Как Google визуально выделяет популярные профили в поиске и использует частоту запросов для борьбы с фейковыми аккаунтами

Термины и определения

Affinity Data/Score (Данные/Оценка аффинности)

Метрика, определяющая близость или степень связи между двумя сторонами в социальном графе (например, между пользователем, выполняющим поиск, и найденным профилем). Учитывает частоту и тип взаимодействий, общие контакты.

Popularity Data/Score (Данные/Оценка популярности)

Метрика, определяющая популярность профиля. Основана преимущественно на количестве других профилей, имеющих ассоциацию с данным профилем (например, друзья, подписчики, фолловеры).

Popularity/Quality Difference (Разница в популярности/качестве)

Разница между оценками двух последовательных профилей в результатах поиска. Может вычисляться как абсолютная разница или как соотношение (ratio) оценок. Используется для определения наличия значительного «разрыва» (Gap).

Quality Data/Score (Данные/Оценка качества)

Метрика, определяющая уровень значимости или вовлеченности профиля. Основана на взаимодействиях других пользователей с контентом профиля (например, количество «лайков», частота и тональность комментариев).

Query Frequency (Частота запроса)

Частота, с которой данный или похожий поисковый запрос отправляется в поисковую систему за определенный период времени.

Social Graph (Социальный граф)

Структура данных, представляющая связи между пользователями и контентом в рамках одной или нескольких сетей.

Threshold (Порог)

Пороговое значение. Используется в двух контекстах: 1) Минимальная разница в популярности/качестве, необходимая для активации визуального выделения. 2) Динамически регулируемое значение качества/популярности, необходимое для отображения профиля в выдаче (зависит от частоты запроса).

Trigger Engine (Механизм триггеров)

Компонент системы, который определяет, следует ли отображать специальную область для результатов профилей, основываясь на сравнении оценок профилей с динамическим порогом.

User Profile (Профиль пользователя)

Результат поиска, соответствующий аккаунту пользователя (или сущности) в социальной сети или аналогичном сервисе.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на методе визуального выделения результатов.

Claim 1 (Независимый пункт): Описывает основной процесс визуального выделения (Emphasis).

1. Система получает результаты поиска по запросу, включающие первый и второй профили пользователей.
2. Определяется Popularity Difference между популярностью первого и второго профилей.
3. Популярность определяется на основе количества других профилей, ассоциированных с данным профилем.
4. Разница вычисляется как абсолютная разница ИЛИ как соотношение (ratio) между Popularity Scores.
5. Система определяет, что Popularity Difference превышает Threshold.
6. На основании этого система вызывает представление результатов в области отображения так, что первый профиль визуально выделяется (emphasized) относительно второго.

Claim 2 и 3 (Зависимые): Дополняют механизм выделения, добавляя возможность использования Quality Difference (разницы в качестве) в дополнение к популярности.

Claim 4 и 5 (Зависимые): Уточняют, что ассоциация между профилями — это связь в социальном графе (social graph connection), например, дружба или подписка.

Claim 6 и 7 (Зависимые): Детализируют механизм выделения. Первый профиль представляется с первым изображением, второй — со вторым. Выделение достигается за счет того, что первое изображение больше по размеру, чем второе.

Claim 8 (Зависимый): Уточняет, что область отображения профилей может быть отделена от области отображения результатов, не являющихся профилями (non-profile search results).

Где и как применяется

Изобретение применяется на финальных этапах обработки поискового запроса, влияя на способ представления уже отобранных результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно рассчитать и сохранить данные, необходимые для работы алгоритма: Popularity Scores, Quality Scores, структуру Social Graph и данные для расчета Affinity Scores.

QUNDERSTANDING – Понимание Запросов
Система анализирует логи запросов для определения Query Frequency. Эти данные используются для динамической настройки порогов.

RANKING – Ранжирование
На этом этапе происходит первичный отбор и ранжирование как профилей, так и результатов других типов, релевантных запросу.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование (Уровень представления)
Основное применение патента. Компоненты системы (Ranking Engine или Trigger Engine) анализируют отобранные результаты для принятия двух решений:

1. Решение о триггере: Сравнивает оценки качества/популярности профилей с динамическим Threshold (основанным на Query Frequency), чтобы решить, отображать ли блок с профилями вообще.
2. Решение о выделении: Если блок отображается, система вычисляет Popularity/Quality Difference между топовыми профилями. Если разрыв превышает порог, применяется визуальное выделение к лидирующему профилю.

Входные данные:

• Поисковый запрос.
• Набор результатов поиска (профили и не-профили).
• Popularity Data, Quality Data, Affinity Data для профилей.
• Данные о Query Frequency.

Выходные данные:

• Инструкции для пользовательского интерфейса о способе представления результатов (например, активация/деактивация блока профилей, размер изображений для визуального выделения).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы, связанные с поиском людей, брендов или организаций (именные запросы), где результатом могут быть профили пользователей.
• Конкретные типы контента: Влияет на отображение профилей пользователей (user profiles), вероятно, в контексте социальных сетей или специализированных функций поиска людей.
• Форматы выдачи: Влияет на формирование специальных блоков выдачи, предназначенных для отображения профилей, их наличие и внешний вид.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Условие для Триггера: Когда поисковый запрос потенциально соответствует одному или нескольким профилям пользователей, И эти профили удовлетворяют динамическому порогу качества/популярности, установленному на основе частоты запроса.
• Условие для Выделения: Когда в выдаче присутствует более одного профиля, И существует статистически значимая разница (Popularity/Quality Difference) между лучшим профилем и остальными, превышающая установленный Threshold.

Пошаговый алгоритм

Патент описывает два взаимосвязанных процесса.

Процесс А: Триггер отображения и анти-спам

1. Получение запроса и определение частоты: Система получает запрос и определяет его Query Frequency.
2. Динамическая настройка порога: На основе частоты запроса устанавливается Threshold для качества/популярности. (Чем выше частота, тем выше порог).
3. Идентификация профилей и расчет оценок: Система идентифицирует релевантные профили и вычисляет их итоговую оценку (Score), используя Popularity Data, Quality Data и/или Affinity Data.
4. Сравнение с порогом: Trigger Engine сравнивает оценки профилей с динамическим Threshold.
5. Принятие решения о показе: Если оценки превышают порог, система разрешает отображение специальной области для профилей. В противном случае область подавляется (например, для предотвращения показа фейковых профилей по популярным запросам).

Процесс Б: Визуальное выделение (Emphasis)

1. Получение ранжированных профилей: Система получает набор профилей, которые прошли Процесс А.
2. Анализ оценок: Извлекаются Popularity Score и/или Quality Score для топовых профилей (например, Профиль 1 и Профиль 2).
3. Расчет разницы: Вычисляется Popularity/Quality Difference между Профилем 1 и Профилем 2 (абсолютная разница или соотношение).
4. Сравнение с порогом выделения: Система проверяет, превышает ли разница установленный порог для активации выделения.
5. Применение выделения: Если порог превышен, Профиль 1 помечается для визуального выделения (например, путем увеличения размера связанного с ним изображения) относительно Профиля 2.
6. Отображение результатов: Результаты представляются пользователю с примененным визуальным форматированием.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных, связанных с социальными взаимодействиями и поведением пользователей.

• Социальные факторы (Social Factors):
  • Структура связей (Social Graph): Данные о том, кто с кем связан (друзья, подписчики, фолловеры). Это основа для расчета популярности.
  • Взаимодействия с контентом: Данные о том, как пользователи реагируют на контент профиля (лайки, комментарии, их тональность). Это основа для расчета качества.
  • Аффинность (Affinity): Данные, позволяющие оценить близость между ищущим пользователем и найденным профилем.
• Поведенческие факторы:
  • Частота запросов (Query Frequency): Агрегированные данные о том, как часто ищут определенный термин. Используется для борьбы со спамом.

Какие метрики используются и как они считаются

• Popularity Score: Рассчитывается на основе количества ассоциаций (связей) профиля с другими профилями.
• Quality Score: Рассчитывается на основе метрик вовлеченности (количество и частота лайков, комментариев). Упоминается возможность анализа тональности комментариев (положительные увеличивают оценку, отрицательные — уменьшают).
• Affinity Score: Оценка близости в социальном графе.
• Popularity/Quality Difference: Вычисляется как $Score_1 - Score_2$ (абсолютная разница) или $Score_1 / Score_2$ (соотношение).
• Threshold (для выделения): Статическое или настроенное значение, определяющее минимально необходимый «разрыв» для активации визуального выделения.
• Threshold (для триггера): Динамическое значение. Повышается при увеличении Query Frequency для ужесточения требований к качеству профилей по популярным запросам.

1. Квантификация авторитетности сущностей: Google использует конкретные метрики для оценки популярности (Popularity Score) и качества (Quality Score) профилей пользователей (сущностей). Популярность основана на связях, качество — на вовлеченности.
2. Влияние на представление (UI/UX): Авторитетность напрямую влияет не только на ранжирование, но и на визуальное представление результатов. Система активно изменяет пользовательский интерфейс (размер элементов, наличие блоков), чтобы выделить авторитетные профили.
3. Эффект «Победитель получает больше» (The Gap): Для получения значительного визуального преимущества (emphasis) профиль должен не просто быть лучшим, а значительно превосходить конкурентов. Наличие существенного разрыва (Difference) в оценках является триггером.
4. Адаптивная борьба со спамом сущностей: Система использует частоту запроса (Query Frequency) как сигнал для борьбы с фейковыми профилями. Для популярных имен (высокая частота) требования к качеству и популярности профиля для его отображения значительно повышаются (динамический Threshold).
5. Важность аффинности (Affinity): Близость профиля к пользователю, выполняющему поиск, также может влиять на итоговую оценку профиля и решение о его отображении.

Best practices (это мы делаем)

Хотя патент описывает обработку «профилей пользователей» (вероятно, в контексте собственных сервисов Google или социальных сетей), его принципы применимы к Entity SEO и SERM.

• Консолидация сигналов сущности: Необходимо обеспечить, чтобы основная сущность (человек, бренд) имела четко определенный центр авторитетности (например, официальный сайт, верифицированные профили в ключевых соцсетях). Сигналы популярности и качества должны быть сконцентрированы вокруг этой основной сущности.
• Стимулирование популярности (Связи): Увеличение количества релевантных связей (подписчики, контакты, упоминания от авторитетных источников) напрямую влияет на Popularity Score, что увеличивает шансы на визуальное выделение в поиске.
• Повышение качества (Вовлеченность): Работа над вовлечением аудитории (лайки, комментарии, позитивная тональность) критична для Quality Score. Это не только помогает выделиться, но и преодолеть динамический порог качества для популярных запросов.
• Создание «Разрыва» (The Gap): В стратегиях SERM для публичных персон или брендов цель — не просто ранжироваться, а создать максимальный разрыв в авторитетности между официальной сущностью и любыми другими (похожими по имени, имперсонаторами, негативными упоминаниями).

Worst practices (это делать не надо)

• Искусственная накрутка связей и вовлеченности: Попытки манипулировать Popularity Score или Quality Score с помощью ботов или некачественных взаимодействий несут риски. Система учитывает качество взаимодействий (например, тональность комментариев) и, вероятно, качество связей.
• Создание фейковых профилей для занятия выдачи: Патент описывает механизм, направленный против этого. Создание низкокачественных профилей для манипуляции выдачей по популярным запросам будет неэффективно из-за динамического повышения порога (Threshold) на основе Query Frequency.
• Игнорирование Entity SEO: Фокус только на традиционном SEO без работы над узнаваемостью, популярностью и качеством бренда как сущности приведет к потере видимости в блоках, зависящих от этих метрик (Knowledge Panels, блоки с профилями).

Стратегическое значение

Патент подтверждает важность работы над брендом и сущностями (Entity SEO). Он показывает, что Google измеряет и использует популярность и качество сущностей для принятия решений о том, как представлять информацию пользователю. Это подчеркивает переход от простого ранжирования ссылок к выделению авторитетных сущностей. Для SEO-стратегии это означает необходимость комплексной работы над узнаваемостью и репутацией бренда за пределами собственного сайта.

Практические примеры

Сценарий 1: Разрешение неоднозначности для публичной персоны

1. Задача: Пользователь ищет «Иван Петров», известного ученого. В интернете есть много других людей с таким же именем.
2. Работа системы (Emphasis): Google идентифицирует несколько профилей (LinkedIn, Facebook, университетские страницы). Он рассчитывает Popularity Score и Quality Score. Профиль ученого имеет значительно больше авторитетных связей и взаимодействий, чем другие. Разрыв (Difference) превышает порог.
3. Результат: При отображении результатов профиль ученого визуально выделяется (например, показывается крупнее или получает Knowledge Panel), помогая пользователю найти нужного человека.

Сценарий 2: Борьба с фейковым аккаунтом бренда

1. Задача: Злоумышленники создали фейковый профиль популярного банка «Банк X» для фишинга. Запрос «Банк X» имеет высокую частоту.
2. Работа системы (Triggering/Anti-Spam): Из-за высокой Query Frequency запроса «Банк X», система устанавливает очень высокий Threshold для качества и популярности.
3. Анализ: Официальный профиль банка имеет высокие Popularity/Quality Scores и проходит порог. Фейковый профиль имеет низкие оценки и порог не проходит.
4. Результат: Система отображает специальный блок только с официальным профилем банка, подавляя фейковый аккаунт.