Определение
Матрикснет - метод машинного обучения, представленный Яндексом в 2009 году для построения формулы ранжирования поиска. Вместо ручной настройки инженерами веса каждого фактора ранжирования Матрикснет использует градиентный бустинг над деревьями решений, чтобы выучить модель ранжирования из больших объемов обучающих данных - главным образом оценок асессоров качества и сигналов поведения пользователей - объединяя сотни факторов в одну функцию с возможностью подстраивать формулу под классы запросов.
Матрикснет ознаменовал переход Яндекса к полностью машинно-обученному ранжированию и является технологическим предком более поздних систем (CatBoost, нейромодели за Палехом и Королевом). Его практическое значение для SEO концептуально: с 2009 года нет фиксированного, познаваемого списка весов факторов для реверс-инжиниринга, потому что формула выучена, зависит от запроса и постоянно переобучается.
В контексте
Для iGaming SEO на Яндексе реальность эпохи Матрикснета формирует то, как надо подходить к оптимизации. Поскольку ранжирование машинно-обучено из оценок асессоров и поведения пользователей, устойчивые рычаги - те, что эти входы вознаграждают: контент, который обученный асессор оценил бы как релевантный, заслуживающий доверия и полезный для запроса, и страницы, которые удовлетворяют пользователей так, что поведенческие сигналы (клики, время, завершение задачи, возврат в выдачу) положительны.
Попытка достичь конкретного порога фактора непродуктивна, когда вес этого фактора в формуле выучен и варьируется по типу запроса.
Это также объясняет, почему обновления Яндекса могут ощущаться резкими: переобучение на новых данных может переприсвоить веса факторов повсеместно, поэтому сайт может сдвинуться без единой идентифицируемой «санкции». Защитная позиция - строить сайт, который обучающий сигнал предпочитает - настоящая экспертиза, хороший UX, сильная вовлеченность, чистая техническая отдача - а не оптимизировать под снимок наблюдаемых корреляций, который следующее переобучение может изменить.
Это тот же аргумент, что «строить для пользователей» на Google, обоснованный тем, как модель ранжирования реально производится.
Разобранный пример
SEO-команда перестает гнаться за чек-листом точных целевых факторов для своих казино-страниц на Яндексе после того, как два обновления двигают позиции без изменения ни одного пункта чек-листа. Они перефокусируются на качество в стиле асессора - экспертное авторство, точная и актуальная информация, чистый UX - и на улучшение времени на странице и завершения задачи, и страницы становятся стабильнее на последующих переобучениях.
Связанные термины
Частые вопросы
Смотрите остальные iGaming-термины в нашем глоссарии.
← Назад к глоссарию