前言见：Google Search 淘气三千问: Q1～Q5
Q6: Google 为站点设计了哪些特征？
在 Google ContentWarehouse API 中有很多字段以 nsr 开头，有人说它代表 Neural Search Ranking，我觉得这种说法不对，因为 nsrDataProto 字段的注释是 Stripped site-level signals：
GoogleApi.ContentWarehouse.V1.Model.PerDocData
* nsrDataProto (type: GoogleApi.ContentWarehouse.V1.Model.QualityNsrNsrData.t, default: nil) - Stripped site-level signals, not present in the explicit nsr_* fields, nor compressed_quality_signals.
说明 NSR 应该是站点信号，考虑到 QualityNsrNsrData 中还有一个 nsr 字段，我猜测应该是 New Site Rank，或者 Normalized Site Rank。也许这个字段以前只是一个简单的代表站点质量的信号，后来扩展成了一系列信号的组合，但是沿用了 nsr 这个前缀。
其中字段注释非常简单，这里我尝试把他们汇编并且扩展解读一下，看看 Google 的站点特征体系都包括哪些。
首先要解释一点，Nsr 虽然是站点信号，但是它的信号汇聚粒度并不全是站点范围，而是有个 sitechunk 的概念。我猜测 sitechunk 可能会代表一个子域，或者一个比较关键的路径前缀，比如一个网站有新闻、博客或者论坛，那就会有不同的 sitechunk。这样允许 Google 针对同一个域名下的不同的频道、标签做不同的分析。所以下面讨论到所有的站点信号，都应该理解成是 sitechunk 信号。
在 QualityNsrNsrData 中，有以下这些特征：
- smallPersonalSite：为个人博客小站提权的分数。我一直觉得谷歌对博客网站很友好，果然在站点特征体系中有专门的提权打分。
- siteAutopilotScore：如果一个网站的内容都是自动生成的，它会被称为是一个 Autopilot Website。这个分数是描述这个站点下所有页面自动生成方面评分的一个汇总值。
- isVideoFocusedSite：如果站点有超过一半的页面是视频播放页面，而且它又不是一些知名的视频网站，那么这个特征就是 true。
- ugcScore：与上面分数相似，可能是这个站点每个页面是否为 UGC 内容的评分的一个汇总值。
- videoScore：与 ugcScore 相似，可能是这个站点每个页面是否为视频播放页的评分的汇总。
- shoppingScore：与 ugcScore 相似，可能是这个站点每个页面是否为商品购买页的评分的汇总。
- localityScore: 与 ugcScore 相似，可能是这个站点每个页面是否为 LBS 服务页的评分的汇总，不过这里提到了一个叫做 LocalAuthority 的模块/策略，希望以后能弄懂它。
- articleScoreV2: 与 ugcScore 相似，可能是这个站点每个页面是否为文章页的评分的汇总。
- healthScore: 与 ugcScore 相似，可能是这个站点每个页面是否为医疗健康页的评分的汇总。
- ymylNewsV2Score：无注释，YMYL 是 Your Money Your Life 的缩写，这里可能是指这个站点每个页面是否为敏感（健康、金融相关的）新闻页的评分的汇总。
- clutterScore: 判断站点是否加载了很多乱七八糟的内容，比如加载了很多不同来源的广告之类。
- clutterScores: 带版本的 clutterScore。
- racterScores: 站点级别 AGC 分类打分；
- titlematchScore：大概是这个网站每个网页的标题，能匹配上多少 Google Query 的一个综合评分；
- siteQualityStddevs: 站点质量标准差，从名字判断，可能来自于站点所有网页的站点质量得分的统计。从这些方差指标可以看出，Google 很在乎站点内容的一致性，可能对页面质量参差不齐的站点有打压。
- chromeInTotal：站点级别的 Chrome 访问量；
- impressions：站点在 Google 搜索结果中的展现次数；
- chardEncoded: 有人说 chard 代表 CHrome AveRage Duration，站点平均停留时间，我本来猜测可能是 CHrome Average Returning Days，或者 CHrome Average Retention Data。核心就是我觉得这是一个留存指标，留存比时长更能体现网站的受欢迎程度。但注释中又说它是 site quality predictor based on content，所以也许我的理解是错的，也许 c 是 Content？但是 hard 是什么，我实在猜不出来了。
- chardVariance：站点（首页） chard 的方差。
- chardScoreEncoded: 站点中所有页面的 chard 得分；
- chardScoreVariance：站点所有页面 chard 得分的方差。
- nsrVariance: 站点首页 nsr 与站点所有页面质量均值的差；
- siteQualityStddev: 站点所有页面质量的方差，与 nsrVariance 不同，它衡量的是页面之间的方差；
- tofu: 与 chard 一样，都是基于 content 算出来的一个得分。tofu 是豆腐块的意思，在网页里可能代表了页面内有多少个豆腐块区域，或者有多少个豆腐块广告。
- pnavClicks：PNAV 大概是指 Primary Navigation，即站点的主要导航链接。这个值是对主要导航链接点击数的一个分母，可能在某个地方记录了这个站点每个导航链接的点击数，这样就能算出来哪些导航更受欢迎，也许是用在搜索结果页中展示站点的关键导航上；
- pnav: 一个分位值，可能是主要导航链接占页面链接数比例？
- vlq: 视频低质量模型的打分，猜测 LQ 代表 Low Quality。
- vlqNsr: 针对低质量视频站点设计的一个额外的 nsr 打分，有可能是为了避免这些站点 nsr 得分过低，导致一些用户需求不满足（例如某类视频）。
- siteLinkOut: 这个站点所有外链的平均得分；
- siteLinkIn: 这个站点所有内链（反向链入的页面）的平均得分；
- siteChunkSource: sitechunk 来源，可能是记录怎么分的 chunk;
- spambrainLavcScores：这个没有注释，看起来是 Google 有一个 spambrain，会给站点一个 Lavc 分数，应该表示网站是否有 spam 行为的打分；
- sitePr：站点的 PageRank。
- nsr: 也许是最原始的 Normalized Site Rank，用一个分值代表站点质量。
- versionedData: 实验版本的 nsr 值，当算法升级后 nsr 计算逻辑与以前不同时，先拿它用来做实验；
- priorAdjustedNsr: 先验调整 nsr，用于判断当前站点的 nsr 在它所属的 slice 里比平均 nsr 高还是低；
- ketoVersionedData: 带版本的 keto 数据，包括站点得分和站点得分在所有站点中的分位值。keto 可能代表了一个策略，含义未知。
- nsrOverrideBid: 用来干预 nsr，当它的值提供并且大于 0.001 时，直接覆盖掉 nsr。也就是说可以通过人工干预调高或者调低某个站点的 nsr。
- nsrEpoch: nsr 最早的获取时间；
- siteChunk: nsr 对应的主 sitechunk，即分析出来的 sitechunk 对应的文档 URL；但文档中提到在一些稀有情况下，它可能基于网页中的一个标记。我猜测像一些 Single Page Application，URL 全部使用 # 页内标记，这种情况下只能使用页内标记来标记 sitechunk。
- secondarySiteChunk: nsr 对应的二级 sitechunk，如果存在的话，划分比 sitechunk 粒度更细。
- i18nBucket: 属于哪（几）种语言，这是一个 int 值，也许会是一个 bitmap，可以把站点放入多个语言桶中。
- language: 站点的语言，暂不清楚与 i18nBucket 的差异，因为它也是一个 int 值。
- isCovidLocalAuthority: 是否为 Covid 本地官方网站，也许是在疫情期间对官方网站消息的提权；
- isElectionAuthority: 是否为（美国）选举相关的官方网站；
- directFrac: 无注释，我猜测是 Chrome 输入 URL 直接访问的 PV 占所有访问量的占比。
- site2vecEmbedding: 看起来像是将上面的每个站点 nsr 特征，综合起来表达成了一个稀疏的 embedding，可能是 one-hot 编码那种，也可能是稀疏模型编码；
- site2vecEmbeddingEncoded：这里是一个压缩版本的 embedding，主要用于 SuperRoot。
- nsrdataFromFallbackPatternKey: 如果为真，代表以上的 nsr 特征都来自于其它站点；
- url：站点的 URL；
- host: 站点的域名或者主机名；
- clusterId：站点所属站群的 ID，被一个叫做 Tundra 的生态项目所使用，这个项目在文档中也出现过多次，希望后面能弄清楚它的含义。站群一般是指页面互相之间有链接的一批站点，会被用来做 SEO 提升 pagerank，看起来 Google 对这种行为是有识别的。
- clusterUplift: 与上面提到的 Tundra 项目有关，主要看站群是不是小站，是不是本地站，可能是用于站点的提、降权；
- metadata: 记录了一些在不同系统里查找 nsr 数据的 key，或者一些数据的生成时间。