Phrase based indexing: i brevetti Google sull’indicizzazione per frasi, cosa dicono e cosa resta utile

Il 26 luglio 2004 Google ha depositato la domanda da cui nasce US7536408B2, concessa il 19 maggio 2009 (Google Patents). Il titolo è «Phrase-based indexing in an information retrieval system», indicizzazione per frasi in un sistema di ricerca. Qui leggi cosa descrive, come si distinguono le frasi “buone” da quelle “cattive”, come lo hanno letto gli SEO, cosa ha detto Google e cosa puoi farne scrivendo.

Cos’è l’indicizzazione per frasi, in parole semplici?#

Un indice di ricerca è come l’indice analitico di un libro. Associa a ogni voce le pagine in cui compare. Di solito le voci sono parole singole.

Il brevetto propone voci più ricche: le phrases, cioè sequenze di parole che hanno un senso proprio. “Gelato artigianale” è una frase. “Gelato” e “artigianale” presi a caso sono solo due parole. Secondo l’abstract, il sistema usa le frasi per indicizzare, trovare, organizzare e descrivere i documenti (Google Patents).

Sono tre idee. Primo: individuare le frasi che predicono la presenza di altre frasi. Secondo: indicizzare ogni documento anche per le frasi che contiene. Terzo: usarle per raggruppare i risultati, scrivere descrizioni ed eliminare i duplicati, dall’indice come dai risultati.

L’unica inventrice indicata è Anna Lynn Patterson, e il titolare è Google LLC (Google Patents). Dal 2004 guidava tecnicamente uno dei due gruppi di ranking di Google e lasciò l’azienda a gennaio 2007 (TechCrunch).

Cosa dice il brevetto: frasi buone, frasi cattive#

Primo livello: il testo del documento. Non prova come funzioni la ricerca oggi.

Non ogni sequenza di parole è una frase utile. Il sistema separa le good phrases dalle bad phrases. Le prime tendono a comparire in più di una certa percentuale di documenti della raccolta. Le seconde sono quelle prive di potere predittivo (Google Patents).

Il brevetto fa un esempio di frase non predittiva: «fell down the stairs», «è caduto dalle scale» (Google Patents). Si dice in tanti contesti e non ti dice di cosa parla la pagina. “President of the United States”, invece, predice altre frasi, come «George Bush» e «Bill Clinton».

Pensa a un bibliotecario. “Mi è piaciuto molto” sta in mille recensioni e non classifica nulla. “Cammino di Santiago” ti dice subito l’argomento.

Frasi correlate e co-occorrenza: come si misura#

La co-occorrenza è la presenza di due frasi nello stesso documento. Il brevetto la misura con una matrice, una tabella che conta quante volte ogni frase compare insieme alle altre (Google Patents).

Due frasi sono correlate quando la loro misura di predizione supera una soglia stabilita. Una misura citata è l’information gain: il rapporto tra la co-occorrenza reale e quella attesa (Google Patents). Se due frasi stanno insieme molto più spesso del caso, tra loro c’è un legame.

Un esempio da cucina. “Lievito madre” compare insieme a “rinfresco” e “idratazione” più spesso di quanto accadrebbe per caso. Un testo sul pane che le contiene tutte sembra parlare davvero di pane. Conta il corredo di frasi, non quante volte ripeti “lievito madre”.

Il brevetto dà anche numeri a titolo di esempio: una soglia di information gain di 1,5, preferibilmente tra 1,1 e 1,7, per sfoltire l’elenco delle frasi buone. Per dichiarare correlate due frasi usa un’altra soglia, di esempio 100 (Google Patents). Sono valori d’esempio del testo, non parametri noti di Google.

Non va confusa con la densità delle parole chiave. Qui non si conta quante volte compare un termine. Si guarda quali frasi lo accompagnano. Lo stesso termine, information gain, ha un altro significato nella scheda sul brevetto dedicato ai contenuti.

Spam e duplicati: cosa prevede il brevetto#

Il secondo brevetto, US7603345B2, ha un titolo chiaro: «Detecting spam documents in a phrase based information retrieval system». Cioè: individuare i documenti spam in un sistema basato sulle frasi. Concesso il 13 ottobre 2009, ha la stessa inventrice (Google Patents).

L’idea è semplice. Un documento normale contiene un numero limitato di frasi correlate: nell’ordine di 8-20, a seconda della raccolta. Uno spam ne contiene molte di più, per esempio tra 100 e 1.000. Come soglia fissa, il testo fa l’esempio di 100 (Google Patents).

Cosa succede al documento sospetto? Il testo descrive una tabella di documenti spam. Quando uno di questi compare tra i risultati, il suo punteggio viene ridotto, per esempio dividendolo per 5. In alternativa può essere tolto dai risultati (Google Patents).

È il caso tipico del keyword stuffing, la pagina imbottita di termini (vedi black hat SEO). Il brevetto sostiene anche che questo approccio impedisce del tutto alcuni tipi di manipolazione delle pagine (Google Patents). È un’affermazione del documento, non un dato verificato.

Sui duplicati, il documento descrive una descrizione del testo costruita con le frasi più rilevanti, conservata anche come hash (un’impronta numerica) e confrontabile con quelle già note (Google Patents). Una domanda dedicata, US20140156647A1, ha per titolo «Phrase-based detection of duplicate documents».

La famiglia: otto documenti controllati, sei scaduti#

Non c’è un solo brevetto. La famiglia è più ampia: Google Patents vi collega anche, per esempio, US7426507B1 e US9569505B2 (Google Patents). Abbiamo verificato su Google Patents otto documenti concessi, collegati da una priorità al 26 luglio 2004 o da richiami espliciti (nostra analisi). Lo stato è una stima di Google, non una conclusione legale, ed è del 12 ottobre 2026.

La lettura è questa. Sette documenti su otto hanno la priorità del 2004. Il documento del 2007, US8117223B2, descrive come integrare nel sistema informazioni esterne sulle frasi correlate, e dichiara un legame con le domande del 2004 (Google Patents).

La famiglia non è chiusa nel 2004-2006: continuazioni sono state depositate nel 2013, nel 2015 e nel 2017. La scadenza di un brevetto, in ogni caso, non dice nulla sull’uso interno del metodo da parte di Google.

Come l’hanno letta gli SEO: PhraseRank e l’inferenza#

Secondo livello: le interpretazioni di terzi.

Bill Slawski ha commentato la domanda sullo spam su Search Engine Land il giorno dopo la sua pubblicazione, avvenuta il 28 dicembre 2006, con il titolo «PhraseRank, Not PageRank, To Fight Search Spam». Il termine PhraseRank non compare nel documento: lo ha coniato lui (Search Engine Land). Non è un algoritmo di Google. Per chi era Slawski, c’è il nostro tributo.

Barry Schwartz, il 2 gennaio 2007, riporta la domanda come “nuova domanda di brevetto”, non come funzione confermata. Slawski si chiede se Google usi un processo simile e risponde: «It’s possible», è possibile (Search Engine Roundtable).

Il 17 maggio 2017 Slawski scrive che Google lavora all’indicizzazione per frasi almeno dal 2004 (Go Fish Digital). Usa però un altro brevetto, US 9,652,483, sull’architettura dell’indice. Suggerisce di guardare quali frasi tornano nelle pagine ben posizionate: un’idea, non una regola confermata.

Il 5 giugno 2018, alla concessione di US9990421B2, titola che Google “may be using” il metodo, “potrebbe usarlo”. Nota che le rivendicazioni (claim) sono cambiate molto dal 2004 e le legge così: un documento con più frasi correlate può superarne uno con più parole della query (Go Fish Digital). È la sua lettura, non la nostra.

Nel 2011 il blog Briggsby avverte di non lavorare in un motore di ricerca. Ipotizza che un indice per frasi possa stimare la rilevanza anche senza la parola cercata (Briggsby). Sono inferenze dichiarate come tali.

Un limite da tenere presente: qui descriviamo ciò che dicono abstract e descrizione, non le rivendicazioni, cioè cosa il brevetto protegge.

Cosa ha dichiarato Google#

Terzo livello: dichiarazioni pubbliche. Non abbiamo trovato una frase di Google sull’indicizzazione per frasi come tale. Ci sono però dichiarazioni vicine al tema.

Nel 2010 Steve Baker, citato da Matt Cutts, ha detto che i sinonimi incidono sul 70% delle ricerche (Matt Cutts). Cutts aggiungeva un consiglio: non riempire un articolo di parole chiave e non renderlo innaturale. Il post riguarda soprattutto il modo in cui Google interpreta le ricerche.

Il 25 ottobre 2019 Pandu Nayak ha spiegato che BERT aiuta Google a capire una ricerca su dieci in inglese negli Stati Uniti, perché guarda le parole prima e dopo ciascuna (Google). Non cita frasi indicizzate. Sul modello trovi la scheda su BERT, e per il filo che porta da qui a Hummingbird e RankBrain c’è l’articolo dedicato.

Nel gennaio 2022 John Mueller ha detto che, per quanto ne sa, il sistema dei sinonimi è «completely automated», completamente automatico (Search Engine Journal).

Le regole sullo spam definiscono il keyword stuffing come l’atto di riempire una pagina di parole chiave per manipolare i ranking (Google Search Central). Tra gli esempi: ripetere parole o frasi fino a suonare innaturale.

Cosa resta utile oggi per chi scrive#

Prima il limite: un brevetto non prova l’uso. Detto questo, l’idea è sensata. Un testo su un tema contiene di norma le frasi che lo accompagnano. Se scrivi di bici elettriche, parlerai di autonomia, batteria, motore e peso senza sforzo. Ecco come usarla senza forzature.

1. Elenca i sottotemi prima di scrivere. Chiediti cosa dovrebbe contenere una guida completa sull’argomento e a quali domande risponde.
2. Guarda le prime pagine come mappa, non come modello. Annota i concetti ricorrenti. Poi scrivi la tua versione, con la tua esperienza.
3. Usa i termini del mestiere dove servono. Un esperto li usa da sé. Sono la prova più naturale di competenza.
4. Non ripetere la parola chiave a oltranza. Il brevetto stesso descrive il rischio opposto: troppe frasi correlate fanno sembrare una pagina spam.
5. Non inseguire il TF-IDF. Mueller lo ha definito, secondo Search Engine Journal (aprile 2019), una metrica piuttosto vecchia, da non ottimizzare (Search Engine Journal).

Il TF-IDF pesa le parole in base a quanto sono frequenti in una pagina e rare nel web. È un’altra cosa dalla co-occorrenza di frasi.

Il tema si lega alle ricerche scomposte in più domande: leggi la scheda sul query fan-out.

Conclusione: scrivi per l’argomento, non per la parola#

L’indicizzazione per frasi è una famiglia di brevetti di vent’anni fa che fa riflettere ancora. Dice che una pagina si capisce da ciò che la accompagna. Per un sito significa coprire il tema con le sue parole naturali, sottotemi compresi, e controllare che il testo non suoni forzato. Non è una ricetta di ranking, ed è meglio non venderla come tale.

I tuoi testi coprono davvero tutto il tema o girano attorno a una sola parola? Richiedi l’audit SEO gratuito: ricevi le 5 cose da sistemare per prime, partendo da SEO tecnica, contenuti, visibilità nelle AI e prestazioni.