SEOの最重要特許ベスト10 その5 – フレーズベースのインデックス

21世紀の最初の10年間で世界最大の検索エンジンを作ったその人物は、その直後にグーグルに加わり、そして、そのテクノロジーをグーグルに委託したと見られている。この人物はグーグルで長年働き、ページ上に現れる重要なフレーズを基にページをインデックスする手法、フレーズがページで再び現れる仕組みに注目してページをまとめ、ランキングを変更する手法、フレーズを使ってスパムページおよび重複するコンテンツを持つページを特定する手法、そして、フレーズを利用してページに対するタクソノミーおよびスニペットを作成する手法を考案した。このフレーズベースのインデックスシステムは、グーグル爆弾に対抗する手段を与え、どの程度のアンカーテキストの関連性をリンクに渡すべきかを特定することが可能であった。

その後、当該の人物であるアンナ・パターソン氏はグーグルを去り、グーグルキラーとなるはずの検索エンジン、Cuil（クイル）を立ち上げたが、失敗に終わった。パターソン氏は再びグーグルに戻り、フレーズベースのシステムに取り組んでいるようである。

同氏が生み出したフレーズベースのインデックスシステムは3つの世代にまたがると言われており、3世代の特許で描かれている。

この特許ファミリーの1代目の世代は、2004年6月26日、またはその後の数年内に申請されていた。

2代目のフレーズベースのインデックスの特許は、2007年3月30日に申請されたようであり、フレーズベースのインデックスを大規模なデータシステムに導入する仕組みを描いていた。ただし、現在も審査中であり、まだ公表されていない2世代目の特許は他にも幾つかあるようだ。

そして、第1世代の特許の一つを再び申請し、付与された第3世代のフレーズベースのインデックスの特許がデビューを飾っている。

単一の単語のインデックス

ページに向かうリンクの品質と量を基に文書を格付けする仕組みに加え、グーグルは、検索されたクエリの用語もまた特定のページに現れているかどうかにも注目している。グーグルのマット・カッツ氏は、1本目のグーグル・ライブラリアン・ニュースレターの中で（ちなみにこのニュースレターは最近消えてしまったようだ）、グーグルのこのシステムを見事に説明していた。私はミシガン大学のウェブサイトでこの文書のコピーを発見した。この文書を基に私はこのエントリの残りを綴るつもりであり、是非、皆さんにも目を通してもらいたい。

このニュースレターは、グーグルが結果を集め、格付けしているのかと言う疑問を投げかけ、答えていた。読む際は特に「ポスティングリスト」のセクションに注意して欲しい。第2世代のフレーズベースのインデックスの特許を読み始めると、フレーズがポスティングリストに含まれると考えられる仕組みへ言及していることに気づくだろう。

フレーズベースのインデックス

多数の第1世代のフレーズベースのインデックスは2004年7月26日に申請されており、その大半の説明はほとんど同じだが、請求範囲が異なっていた。

私はフレーズベースのインデックスに関しては複数のエントリで取り上げており、このアプローチを最も詳しく紹介しているのが2006年12月29日に投稿した「フレーズベースの情報検索およびスパム検知」である（この先に進む前に一度立ち寄って、読んでおくことを強く勧める）。

フレーズベースのインデックスの特許 第1世代を取り上げたSEO by the Seaのエントリ:

• 2006年2月10日 – ページランクから移動: グーグルはフレーズに注目しているのか？
• 2006年5月19日 – グーグルは1000億ページを狙っているのか？
• 2009年9月16日 – フレーズベースのインデックスの特許がグーグルに付与される

フレーズベースのインデックスの特許を取り上げたSEO by the Seaのエントリ:

• 2009年3月15日 2009 – そのウェブサイトのトップフレーズは何ですか？
• 2010年4月7日 フレーシフィケーションおよびグーグルのフレーズベースのインデックスを再検討

フレーズ化のインデックスを支える推測とアプローチ

1) 良いフレーズとあまり役に立たないフレーズを見分けることは可能である。良いフレーズは例えば[ice cream]のようにフレーズ自体が意味を持つ。[ice]と[cream]だけとは異なる。良いフレーズとは[President of the]とは対照的に、[president of the United States]のように完全なフレーズである。 フレーズは単語1つの可能性もある。ドイツの羊飼い、もしくは、犬の種類を意味する[German Shepard]のように、複数のフレーズを持つ場合もある。

2) その他のフレーズと同時に現れる傾向のあるフレーズもある。例えば、[President of the United States]で検索を行い、10位、100位、もしくは1000以内の結果を見ると、[whitehouse]、[vice president]、[Oval Office]、または[Washington, DC]等関連する複数の用語がこれらのページに定期的に表示されている点に気づくのではないだろうか。検索エンジンは、これらの通常同時に現れる関連するフレーズを持つ傾向があるフレーズを検索結果で上位に押し上げる可能性がある。しかし、統計的に見てこのようなフレーズを必要以上に多く持っているページは、スパムと見なされるだろう。

3) 意味が複数あるフレーズに対しては、異なるタイプの関連するフレーズの“塊”が存在する可能性がある。例えば、フレーズが[German shepard]なら、上位（10位、100位、1000位）の検索結果に現れる一連の関連するフレーズに[kennel]、[dog collar]、[dog house]、[obedience training]等の用語が含まれている場合、このフレーズの1つの意味を示唆すると推測される。[German shepard]のフレーズでランクインしている2番目の文書のグループが[sheep herding]、[Germany]、[large flock]、そして、[Grazing space]等の用語を含んでいる場合、これらのフレーズは、ドイツの羊飼いを描写しており、2つ目の意味を示唆すると見られる。

4) フレーズまたは関連するフレーズ（当該のフレーズに対してページ上で同時に現れる傾向があるフレーズ）を含むページに向かうリンク内のアンカーテキストは、含まないページよりも重要視されるべきである。そのため、[miserable failure]等のテキスト使ってグーグル爆弾のターゲットになった米国大統領の経歴を含むページは、このページがこの用語に関連していないなら、[miserable failure]で上位にランクインさせる効果はない。数年前、グーグルは、フレーズ[miserable failure]を使ったジョージ W. ブッシュの経歴ページに対するグーグル爆弾を葬ったと発表していた。そして、このページは、少なくともホワイトハウスのスタッフの誰かがページを更新している際にうっかり[failure]と言う単語を加え、グーグル爆弾を復活させてしまうまでは、上位への格付けは行われていなかった。

5) また、グーグルは意図的にインデックス内でページとフレーズのつながりを削除することで、特定のフレーズへの上位への格付けを阻止することも可能であり、スパム行為に及ぶページへのペナルティとして利用する可能性がある。

フレーズベースのインデックスの特許: 第1世代

• 情報検索システムでのフレーズベースのインデックス（米国特許番号 7,536,408）
• 情報検索システムでの重複する文書のフレーズベースの検知（米国特許番号 7,711,679）
• 複数の文書のバージョンをアーカイブする情報検索システム（米国特許番号 7,702,618）
• フレーズベースの情報検索システムでのスパム文書の検知（米国特許番号 7,603,345）
• 情報検索システムでのフレーズベースの検索（米国特許番号 7,599,914）
• フレーズベースの文書説明の作成（米国特許番号 7,584,175）
• 情報検索システムでの検索のフレーズベースのパーソナライセーション（米国特許番号 7,580,929）
• 情報検索システムでのフレーズの特定（米国特許番号 7,580,921）
• 複数のインデックスベースの情報検索システム（米国特許番号 7,567,959）
• フレーズを用いた検索結果での自動的なタクソノミ生成（米国特許番号 7,426,507）

フレーズベースのインデックスの特許: 第2世代

第2世代の特許の多くはまだ米国特許商標庁から公表されているわけではなく、また、付与されるまでは公表されない可能性もある。複数の公表済みの特許はアンナ・パターソン氏が発明者として関わっているが、多くの特許には同氏の名前は挙がっていない。まず審査中の特許を挙げていく。繰り返すが、フレーズベースのインデックスに関する特許は、付与されるまでは公表されていなかった点を伝えておこう。

• 外部の関連するフレーズの情報をフレーズベースのインデックスの情報検索システムに統合（米国特許申請番号　20090070312）
• 階層化および分離化されたフレーズのポスティングリストを使ったインデックスサーバーの構造（米国特許番号 7,693,813）
• セグメントの交換を利用したインデックスの更新（米国特許番号 7,702,614）
• インデックスサーバーの階層の層を利用したクエリのスケジューリング（米国特許番号 7,925,655）
• サブフレーズのスコアリングを利用したフレーズの抽出 2007年3月30日に申請（未公表）
• 分岐した文書の関連性のスコアリング 2007年3月30日に申請（未公表）
• 階層化および分離化されたフレーズポスティングリストにおけるインデックスサーバーの構造 2007年3月30日に申請（未公表）
• クエリのフレーズ化 シリーズ番号 11/694,845 2007年3月30日に申請（未公表）

フレーズベースのインデックス: 第3世代

現時点では1点しか存在しないようだが、グーグルが、この一連の既存の特許に請求範囲を加える続きの特許を、もしくは特定の特許から一部の請求を分離させ、これらの請求範囲を拡大することに焦点を絞る分割特許をさらに申請していく可能性はある。

フレーズベースの情報検索システムでのスパム文書の検知（米国特許番号 8,078,629）
発明: アンナ・リン・パターソン
付与日: 2011年12月13日
申請日: 2009年10月13日

概要

フレーズを使って、文書のインデックス、検索、整理、そして、説明を行う情報検索システム。文書内のその他のフレーズの存在を推測するフレーズが特定される。文書は含まれるフレーズに応じてインデックスされる。スパム文書は、文書内に含まれる関連するフレーズの数で特定される。

結論

特許の数だけでなく、グーグルがフレーズベースのインデックスを利用している点を信じるに足る理由は数多くある。また、グーグルがフレーズを処理する仕組みを把握するため、フレーズを使っていろいろ実験する価値はあるだろう。

キーワードリサーチ、ウェブページの最適化、そして、リンク構築を行っているなら、フレーズベースのインデックスの仕組みを理解することがその取り組みにプラスに働くだろう。

幸いにも、グーグルがこれらの特許で説明されているようなフレーズベースのインデックスを実施していなかったとしても、ページの最適化の対象に選びたい用語やフレーズに“関連する”可能性のある用語やフレーズを理解し、このような関連するフレーズをページに含める努力をすることで、より豊かで、より質の高いページを作ることが出来るだろう。

この記事は、SEO by the Seaに掲載された「10 Most Important SEO Patents, Part 5 – Phrase Based Indexing」を翻訳した内容です。