Скалярное произведение (англ. dot product, inner product) — в контексте поисковой оптимизации (SEO) и семантического поиска — это математическая операция над векторными представлениями (эмбеддингами) текстов, используемая для вычисления семантической близости между поисковым запросом и документом (или его фрагментом). В современных поисковых системах, включая Google, скалярное произведение нормализованных векторов служит вычислительно эффективной реализацией косинусного подобия — одной из ключевых мер релевантности в векторных пространственных моделях.
Пусть имеются два вектора A и B в *n*-мерном пространстве. Их скалярное произведение определяется как:
A · B = Σᵢ Aᵢ × Bᵢ
Косинусное подобие между векторами вычисляется по формуле:
cos(θ) = (A · B) / (|A| × |B|)
где |A| и |B| — евклидовы нормы (длины) векторов.
Если оба вектора нормализованы до единичной длины (|A| = |B| = 1), знаменатель становится равен единице, и косинусное подобие упрощается до скалярного произведения:
cos(θ) = A · B
Таким образом, при предварительной нормализации всех векторов вычисление косинусного подобия сводится к скалярному произведению, что исключает операцию деления и повышает вычислительную эффективность.
Применение в поисковых системах
В основе современных поисковых систем лежит векторная пространственная модель (Vector Space Model, VSM), в которой текстовые документы и поисковые запросы представляются в виде векторов в многомерном семантическом пространстве. Релевантность документа запросу определяется геометрической близостью их векторных представлений.
Google использует эмбеддинги — векторные представления текста, создаваемые нейросетевыми моделями (такими как BERT, MUM и другие), которые захватывают не лексическое, а семантическое значение текста. Поисковый запрос и содержимое страниц (или отдельные пассажи) преобразуются в векторы, после чего вычисляется их семантическая близость.
Реализация в Google
Анализ доступных исходных кодов и документации Google Cloud указывает на то, что скалярное произведение является одним из фундаментальных инструментов ранжирования в поисковых системах Google. В частности, в платформе Discovery Engine (движке поиска и рекомендаций Google) поддерживаются функции ранжирования вида:
где dotProduct вычисляет скалярное произведение между вектором эмбеддинга документа и вектором запроса.
Согласно данным, полученным в ходе антимонопольного разбирательства против Google, система RankEmbed — отвечающая за определение семантического соответствия между запросами и документами для коротких «хвостовых» запросов — использует именно скалярное произведение (dot product), а не косинусное подобие в его полной форме.
Важно отметить, что если векторы нормализованы до единичной длины, скалярное произведение и косинусное подобие дают идентичный результат. Различие заключается в том, что скалярное произведение (в отличие от косинусного подобия) чувствительно к длине вектора: при одинаковом семантическом направлении более длинный (по норме) вектор даст большее значение скалярного произведения. Это может быть полезно для учёта «семантической силы» или уверенности модели в представлении.
Значение для SEO
Переход от лексического (ключевого) поиска к семантическому (векторному) кардинально меняет подходы к поисковой оптимизации:
От ключевых слов — к смыслу. Вместо точного вхождения ключевых слов поисковая система оценивает, насколько семантически близок текст страницы к запросу. Страница может ранжироваться высоко, даже если она не содержит точных слов запроса, но передаёт тот же смысл.
Пассажная индексация. Google оценивает не только страницу в целом, но и отдельные пассажи (фрагменты текста), преобразуя каждый из них в вектор и сравнивая с запросом.
Тематическая релевантность. Вместо оптимизации под конкретные ключевые слова SEO-стратегия должна фокусироваться на глубине раскрытия темы, полноте смыслового охвата и соответствии интенции пользователя.
Критика и ограничения
Отсутствие прозрачности. Google не раскрывает публично метрики семантической релевантности, и SEO-специалисты не имеют прямой видимости в векторные скоринговые значения.
Неединственный фактор. Скалярное произведение (или косинусное подобие) — лишь один из многих сигналов ранжирования. Google продолжает использовать и традиционные лексические сигналы, особенно для длинных «хвостовых» запросов и неанглоязычных рынков.
Зависимость от модели эмбеддингов. Семантическая близость, вычисляемая через скалярное произведение, полностью зависит от того, как обучена модель эмбеддингов. Разные модели могут давать разные результаты даже для одинаковых текстов.
Ограниченная применимость для SEO-анализа. Как показывают эмпирические исследования, косинусная близость эмбеддингов сама по себе является относительно слабым предиктором релевантности по сравнению с более сложными моделями, такими как cross-encoders.
Примечания
Скалярное произведение часто обозначается как dotProduct в API Google Cloud Platform.
В некоторых реализациях (например, Firestore) для поиска по векторным эмбеддингам поддерживаются функции DOT_PRODUCT, COSINE_DISTANCE и EUCLIDEAN_DISTANCE.
Технически скалярное произведение и косинусное подобие эквивалентны только при нормализованных векторах; в противном случае это разные меры с разными свойствами.
