SEOにおける外部発リンク評価とPageRankの歪み「おすすめ記事」量産スパムとHITS・GNN・確信度の数理構造

今回は、「現代SEOにおける外部発リンク評価とPageRankの歪み」というテーマで、現在の検索エンジンがウェブ上のリンク構造（グラフ構造）と情報の信頼性をどのように計算しているのか、そしてその高度な数理モデルの隙間を突く形で蔓延している「外部発リンクを利用した『おすすめ〇〇選』記事の量産スパム」がなぜ検索上位に表示されてしまうのかについて、アルゴリズムの深層構造から徹底的に解き明かしていきます。

これまでの記事では、現代の検索エンジンが計算コスト（情報処理負荷）のパンクを防ぐために、URLやtitleタグといった軽量シグナルを用いてホームページ（ウェブサイト）全体のベクトル重心を算出していることや、法人運営による信頼性（Tスコア）を隠れ蓑にした類似ページのクラスタリングが一部の領域で機能してしまっている問題についてお伝えしてきました。

SEOにおけるベクトル分布と意味の重心 インテントマッチによるクエリの揺れと厳密性を踏まえたホームページ設計

検索エンジンの計算コストとベクトル重心の判定構造｜URL・titleの優位性と滞在時間の誤解を解くSEO設計

SEOにおける類似ページのクラスタリングとベクトル重心の歪み｜法人サイトの信頼性と古典的手法が通用する境界線

そうした検索結果の歪みの中でも、現在多くの実在企業の経営者やWebマーケターが最も強い疑問と憤りを感じている現象のひとつが、「地域名＋業種（たとえば『京都 ホームページ制作』や『〇〇市 リフォーム』『〇〇県 税理士』など）」の検索結果において、実際にその地域で事業を営んでいる企業の公式ホームページを押しのけて、「〇〇でおすすめの会社25選！」といった第三者のまとめ記事（キュレーション記事）が検索上位を占拠しているという事態です。

しかも、それらの上位にある「おすすめ記事」の多くを詳しく調べてみると、記事を公開している運営元は実際にその地域の企業へ取材や発注をして検証したわけでは一切なく、全都道府県・複数業種にわたって機械的に同じような記事を何百本も量産しているに過ぎません。記事にアクセスしてみると、画面いっぱいに自社サービス（一括見積もりや紹介サービス、自社のツールなど）へ誘導するポップアップが表示されたり、おすすめリストの最上部や途中にちゃっかり自社の名前を混ぜ込んで問い合わせを奪おうとしたりする、実質的なキーワード拾いスパムであるケースが大半です。

なぜ、独自の体験（Experience）も一次情報も持たないこのようなまとめ記事が、誠実に実務を行っている企業の公式ホームページよりも高く評価されてしまうのでしょうか。

その背景には、大きく分けて2つのアルゴリズム上の要因が存在します。1つ目は、検索エンジンが「地域名＋業種」で検索するユーザーの意図を「複数の会社を比較して探したいというインテント」として解釈し、一覧性のあるページを優遇してしまうというインテントマッチ上の問題です。そして2つ目が、今回の主題である「外部発リンク（アウトバウンドリンク）によって、リンク先である実在企業の権威性と信頼性を借り受け、自ページのスコアと『確信度（Confidence）』を加算させる」という現代のグラフ解析アルゴリズムの構造です。

おそらく、こうしたおすすめ記事を量産している業者自身は、背後に存在する高等な数学的関数やグラフ理論などを意識して行っているわけではなく、「紹介する企業の公式ホームページへ外部リンクを張っておけば検索順位が上がりやすい」という感覚的・経験則的な模倣でやっているだけだと推測されます。しかし、その行為が結果として、HITS（Hyperlink-Induced Topic Search）の派生モデルであるHubAvgやTrustRank、さらには現代の検索エンジンが導入しているGNN（グラフニューラルネットワーク）やGraphSAGEといった深層学習モデルの「近傍集約と確信度スコアリング」の急所を突く形となっています。

さらに深刻なのは、この「外部発リンクによるスコア加算」の構造が、実在する個別企業が自社のホームページ（ウェブサイト）を改良して評価を高めれば高めるほど、その評価向上分がそのまま外部発リンクを通じて「まとめ記事側」に再加点されてしまうという、経済学者トマ・ピケティが『21世紀の資本』で示した不等式「r＞g」にも似た構造的矛盾を抱えている点です。

そういったことから今回は、外部発リンクを用いたまとめ記事スパムの実態から入り、HITSやGNN（GraphSAGE）による外部発リンク評価と確信度の学術的・数理的なメカニズム、ピケティの経済学モデルと重なる検索アルゴリズムの構造的欠陥、そして検索エンジンの健全化に向けた提言と私たちが採るべき実践的な防衛・打開戦略について詳しくお伝えしていきます。

「地域名＋業種」の検索結果を占拠する「おすすめ選」量産記事の実態とインテントマッチ

外部発リンクの数理モデルに踏み込む前に、まず現在「地域名＋業種」の検索結果画面（SERPs）で何が起きているのか、その具体的な手口と、検索エンジンのインテントマッチ（検索意図の照合）がなぜそれを許してしまっているのかという表層の構造から整理していきます。

実体験や検証なき全都道府県・複数業種でのAIまとめ記事量産と自社誘導のスパム的構造

現在、あらゆる業界の「地域名＋業種名」や「地域名＋サービス名」で検索を行うと、「〇〇県でおすすめの〇〇会社20選」「〇〇市で実績豊富な〇〇業者まとめ」といったタイトルの記事が検索結果の1ページ目にズラリと並ぶ光景が日常化しています。

これらの記事の構造を観察すると、驚くほど共通したパターンが見えてきます。まず、その記事を公開しているホームページ（ウェブサイト）内の他のページを見てみると、北海道から沖縄までの47都道府県すべて、さらには主要な市区町村ごとに、全く同じ構成の「おすすめ〇〇選」記事が何百ページ、何千ページと機械的に量産されています。中には、Web制作、システム開発、動画制作、広告代理店、さらには畑違いの士業や人材派遣に至るまで、あらゆるBtoB・BtoCの業種キーワードを手当たり次第に網羅しているサイトもあります。

当然ながら、1つの運営会社が日本全国のすべての地域において、何十社もの業者に実際に業務を発注して品質を検証することなど物理的に不可能です。つまり、そこに書かれている「おすすめ」には、実体験や独自の検証といった裏付けは一切存在しません。実際には、その地域のキーワードで検索した際に上位に出てくる実在企業のホームページを機械的にかき集め（スクレイピングや外注ワーカーによる収集）、各社のホームページに書かれている特徴や会社概要をAIに入力して、もっともらしい紹介文に要約・リライトさせただけの「AI時代のコタツ記事」にほかなりません。

そして、なぜ彼らがこれほどの手間をかけて他社を紹介する記事を量産しているのかといえば、その目的は「地域名＋業種」という購買意欲の高い検索キーワードのアクセスを横取りし、自社のサービスへと誘導することにあります。

知らないと損をする「Web制作会社おすすめ◯選」の真実と信憑性

ページを開くと画面を覆い隠すように「業者選びなら当社の無料相談へ」「一括見積もりはこちら」といったポップアップや追尾バナーが表示されたり、「おすすめ25選」の1社目や上位の目立つ枠に、その地域に拠点すら持たない自社のサービスをさりげなく混ぜ込んで問い合わせを獲得しようとしたりします。

他社の名前と信用を無断で看板として利用し、集まった見込み客を自社へ引き込むという点において、極めてスパム的な性質を持った手法といえます。

SEOスパム（検索エンジンスパム）について SEO内部対策要因

かつての日本語検索アップデートで排除されたはずのキュレーション手法がAIで再浮上した背景

長年WebマーケティングやSEOの現場に携わってきた方であれば、この光景に強い既視感を覚えるはずです。かつて2016年頃、日本国内の検索結果が、専門知識を持たないライターが他サイトの情報をツギハギして量産した「まとめサイト（キュレーションメディア）」によって埋め尽くされ、大きな社会問題となったことがありました。

当時、Googleは事態を重く見て、2016年末から2017年にかけて日本独自の「日本語検索の品質向上アップデート」を断行しました。その際、「他サイトの情報を集めてまとめただけの、独自の付加価値を持たないキュレーションページ」の評価を大幅に引き下げ、実際に現場で事業を行っている公式ホームページや専門家の一次情報を上位に表示させるようアルゴリズムを改修した経緯があります。つまり、こうした検証なきまとめ記事は、本来であればすでに過去の遺物として排除されたはずのものでした。

それにもかかわらず、なぜ今再びこの手法が検索結果の上位に返り咲いてしまっているのでしょうか。その背景には、生成AIの急速な進化があります。

かつてのまとめサイトは、安価なクラウドワーカーが手作業でコピー＆ペーストに近い不自然な文章を書いていたため、語彙の偏りや文法の稚拙さから低品質なスパムとして検知することが容易でした。しかし現代では、大規模言語モデル（LLM）を用いることで、各企業の公式ホームページの情報を抽出しながら、一見すると専門家が比較分析したかのような整然とした論理構造と滑らかな日本語で「おすすめ記事」を生成できてしまいます。

さらにそこに、後述する「実在する法人エンティティの正確な記載」と「外部発リンク」を組み合わせることで、かつてのキュレーション排除フィルタをすり抜け、より洗練された形で再浮上してしまっているという現実があります。

「会社探し」の検索意図（コマーシャルインテント）が単一企業のホームページより比較リストを優遇する仕組み

こうした実体験のないまとめ記事が検索上位に表示されてしまう1つ目のアルゴリズム上の理由は、検索エンジンにおける「インテントマッチ（検索意図の解釈）」の仕様にあります。

ユーザーが検索窓に「京都 ホームページ制作」や「大阪 システム開発会社」といった「地域名＋業種」のキーワードを入力したとき、そのユーザーの頭の中にある検索意図は何でしょうか。すでに特定の1社（たとえばA社）に依頼することを決めているのであれば、ユーザーは最初から「A社」と指名検索を行います。あえて社名を入れずに「地域名＋業種」で検索しているということは、ユーザーの多くは「その地域にどのような会社があるのか、まずは複数の候補をリストアップして比較検討したい」という商業調査意図（コマーシャルインベスティゲーション・インテント）を持っています。

このとき、1つの実在企業の公式ホームページ（トップページ）には、当然ながら「自社1社のみの情報」しか書かれていません。一方で、「おすすめ25選」のまとめ記事には、その地域の25社分の概要と特徴、料金目安、URLが1ページの中に一覧として網羅されています。

前回の記事で解説した「検索結果画面でのクリックログ評価（時間とURLの遷移解析）」の視点から見ると、1社の公式ホームページをクリックしたユーザーは、他の候補も見るために一度ブラウザバックして検索結果画面へ戻り、2位や3位の会社のホームページも順番にクリックして見比べようとします。ところが、25社がまとまった一覧記事をクリックしたユーザーは、そのページの中で複数社の比較と各社ホームページへの移動が完結してしまうため、検索結果画面へと引き返す（ポゴスティッキングする）確率が低くなります。

その結果、検索エンジンの機械学習モデルは、「『地域名＋業種』のクエリにおいては、1社だけの公式ホームページよりも、複数社を一覧化したハブページ（まとめ記事）を上位に表示させたほうが、ユーザーの再検索率が下がり満足度が高い」と表面的な行動データから学習してしまいます。これが、インテントマッチの視点からまとめ記事が優遇されてしまう構造的な罠です。

外部発リンクの設置が感覚的なテクニックからアルゴリズム上の強力な加点要素へと転化する瞬間

そして、もしそのまとめ記事が単に「社名のテキスト」を並べただけのページであれば、ただの薄いテキストページとしてここまで強い評価を得ることはできません。まとめ記事を量産しているサイトが、実在企業の公式ホームページを追い抜くほどの異常なドメイン評価とページ評価を獲得している最大の要因が、紹介している20社〜30社の公式ホームページへ向けて設置された「外部発リンク（アウトバウンドリンク）」の存在です。

多くのまとめ記事作成者は、おそらく「引用元としてリンクを張っておかないと不自然だから」「SEOのノウハウ記事で『関連性の高い権威サイトへ発リンクを張ると評価が上がる』と聞いたことがあるから」といった、極めて感覚的な理由で各社のURLリンクを設置しているに過ぎません。

しかし、この「地域で上位表示されている実在企業の公式ホームページ群へ向けて、1つのページから一斉に外部発リンクを張る」という行為が、検索エンジンの根幹にあるグラフ理論と深層学習のアルゴリズムにおいて、リンク先の企業が持つ権威性と信頼性を自ページへと逆流させ、スコアを大幅にブーストさせる結果を生んでいます。

ここからは、この外部発リンクによるスコア加算の数理的な仕組みについて、学術レベルのモデルから詳しく紐解いていきます。

現代のPageRankと外部発リンク（Outlink）がページの信頼性とスコアを高める数理モデル

SEOにおいて「リンク」というと、外部のサイトから自分のサイトへ向けて張られる「被リンク（インバウンドリンク・バックリンク）」ばかりが注目されがちです。しかし、検索エンジンのウェブグラフ解析の歴史と現代のアルゴリズムにおいては、自分のページからどの外部サイトへ向けてリンクを張っているかという「外部発リンク（アウトバウンドリンク・アウトリンク）」もまた、ページの価値と信頼性を決定づける重要な変数として組み込まれています。その代表的な数理モデルについて解説します。

古典的PageRank（被リンク評価）の限界と「どのホームページへ発リンクしているか」という逆方向の評価軸

Googleの創業者であるラリー・ページらが考案した初期の「PageRank（ページランク）」は、ウェブ全体を巨大な有向グラフ（ページを頂点＝ノード、ハイパーリンクを矢印＝エッジとするネットワーク）として捉え、「多くの良質なページからリンク（被リンク）を受けているページは重要である」というランダムサーファーモデルに基づいたアルゴリズムでした。

この古典的なPageRankの計算式だけを見ると、自分のページから外部のホームページへ発リンクを張ることは、自ページが持つ評価（いわゆるリンクジュース）を外部へ流出・分散させてしまう行為のように見えました。そのため、一昔前のSEOでは「外部へ発リンクを張るな、張るとしてもnofollow属性をつけて評価の流出を防げ」といった極端なテクニックが信じられていた時代もありました。

しかし、被リンクだけを頼りにページの価値を測るモデルには重大な限界がありました。新しく公開されたばかりのページや、商業的な理由から他社がなかなか被リンクを張ってくれない領域のページを正しく評価できないことや、自作自演の被リンクスパムに弱いという欠点です。

そこで検索エンジンの研究者たちは、「誰からリンクされているか（被リンク）」だけでなく、「そのページ自身が、どのようなホームページ（ウェブサイト）を参照・引用して外部発リンクを送っているか」という発リンクの方向と質を解析することで、ページの専門性と信頼性を測定するモデルを発展させてきました。

HITS（Hyperlink-Induced Topic Search）アルゴリズムにおけるAuthorityとHubの相互再帰構造

外部発リンクによってページ自身の評価が高まる仕組みを数学的に定義した最も有名な基礎モデルが、PageRankとほぼ同時期にコーネル大学のジョン・クラインバーグ（Jon Kleinberg）教授によって提唱された「HITS（Hyperlink-Induced Topic Search）」アルゴリズムです。現代の検索エンジンにおけるトピック別リンク解析の根底には、このHITSの思想が深く息づいています。

HITSアルゴリズムでは、インターネット上のすべてのWebページに対して、単一のスコアではなく、「Authority（オーソリティ：権威スコア）」と「Hub（ハブ：集約・案内スコア）」という2つの異なる役割のスコアを割り当てます。

Authorityとは、ある特定のトピックに関して確かな一次情報や実体を持っており、多くのページから参照される「情報の目的地（たとえば、その地域で実際に実績を上げているWeb制作会社や工務店の公式ホームページ）」としての価値を表すスコアです。一方のHubとは、それ自体が最終目的地ではないものの、どのページが優れたAuthorityであるかを見極めてリンクをまとめ、ユーザーを適切なAuthorityへと導く「良質なリンク集・案内所（ディレクトリやキュレーションページ）」としての価値を表すスコアです。

そしてHITSの数理モデルの最大の特徴は、このAuthorityスコアとHubスコアが「相互再帰的（Mutual Recursion）」に定義され、反復計算によって同時に収束していく点にあります。具体的には、「多くの優れたHubページから被リンクを受けているページは、高いAuthorityスコアを得る」と定義されるのと同時に、「多くの高いAuthorityスコアを持つページへ向けて外部発リンクを張っているページは、それ自体が高いHubスコアを得る」という数式（隣接行列とその転置行列の掛け合わせによる固有ベクトル計算）が成り立っています。

つまり、HITSおよびその派生モデルの評価軸においては、すでに地域で高い評価（Authority）を確立している実在企業の公式ホームページ25社を探し出し、自社の1つの記事からその25社へ向けて外部発リンクを一斉に設置するだけで、発リンク先の25社が持つAuthorityスコアの反射を受けて、そのまとめ記事自身の「Hubスコア」が自動的に跳ね上がるという数学的構造が存在します。

無制限なリンク水増しを防ぐ派生モデル「HubAvg（平均ハブスコア）」と厳選リスト化が噛み合う理由

もちろん、初期の単純なHITSアルゴリズムのままでは、「発リンク先のAuthorityスコアの単純な足し算（総和：Sum）」でHubスコアが計算されるため、ページ内に何百、何千という外部発リンクを無差別に貼り付ければ、それだけHubスコアを無限に水増しできてしまうという脆弱性がありました。

この問題を解決するために検索工学の研究で生まれたHITSの代表的な派生モデルが、「HubAvg（Average Hub Score：平均ハブスコア）」や、発リンク数による正規化（Normalization）を組み込んだリンク評価モデルです。

HubAvgモデルにおいては、あるページのHubスコアは、発リンク先のAuthorityスコアの単純な合計ではなく、「発リンクしている全リンク先のAuthorityスコアの平均値（あるいは上位リンク群の加重平均）」によって算出されます。もしページ内に、無関係な低品質サイトやスパムサイトへの発リンクが混ざっていれば、平均値が引き下げられてHubAvgスコアは低下します。

ところが、現在横行している「〇〇県のおすすめ会社20選・25選」といったまとめ記事がやっていることを、このHubAvgの数式に当てはめてみるとどうなるでしょうか。

彼らは、すでにGoogleで「地域名＋業種」を検索した際に1ページ目〜3ページ目に出てくる、Google自身が「この地域のAuthorityである」と認めた上位20社〜25社の公式ホームページだけを狙い撃ちしてリストアップし、そこへ外部発リンクを設置しています。無関係な低評価サイトへの発リンクは一切含めず、高Authorityな実在法人サイトだけを高純度で25個並べるため、合計値だけでなく「発リンク先の平均権威スコア（HubAvg）」までもが理論上の最高値に近い水準として算出されてしまいます。これが、「おすすめ20選〜30選」という規模の外部発リンク記事が、アルゴリズム上で異常なほど強いハブ評価を獲得してしまう数理的なからくりです。

TrustRankにおけるシードサイトとのグラフ近接性と外部発リンクによるスパム判定の回避

さらに、外部発リンクはページの「信頼性（スパムではないという証明）」を測るアルゴリズムである「TrustRank（トラストランク）」およびその派生系においても有利に働きます。

ウェブグラフ上のスパム検知には、「良質なサイトは悪質なスパムサイトへは滅多にリンクを張らないが、スパムサイトは互いにリンクを張り合うか、特定の操作対象へリンクを集中させる」という非対称な性質があります。検索エンジンは、公的機関や上場企業、長年実態を持って運営されている信頼性の高い法人ドメインを「シードサイト（信頼の起点）」として設定し、そのシードサイトとグラフ上でどのように接続されているかによって各ページの信頼度を計算しています。

AIで量産された中身のないアフィリエイト記事であっても、ページ内から地域の確かな実在法人（高いTrustを持つシードに近いドメイン群）へ正しく外部発リンクを張り、健全なアウトバウンドグラフを形成することで、「このページは信頼できる実在エンティティ群を正しく参照している健全な案内ページである」とみなされ、低品質スパムとしての足切りを回避する盾として機能してしまっています。

GNN（グラフニューラルネットワーク）と「確信度（Confidence）」がまとめ記事を優遇する深層学習の死角

HITSやHubAvg、TrustRankといった古典的・統計的なグラフアルゴリズムに加えて、現在のGoogleをはじめとする検索エンジンは、ウェブグラフやナレッジグラフ（知識グラフ）の解析に「GNN（Graph Neural Networks：グラフニューラルネットワーク）」などの最新の深層学習モデルを導入しています。実は、アルゴリズムがAI化・高度化したことによって、皮肉にも外部発リンクを用いたまとめ記事への「過大評価」がさらに強まってしまうという深層学習ならではの死角が生まれています。

ウェブグラフとエンティティグラフの解析に用いられるGNNおよびGraphSAGEのアルゴリズム構造

これまでの文章のベクトル化（BERTやMUM、あるいは埋め込みモデルなど）は、主に「1つのページの中に書かれているテキストの文脈」を解析するものでした。それに対して、ページとページを結ぶ「ハイパーリンクのネットワーク構造」や、企業・人物・場所といった「エンティティ同士の関係性」を深層学習のベクトル空間へと統合するために用いられる技術が、GNN（グラフニューラルネットワーク）です。

中でも、インターネット全体のように日々新しいページ（ノード）が追加される巨大なグラフ構造に対して、計算コストを抑えながら各ノードの特徴ベクトル（埋め込み表現：Embedding）を算出する代表的なモデルとして、スタンフォード大学の研究チーム（後にGoogleの研究者らとも深く関わる領域）が開発した「GraphSAGE（SAmple and aggreGatE）」などの手法が知られています。

GraphSAGEの基本的な仕組みは、その名前の通り「サンプリング（Sample）」と「集約（Aggregate）」です。あるWebページ（対象ノード）の最終的な意味ベクトルや品質スコアを決定する際、そのページ自身のテキスト情報だけで計算するのではなく、そのページとリンク（エッジ）で直接つながっている周囲のページ群（近傍ノード：Neighborhood）を一定数サンプリングし、それら近傍ノードが持っている特徴ベクトルを平均化やプーリング（最大値抽出）、ニューラルネットワーク層によって「集約（Aggregate）」し、自分自身のベクトルと結合して新しい高次のベクトル表現を生成します。

つまり、GNNの世界においては、「あなたがどういう人物（ページ）であるかは、あなた自身の言葉だけでなく、あなたが誰とつながっているか（近傍ノードの性質の集合）によって定義される」という計算が自動的に行われています。

発リンク先の実在企業群から特徴ベクトルを吸い上げる「近傍集約（Neighborhood Aggregation）」の罠

このGraphSAGEなどのGNNが持つ「近傍集約（Neighborhood Aggregation）」のメカニズムを、先ほどの「地域名＋業種のおすすめ25選」のまとめ記事に当てはめてみると、極めて深刻な現象が浮かび上がります。

たとえば、「京都でおすすめのホームページ制作会社25選」というまとめ記事を作ったとします。その記事自体の運営元は東京にある無関係なメディア会社であり、記事のテキスト自体はAIで出力した当たり障りのない紹介文の羅列だったとします。本来であれば、そのページ単体の特徴ベクトルには、京都での実務経験も、深いWeb制作の専門性も備わっていません。

しかし、その記事が京都で長年実績を上げている実在のホームページ制作会社25社の公式サイトへ向けて外部発リンク（エッジ）を張り、各社の社名と特徴を記述した瞬間、グラフ構造の上では「京都の優良な実在制作会社25個のノードと直接結ばれたハブノード」が誕生します。

ここにGNNの近傍集約（メッセージパッシング）が実行されるとどうなるでしょうか。リンクで接続された近傍ノードである25社の公式ホームページそれぞれが持つ、「京都という地域性の強いベクトル」「ホームページ制作という純度の高い専門性ベクトル」「実在法人としての高い信頼性（Tスコア）の特徴量」がサンプリングされ、集約関数を通じてまとめ記事のノードへと一斉に流し込まれます（特徴量の吸い上げ）。

その結果、GNNの出力層において生成されるそのまとめ記事のノード表現（埋め込みベクトル）は、25社分の専門性と地域性と信頼性をブレンドした「超・高純度な『京都×ホームページ制作』の代表ベクトル」へと化けてしまいます。記事を書いた本人は1ミリも現場の汗をかいていないにもかかわらず、外部発リンクというエッジを25本伸ばすだけで、近傍集約のアルゴリズムによって他社が長年培った特徴ベクトルをそっくりそのまま自ページの評価として借用できてしまうという、深層学習モデル特有の死角がここにあります。

ナレッジグラフとの整合性と「確信度（Confidence Score）」がAI生成テキストに与えてしまうお墨付き

さらに、現代の検索エンジンがページの情報の信頼性や正確性を判定する上で重視している指標に「確信度（Confidence Score：事実確信度・認識論的確信度）」があります。これは、ページ内に書かれている情報がデタラメやAIのハルシネーション（もっともらしい嘘）ではなく、客観的な事実（ファクト）に基づいている確率がどれだけ高いかを0から1のスコア等で算出する仕組みです。

検索エンジンがこの「確信度」を計算する際、最大の拠り所としているのが、Google自身が保有している巨大な事実データベースである「ナレッジグラフ（Knowledge Graph）」および「Googleビジネスプロフィール（旧マイビジネス）」のエンティティ情報との照合です。

「おすすめ25選」のまとめ記事の中には、紹介されている25社それぞれの「正式な法人名（屋号）」「所在地（住所）」「電話番号」「設立年や代表者名」、そして「公式ホームページの正確なURL（外部発リンク）」がセットで記述されています。

検索エンジンのクローラーがこのページを解析すると、ページ内に登場する25個のエンティティ（企業名）と、そこに張られている外部発リンクのURL、および住所等の属性情報が、Googleのナレッジグラフ内に登録されている「主語（企業エンティティ）―述語（公式サイトURL・所在地）―目的語（実際のURL・住所）」というトリプル（三つ組データ）と、25件すべてにおいて100％完璧に一致することが確認されます。

するとアルゴリズムは、「このページは、実在が確認されている25個の異なる法人エンティティについて、ナレッジグラフの事実データと寸分の狂いもない正確な属性情報と正しい公式リンクを提供している。したがって、このページの情報信頼性（確信度スコア）は極めて高い」と判定してしまいます。

実際には、各社の紹介文のテキスト部分はAIが適当に要約した中身のない文章であり、本当に「おすすめ」できるかどうかの検証など一切行われていません。しかし、周りを固める「社名・住所・外部発リンク」という骨格のファクトチェック（確信度）が満点を叩き出してしまうため、そのハロー効果によってAI生成の薄い紹介文までもが「信頼性の高い有益なコンテンツ」としてお墨付きを与えられ、検索結果の最上部へと押し上げられてしまう構造になっています。

経済学「r＞g（21世紀の資本）」に見る外部発リンク加点構造の致命的な矛盾

ここまで解説してきた「インテントマッチの優遇」「HITSやHubAvgによるハブスコア加算」「GNN（GraphSAGE）による近傍特徴量の吸い上げ」、そして「ナレッジグラフ照合による確信度の獲得」という一連のアルゴリズム構造をつなぎ合わせると、現在の検索エンジンの評価システムには、単なるスパムの見逃しにとどまらない、市場の公正な競争を破壊する「構造的な欠陥（バグ的矛盾）」が潜んでいることが分かります。この矛盾を、経済学の視点を用いて論理的に証明します。

25社の公式ホームページの評価が1つの「おすすめ25選」まとめ記事へと収束する搾取構造

まず起きている第一の現象は、「価値の源泉である実在企業群の評価が、1つのまとめ記事へと収束・吸収される」という構造です。

たとえば、ある地域で25社のWeb制作会社がそれぞれ実店舗やオフィスを構え、クライアントと向き合ってホームページを制作し、自社の公式ホームページ上で実績や専門知識を発信しているとします。本来、その地域の「地域名＋ホームページ制作」という検索クエリにおいて評価されるべき一次情報の価値は、この25社それぞれの実務活動によって生み出されています。

ところが、第三者のメディアがやってきて「おすすめ25選」という1枚のページを作り、その25社の公式ホームページへ外部発リンクを張った瞬間、HITSのHubスコアおよびGNNの近傍集約の計算式によって、25社が個別に持っているAuthority（権威性）や信頼性ベクトルが、その1枚のまとめ記事へと束ねられて集約されます。

1社の公式ホームページが持つのは「自社1社分のAuthorityスコア」ですが、まとめ記事は外部発リンクを通じて「25社分のAuthorityスコアの集合体（高いHubAvgと近傍集約ベクトル）」を身にまといます。その結果、実体のある1社ずつの公式ホームページよりも、25社分の威光を借りて肥大化したまとめ記事の方が総合スコアで上回り、検索結果の上位を占拠してしまうという逆転現象が起こります。

個別企業がまとめ記事を追い抜こうと努力するほどまとめ記事のスコアが再加点される無限ループ

そして、この構造が持つ最も恐ろしく、かつ理不尽な矛盾はここからのプロセスにあります。

検索結果の上位を「おすすめ25選」などのまとめ記事群に奪われ、自社へのアクセスや問い合わせが減ってしまった地域の実在企業25社は、当然ながら危機感を抱きます。そして、「あのまとめ記事を追い抜いて、もう一度自社の公式ホームページを検索結果の1ページ目の上位に戻そう」と決意し、多大な時間と労力、予算を投じて自社のホームページ（ウェブサイト）の改良に着手します。

具体的には、自社のサービスページの情報深度を徹底的に深め、新しい制作実績を追加し、専門的なコラム記事を執筆し、顧客からの信頼を集めて自社ドメインのSEO評価（AuthorityスコアやE-E-A-Tの特徴量）を懸命に引き上げたとします。

すると、検索エンジンのアルゴリズムの中で何が起きるでしょうか。

25社のうちの1社（あるいは複数社）が努力して自社ホームページの評価（Authority）を高めれば高めるほど、そのホームページへ向けて外部発リンクを張っている「おすすめ25選のまとめ記事」が受け取るHITSのハブスコア加算や、GraphSAGEの近傍集約による特徴ベクトルの品質スコアもまた、リンク先の成長に連動して「自動的に再加点されて引き上がってしまう」という現象が発生します。

つまり、追い抜こうとして走る実在企業が前に1歩進めば、その背中にロープ（外部発リンク）を引っ掛けているまとめ記事も自動的に前に引っ張り上げられるため、どれだけ実在企業がホームページを改良しても、その努力の結晶がそのまままとめ記事のスコアを強化する養分として吸い上げられてしまうという無限ループの構造になっています。

トマ・ピケティの不等式「r＞g」と完全に一致する検索アルゴリズムの資本主義的欠陥

この「外部発リンクによるスコア加算と再加点」が引き起こす不条理な構造は、フランスの経済学者トマ・ピケティ氏（以下、敬称略）が著書『21世紀の資本』において歴史的データから証明した、古典的な資本主義の構造的欠陥を示す有名な不等式「r＞g」と全く同じ数理構造を持っています。

ピケティの不等式における「g」とは、人々が実際に汗を流して働き、新しい製品やサービスを生み出すことによって得られる「経済成長率（労働所得の伸び）」です。一方で「r」とは、株や不動産などの資産を所有し、他人の労働が生み出す利益から配当や利子を受け取る「資本収益率（不労所得の伸び）」を指します。ピケティは、自由放任の市場においては常に資本収益率「r」が経済成長率「g」を上回る（r＞gとなる）ため、真面目に働いて労働所得（g）を増やそうとする労働者は、労働者たちの成長分を株式配当として自動的に吸い上げて複利で膨張し続ける資本家（r）に永遠に追いつけず、格差が無限に拡大していくことを示しました。

現代のSEOにおける「実在企業の公式ホームページ」と「外部発リンクを用いたまとめ記事」の関係は、まさにこの「g（労働）」と「r（資本）」の関係そのものです。

地域の実在企業が実務を行い、独自の一次情報を書いて自社ホームページの評価を高める地道な努力が「労働による成長（g）」だとすれば、自らは実務を行わず、他社25社のURLをリスト化して外部発リンク（ポートフォリオ）を組むだけで、リンク先25社分の評価と成長を自動的に自ページのハブスコア・確信度として取り込むまとめ記事の構造は、紛れもなく「ネットワーク資本による不労収益（r）」です。

個別企業1社が血の滲むような努力で自社の評価を「＋10」高めた（gの成長）としても、25社すべてに外部発リンクを張っているまとめ記事は、25社それぞれの改善努力の総和や平均上昇分をポートフォリオ全体から自動的に吸い上げる（rの収益）ため、常に「まとめ記事への再加点レート（r）＞個別企業の単独の成長レート（g）」という不等式が成立してしまいます。これが、実務を行っている本物の企業のホームページが、検証なき「おすすめ25選」のコタツ記事に構造的に勝てなくなってしまう経済学的・数理的な正体です。

減衰係数や補正関数の限界と検索エンジンの存在価値を問う構造的問題

もちろん、検索エンジンのアルゴリズムは完全に公開されているわけではなく、Googleのエンジニアリングチームもこのような単純なハブスコアの暴走を放置しているわけではありません。実際のランキング計算式の中には、外部発リンクの数が増えるごとに1本あたりの加点効果を薄める「減衰係数（Damping Factor）」や、ページ単体の独自性（インフォメーションゲイン）が低い場合にスコアを割り引く補正関数などが一定程度組み込まれていると推測されます。

しかし、現在進行形で全国の「地域名＋業種」の検索結果がこうしたAI量産の「おすすめ〇〇選」記事に席巻されているという動かしがたい事実が、その補正係数や減衰関数が「インテントマッチの優遇」と「GNN・確信度による加算」の勢いを抑え込めていないことを如実に物語っています。

汗を流して一次情報を生み出す生産者（実在企業のホームページ）が検索結果の下位へと追いやられ、他人のふんどしで相撲を取るだけの仲介スパム（検証なきまとめ記事）が上位を独占し、見込み客に対してポップアップで自社サービスを押し売りする…

このような「r＞g」の搾取構造が放置されることは、健全な商取引のエコシステムを歪めるだけでなく、「最も信頼できる一次情報へユーザーを導く」という検索エンジン自身の存在価値を根底から疑わせる深刻な問題です。かつての日本語検索アップデートのように、この構造的な歪みを根本から正すための抜本的なアルゴリズムアップデートが強く望まれます。

まとめ記事スパムの根本的な排除に向けた提言と私たちが採るべきホームページ戦略

それでは、検索エンジンは今後どのような方向へアルゴリズムを修正すべきなのか、そしてこの過渡期の歪んだ検索環境の中で、私たち実在する事業者はいかにしてまとめ記事スパムに埋もれず、自社のホームページ（ウェブサイト）へ見込み客を集めてコンバージョンを獲得していけばよいのか、具体的な提言と実務戦略をお伝えします。

インデックス削除ではなく「おすすめ・比較」を含むクエリのみに隔離する厳格なインテント分離の必要性

まず、検索エンジンのアルゴリズム設計に対する建設的な視点として、必ずしも世の中のすべての比較記事やまとめ記事を「インデックスから完全に削除（抹消）すべきだ」というわけではありません。なぜなら、ユーザー自身が最初から「ホームページ制作会社 おすすめ」「〇〇 比較 一覧」というキーワードを入力して検索している場合には、複数の企業を一覧で見比べられるハブページが表示されること自体には一定の合理性があるからです。

本当の問題は、ユーザーが「おすすめ」とも「比較」とも入力しておらず、純粋に「地域名＋業種（たとえば『京都 ホームページ制作』）」と検索してその地域の事業者の公式ホームページを探しているクエリにおいてまで、外部発リンクでスコアを水増しした第三者の「おすすめ25選」記事が大量に混入し、当事者である実在企業の公式ホームページの枠を奪ってしまっている点にあります。

これまでの記事でお伝えしてきた「インテントの厳密性」を正しく機能させるのであれば、検索エンジンは「地域名＋業種」という純粋なクエリと、「地域名＋業種＋おすすめ（比較・ランキング・選）」というクエリの検索意図を厳格に分離（アイソレーション）する必要があります。

具体的には、自らはサービス提供の実体を持たず、多数の外部ドメインへの発リンクによって構成されているハブ型（ディレクトリ・まとめ型）のページに対しては、タイトルにどれだけ地域名と業種名が入っていようとも、純粋な「地域名＋業種」のクエリにおいては強力な減算補正（デモーション）をかけて表示させないようにし、ユーザーが明示的に「おすすめ」「比較」「まとめ」という語彙を含めて検索したクエリ空間の中にだけ隔離して表示させるという処理です。このクエリ空間の分離が行われるだけで、検索結果の健全性は劇的に回復するはずです。

正当な外部発リンク（公的機関や一次情報源への参照）を自社の専門性証明に活かすホワイトハットな実装

次に、検索エンジンのアップデートを待つだけでなく、私たちが今すぐ自社のホームページ（ウェブサイト）のSEO設計に取り入れるべき実務戦略について考えます。

今回解説した「信頼性の高い権威サイト（Authority）へ外部発リンクを張ることで、GNNの近傍集約やナレッジグラフとの整合性によって自ページの『確信度（Confidence Score）』と信頼性が高まる」というアルゴリズムの仕組み自体は、決してスパム業者だけの専売特許ではありません。正しいホワイトハットSEOの手法として、私たち自身の専門ページを強化するために正当に活用することができます。

もちろん、自社のホームページの中に競合他社を25社並べた「おすすめ記事」を作る必要はありません。そうではなく、自社が公開する専門的な解説記事やサービスページの中で、主張の裏付けとなる「真の一次情報源（Googleの公式ドキュメント、官公庁や公的機関の統計データ、法律の条文、学術論文、業界団体の公式発表など）」へ向けて、文脈に沿った適切な外部発リンクを設置することです。

前回の記事で、GoogleがすべてのURLをクロールしない根拠としてGoogle検索セントラルの公式ドキュメントへ外部リンクを設置したのも、まさにこの実践例です。外部発リンクを「ページの評価が逃げるもの」として恐れる古い考え方を捨て、自社の実務経験に基づく深い解説（一次情報）の中に、公的機関やプラットフォーマーの公式見解への外部発リンクを適切に織り交ぜることで、検索エンジンの深層学習モデルに対して「このページは確かなファクトと公式情報源に裏打ちされた、確信度の極めて高い専門ページである」と正当に認識させることができます。

まとめ記事の枠組みを超越する「特定課題×実務の一次情報」による直接指名とコンバージョン設計

そして、Webマーケティングの全体戦略として最も重要なのが、「地域名＋業種」という抽象的なビッグワード1本だけに集客を依存しないサイト構造（コンバージョンから逆算した多面的な入り口設計）を築くことです。

「おすすめ25選」を量産するスパム業者が外部発リンクのハブスコアを使って攻め込んでこられるのは、「京都 ホームページ制作」や「東京 システム開発」といった、誰もが思いつく表面的な「地域名＋業種名」のクエリ領域だけです。なぜなら、彼らには現場の実務経験や技術的な専門知識が一切ないため、見込み客が実際に直面している「深く具体的な課題解決クエリ」に対しては、記事を書くことも、それに対応する発リンク先を25社集めることもできないからです。

たとえば、「既存ホームページのWordPress化に伴うSEO評価の引き継ぎ」「トピックの分散による検索順位下落を301リダイレクトで回復させる改修」「他社で制作したホームページの単発（スポット）修正・エラー復旧」「コンバージョンから逆算したBtoBの導線設計」といった、実務の核心に踏み込んだ具体的なクエリ領域においては、AIで表面をなぞっただけのまとめ記事は一切太刀打ちできません。

さらに、たとえ見込み客が最初に「地域名＋業種」で検索してまとめ記事を開いたとしても、そこに並んでいる薄い紹介文や邪魔なポップアップに不満を感じた本気の発注担当者ほど、次に必ず「より具体的な課題キーワード」で再検索を行うか、あるいはリストの中にあった気になる企業名を直接検索（指名検索）して、各社の公式ホームページの中身を自分の目で厳しくチェックしに来ます。

そのとき、自社のホームページ（ウェブサイト）のトップページや各サービスページ、専門コラムに、まとめ記事の100倍の深さを持つ圧倒的な一次情報と明確な料金体系、論理的な営業導線が構築されていれば、見込み客は迷うことなくまとめ記事を閉じて、自社のホームページから直接お問い合わせをしてくれます。アルゴリズムの歪みによって入り口の1ページ目にまとめ記事が居座っている環境であっても、具体的な課題解決クエリの制圧と、圧倒的な情報開示による成約ページの磨き込みを徹底することで、事業の売上とコンバージョンは確実に守り抜くことができます。

外部発リンクの数理構造と現代SEOの歪みを乗り越える方法

ここまで、「地域名＋業種」の検索結果を占拠する「おすすめ〇〇選」量産記事の実態から、HITSやHubAvg、TrustRank、さらにはGNN（GraphSAGE）による外部発リンクからの権威性借用と確信度（Confidence）の加算構造、トマ・ピケティの「r＞g」と重なるアルゴリズムの資本主義的矛盾、そして私たちが採るべき実践的な戦略まで詳しくお伝えしてきました。最後に、今回の重要な視点をまとめます。

アルゴリズムの過渡期の矛盾を見据え揺るぎない一次情報のホームページ（ウェブサイト）を築く

現代の検索エンジンは、膨大なウェブグラフを効率よく処理して信頼性の高いページを見つけ出すために、HITSのハブ概念やGNNによる近傍集約、ナレッジグラフによる確信度判定といった極めて高度な数理モデルを導入しています。しかし、どれほど優れた数理モデルであっても、それを逆手に取って「実在企業への外部発リンク」を隠れ蓑にするAI量産スパムによって、汗をかいて一次情報を発信している個別企業の努力が吸い上げられてしまう（r＞gとなる）ような歪みが放置されてよいはずがありません。

かつて医療やキュレーションメディアの混乱が大きなアップデートによって一掃されたように、実体験や検証を伴わない表層的な「おすすめ記事」の量産もまた、インテント分離の厳格化やパッセージ単位の実質的な情報付加価値（インフォメーションゲイン）の評価高度化によって、やがて必ず淘汰・隔離される日がやってきます。

私たち実務を担う事業者がなすべきことは、そうした一過性のスパム手法を羨んだり模倣したりすることではありません。外部発リンクが持つ正当な信頼性向上の仕組みは公式情報源の適切な引用として正しく活かしつつ、まとめ記事が決して踏み込むことのできない「顧客の具体的な課題に対する深い専門知識と実務の一次情報」を自社のホームページ（ウェブサイト）に惜しみなく蓄積していくことです。

表層的なリンクのトリックではなく、人間の見込み客が読んだ瞬間に「こここそが本物の専門家だ」と確信できる強固なホームページを築き上げることこそが、いかなるアルゴリズムの歪みも乗り越えて事業に持続的な成長をもたらす唯一の道となります。

前回 SEOにおける類似ページのクラスタリングとベクトル重心の歪み｜法人サイトの信頼性と古典的手法が通用する境界線

SEO（検索エンジン最適化）対策と費用・料金