим приёмом. Модель обучена так, что в топе находятся документы, максимально похожие на эталон по совокупности признаков. Значит, разбор десятки выдачи — это самый доступный способ увидеть, что модель считает хорошим ответом на конкретный запрос. Этот приём я закладываю в любой аудит сайта.
Четвёртое. Растёт цена системной работы. Один сильный фактор больше не вытягивает документ. В условиях, когда учитываются тысячи признаков, побеждает сайт, у которого нет провалов ни по технике, ни по контенту, ни по коммерческим данным, ни по поведению пользователей.
Практический разбор: как это выглядит в работе
Возьмём типичную ситуацию: страница услуги стоит на двенадцатой позиции и не двигается. В логике формулы следовало бы добавить вхождений и купить ссылок. В логике машинного обучения порядок другой.
Сначала я смотрю, что общего у документов из первой пятёрки: формат страницы, объём, набор смысловых блоков, наличие цен, примеров, отзывов, скорость загрузки, тип сайта. Затем сверяю свою страницу по каждому пункту и выписываю расхождения. Дальше смотрю поведенческие данные по своей странице: доскроллы, время, возвраты в выдачу. И только потом формирую задачу — обычно она состоит из пяти-семи конкретных доработок, а не из «переписать текст».
Результат такой работы проявляется медленнее, чем в старые времена, но он устойчивее: изменения не откатываются при следующем обновлении алгоритма, потому что улучшают ровно то, что алгоритм измеряет.
Чего делать не стоит
- Искать «секретные факторы» и точные пороги. Их нет в том виде, в каком их ищут: значение признака зависит от контекста запроса.
- Верить сервисам, обещающим рассчитать «идеальную оптимизацию текста». Они опираются на усреднение по топу и не воспроизводят логику модели.
- Пытаться воздействовать на асессоров. Их оценки идут в обучающую выборку, а не в выдачу конкретного сайта.
- Делать выводы по одному запросу. Колебания на единичной фразе — шум, значимы только изменения по группе.
- Менять всё сразу. При тысяче факторов невозможно понять причину, если правок было двадцать одновременно.
- Считать, что раз формулы нет, то и делать нечего. Наоборот: измеримых требований к качеству стало больше.
Частые вопросы
Матрикснет всё ещё работает? Да, градиентный бустинг остаётся частью системы ранжирования, но поверх него давно надстроены нейросетевые модели. Правильнее говорить не об одном алгоритме, а о слоёной системе, где машинное обучение отвечает за итоговый порядок выдачи.
Можно ли вычислить веса факторов экспериментами? На уровне отдельного сайта — нет. Для этого нужны выборки в миллионы документов и контроль всех переменных, чего у оптимизатора не бывает. Реально проверяются только направления: помогла правка или нет.
Означает ли машинное обучение, что техническая оптимизация не нужна? Нет. Технические признаки остаются факторами. Просто они перестали быть достаточными: чистая техника без содержания и коммерческих данных в топ не выводит.
Почему у Google логика похожая? Потому что задача та же: приблизить машинную оценку к человеческой. Google обучает модели на оценках своих асессоров по публично опубликованному руководству. Инструменты разные, принцип общий.
Стоит ли изучать это владельцу бизнеса? В деталях — нет. Достаточно понимать вывод: поиск оценивает сайт целиком и приближённо так же, как его оценил бы внимательный человек. Если интересна механика, есть смысл в обучении SEO хотя бы на базовом уровне — это защищает от подрядчиков, обещающих «настройку под алгоритм».
Чеклист
- Работа планируется от качества ответа пользователю, а не от параметров текста.
- Приоритетные запросы разобраны по топу: выписаны общие черты документов из первой пятёрки.
- Посадочная страница сверена с этим списком по каждому пункту.
- Проверено соответствие интента: коммерческий запрос — коммерческая страница.
- Учтена региональность: для геозависимых запросов проверена привязка и наличие локальных данных.
- Нет провалов по базовым блокам: индексация, скорость, мобильная версия, цены, контакты.
- Гипотезы проверяются на группах страниц с контрольной группой, а не на одной странице.
- Горизонт оценки результата — не меньше двух месяцев.
- Тексты пишутся под читателя, машинная «оптимальная плотность» не используется.
- Изменения фиксируются с датами, чтобы отличить эффект правок от обновления алгоритма.
Матрикснет закрыл эпоху, когда продвижение сводилось к угадыванию коэффициентов. Взамен он дал предсказуемость другого рода: чтобы понять, чего хочет поиск, достаточно посмотреть, чего хочет пользователь. Это сложнее в исполнении, но честнее и устойчивее.
Если нужно раскрутка сайта в Яндексе — помогу вывести сайт в топ Яндекса и удержать позиции.
Увеличьте позиции и продажи вашего сайта
Профессиональное SEO-продвижение с гарантией результата. Выберите подходящую услугу:
Остались вопросы по продвижению?
Меня зовут Анатолий Кузнецов, я SEO-оптимизатор с 20-летним стажем. Разберу ваш сайт, отвечу на вопросы и подскажу, что улучшить для роста позиций в Яндексе и Google.
Связаться со мной →
Старт 
Стандарт 
Премиум 
