Pandu Nayak nói gì về thuật toán xếp hạng Google
Lời khai của “chiến tướng” đứng sau thuật toán Google Search — bóc tách cơ chế trích xuất & xếp hạng từ hàng trăm tỷ tài liệu, và bài học cho người làm SEO.
Pandu Nayak là ai?
Sinh ra ở Ấn Độ → PhD Khoa học máy tính tại Stanford → R&D các dự án AI của NASA → 18 năm dẫn dắt team thuật toán & xếp hạng của Google, đặc biệt là áp dụng phân tích ngôn ngữ tự nhiên vào kết quả tìm kiếm.
Quá trình trích xuất dữ liệu: 3 giai đoạn
Tính tới 2020, Google index tới 400 tỷ kết quả. Khi bạn search, có hàng triệu tài liệu khớp truy vấn. Bài toán: hiển thị kết quả liên quan & chất lượng nhất, với chi phí thấp nhất và nhanh nhất.
Giai đoạn 1: Trích xuất (tỷ → 10.000)
Ví dụ search “XE MÁY HONDA” — có thể có ~10 triệu kết quả khớp. Lục tung cả tỷ tài liệu là bất khả thi (chi phí quá lớn, chờ quá lâu), nên Google cần sự ưu tiên.
Google tính PageRank cho từng tài liệu (analogy: như xếp hạng tín nhiệm của một trang — công thức toán đơn giản, rất rẻ để tính). Google dò từ trên xuống theo PageRank giảm dần, gom các trang liên quan tới “XE MÁY HONDA”, đến khi đủ ~10.000 tài liệu đảm bảo chất lượng thì dừng. Đây là cách xếp hạng nguyên thủy của Google.
1. Nội dung
- Nội dung bắt buộc liên quan tới truy vấn — trang mạnh tới đâu mà lạc chủ đề thì Google cũng bó tay.
- Cách dễ & hiệu quả: đưa từ khóa vào vị trí quan trọng nhất (tiêu đề, các thẻ H, mật độ từ khóa chính cao hơn từ khác).
2. Chọn nhóm từ khóa theo độ cạnh tranh
| Loại từ khóa | Đặc điểm | Chiến thuật lọt TOP 10.000 |
|---|---|---|
| Cạnh tranh thấp (easy) | Chủ đề mới, hoặc quá ít trang nói tới | Dùng toán tử ALL-IN-TITLE, hoặc bắt TREND social (FB, TikTok, IG) |
| Cạnh tranh cao | Google thừa mứa dữ liệu | Tăng PageRank bằng backlink chất lượng để qua vòng sát hạch |
Giai đoạn 2: 10.000 → 200 (Core Algorithms)
Google dùng thuật toán lõi tính điểm xếp hạng ban đầu — IR score (Information Retrieval) — rồi sắp xếp cao xuống thấp. Thuật toán lõi gồm: PageRank, Topical Signal, NavBoost, yếu tố vị trí & thiết bị.
NavBoost thu thập gì? (từ 2005)
| Dữ liệu | Ý nghĩa |
|---|---|
| Từ khóa & số lần tìm | Chính là Volume Search |
| Hành vi click | CTR, dwell time, good click (đi tiếp trong trang) vs bad click (quay lại thanh tìm kiếm) |
| Nền tảng | Mobile hay Desktop |
| Vị trí | Vùng địa lý nào tìm nhiều nhất |
🤖 Chưa có user (TOP 30+)
Tối ưu cho Googlebot đọc: backlink (PageRank), chủ đề liên quan (Signal), phù hợp vị trí (local) & thiết bị.
👥 Đã có user (TOP 20–30)
NavBoost bắt đầu đo dữ liệu → phải đem lại trải nghiệm tốt nhất cho người dùng.
Hai trường phái tối ưu ở Việt Nam
Cách 1 BLACKHAT
Chạy traffic user để thao túng Google.
- Đúng yêu cầu kỹ thuật thuật toán
- Tín hiệu giả → phễu khách hàng & remarketing sai bét
- Bơm từ ngoài → phải duy trì liên tục, ngắn hạn
- Nguồn rủi ro (18+, crack…), giảm uy tín DN lớn
Cách 2 WHITEHAT
Xây trải nghiệm cho khách hàng thật.
- Kỹ thuật (tốc độ) + Content chất lượng
- UX–UI mượt mà, dễ dùng
- USP — khác biệt & lợi thế cạnh tranh
Case study: Mona Media (VN, rank bền “dịch vụ SEO”, “thiết kế web”) • Backlinko (quốc tế)
Giai đoạn 3: Deep Learning điều chỉnh 200 kết quả đầu
Từ 2015, Google dùng mô hình học sâu để xếp hạng. Chúng cực mạnh nhưng chi phí vận hành cao, độ trễ lớn, nên chỉ dùng cho tập nhỏ để điều chỉnh vị trí, không áp dụng cho toàn bộ. Cả 3 mô hình dưới đây đều training trên truy vấn, lượt click & trải nghiệm người dùng.
Tự động điều chỉnh vị trí TOP 20–30 mà không cần con người can thiệp — AI tự học & tự ra quyết định. Training mọi ngôn ngữ (cả tiếng Việt) trên data 13 tháng, rồi fine-tune bằng data chuẩn của rater. Điểm yếu: khả năng phân tích ngôn ngữ hạn chế.
Chính là BERT khi đưa vào xếp hạng. Mạnh hơn RankBrain, xử lý ngôn ngữ tự nhiên (NLP) cực tốt. Cần 2 khả năng: hiểu ngôn ngữ + world knowledge (kiến thức thế giới thực). Điểm yếu: giỏi ngôn ngữ nhưng thiếu world knowledge chưa có trên internet.
Có trước BERT, xử lý ngôn ngữ tốt. Khác biệt: được training cả trên tài liệu (không chỉ user data). Có thể bổ sung kết quả mà thuật toán truyền thống ở Giai đoạn 1 bỏ sót.
Mạnh gấp 1.000 lần BERT, nhưng quá lớn & quá chậm. Google ưu tiên mô hình nhỏ hơn cho mục tiêu cụ thể như classifier (nhận spam, helpful content).
Đánh giá kết quả: từ con người & người dùng
Analogy: như công ty game lớn có Game Tester chơi thử tìm lỗi trước khi ra mắt — Google có bộ phận Search Quality Rater (16.000 người toàn cầu) chấm chất lượng theo guideline chặt chẽ (chuẩn E-E-A-T ra đời từ đây).
- Họ chấm IS Score (Information Satisfaction) cho từng kết quả.
- IS Score làm dữ liệu đầu vào để training RankBrain, DeepRank, RankEmbed BERT, MUM…
- Dùng để kiểm nghiệm nhanh khi có biến động lớn (đặc biệt sau core update).
- Rater làm việc trên thiết bị di động → Google ưu tiên mobile-first ranking rất cao.
- RankBrain & DeepRank hiểu ngôn ngữ tự nhiên rất tốt → Google giảm phụ thuộc data user.
- Viết cho con người, không phải cho Google. Kiểu “xôi thịt” (nhồi từ khóa, ép in đậm/nghiêng, từ khóa đầu–cuối bài) đã lỗi thời.
- Viết tự nhiên theo văn phong của mình, phù hợp context, giải quyết vấn đề của khách hàng.
- Nhưng vì các model vẫn training từ trải nghiệm user (như NavBoost) → trải nghiệm tốt vẫn là kim chỉ nam.
🧷 How to Remember This
Hình dung Google Search như một cuộc tuyển sinh khổng lồ theo 3 vòng — dùng story hook này để nhớ toàn bộ luồng:
Vòng 1 – Nộp hồ sơ (400 tỷ → 10.000): Bảo vệ tên PageRank gác cổng, chỉ nhận 10.000 hồ sơ đủ điểm tín nhiệm.
Vòng 2 – Phỏng vấn (→ 200): Giám khảo NavBoost quan sát hành vi thí sinh (click, ở lại hay bỏ về) chấm điểm.
Vòng 3 – Chung kết (TOP 20–30): Ban giám khảo AI RankBrain + DeepRank nghe thí sinh nói chuyện (hiểu ngôn ngữ) rồi tự xếp hạng cuối.
🔁 Cue tự kiểm tra: “Vòng nào cần backlink, vòng nào cần trải nghiệm user, vòng nào cần viết cho con người?” → lần lượt là Vòng 1 → 2 → 3.