Как Google использует агрегированные интересы социальных групп для персонализации и переранжирования поисковой выдачи

Термины и определения

Social Lens (Социальная линза)

Поисковый фильтр, основанный на социальном круге пользователя, применяемый для уточнения результатов поиска. Выбор линзы активирует соответствующий профиль группы.

Social Circle (Социальный круг)

Предопределенная группа контактов пользователя, часто в рамках социальной сети (например, «Друзья», «Коллеги»).

Group Profile (Профиль группы)

Агрегированные характеристики социального круга: предпочтения, интересы, история веб-использования. Также упоминается как Group Characteristics или Virtual Individual.

Feature Vector (Вектор признаков)

Структура данных для представления профиля пользователя или группы. Измерения вектора соответствуют категориям или вертикалям (например, «автомобили», «мода»), а значение (вес) соответствует уровню интереса.

Group Feature Vector (Вектор признаков группы)

Агрегированный вектор признаков, полученный путем объединения индивидуальных векторов участников группы.

Web Usage History (История веб-использования)

Данные о поведении пользователей, включающие историю поиска (search histories), кликстримы (click streams) и социальные подтверждения (user endorsements, например, «+1s» или лайки).

Sub-circles (Подкруги)

Социальные круги, к которым принадлежат участники основного круга (круги друзей пользователя). Их характеристики могут учитываться для более глубокого анализа.

Refining (Уточнение)

Процесс модификации результатов поиска на основе социальной линзы. Включает переранжирование (re-ordering/ranking) или фильтрацию (filtering).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы.

1. Система предоставляет для отображения список выбираемых пользователем социальных линз (social lenses) на странице поиска, где каждая линза соответствует профилю группы (group profile).
2. Система получает: (i) индикацию выбора пользователем первой социальной линзы и (ii) запрос на уточнение результатов.
3. Система извлекает результаты поиска на основе поискового запроса.
4. Система уточняет (refining) извлеченные результаты на основе первой социальной линзы, которая соответствует первому профилю группы (характеристикам первой группы).
5. Система предоставляет уточненные результаты для отображения.

Claim 2 (Зависимый): Уточняет происхождение данных.

Профиль группы основан на социальном круге (social circle) в социальной сети. Профиль группы выводится из индивидуальных профилей пользователей (individual user profiles), входящих в этот круг.

Claims 3, 4, 5 (Зависимые): Детализируют расчет характеристик.

Уточнение основано на взвешенных характеристиках (weighted characteristics) социального круга (Claim 3). Эти характеристики основаны на взвешенных характеристиках отдельных участников (Claim 4), которые, в свою очередь, основаны на их истории веб-использования (web usage history) (Claim 5).

Claim 6 (Зависимый): Определяет структуру данных.

Взвешенные характеристики хранятся в виде вектора признаков (feature vector).

Claim 7 (Зависимый): Расширяет источник данных.

Профиль группы также может быть основан на подкругах (sub-circles) — то есть социальных кругах участников основного круга.

Claims 8 и 9 (Зависимые): Определяют методы уточнения.

Уточнение может заключаться либо в фильтрации (Claim 8), либо в ранжировании (Claim 9) результатов поиска.

Claims 15, 16, 17 (Зависимые): Описывают применение нескольких линз.

Система может принять выбор второй линзы. Уточнение может происходить путем объединения (union, Claim 16) или пересечения (intersection, Claim 17) результатов, полученных при применении каждой линзы по отдельности.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно рассчитанные данные для модификации финальной выдачи.

INDEXING – Индексирование и извлечение признаков (Офлайн-процессы)
На этом этапе система должна выполнять предварительные расчеты:

1. Анализ Web Usage History (история поиска, клики, лайки) отдельных пользователей.
2. Вычисление индивидуальных Feature Vectors, определяющих интересы и их веса.
3. Агрегация индивидуальных векторов в Group Profiles для каждого социального круга пользователя.

QUNDERSTANDING – Понимание Запросов
Выбор социальной линзы может влиять на интерпретацию неоднозначных запросов. В патенте приводится пример: запрос "game cod" при линзе "Геймеры" будет интерпретирован в контексте видеоигр, а при линзе "Охотники" — в контексте рыбалки ("cod" как рыба).

RANKING – Ранжирование
На этом этапе генерируется базовый набор результатов (например, Топ-1000) для исходного запроса.

RERANKING – Переранжирование (Персонализация)
Основное применение патента. После выбора пользователем Social Lens, система применяет соответствующий Group Feature Vector к базовому набору результатов. Происходит уточнение (переранжирование или фильтрация).

Входные данные:

• Поисковый запрос.
• Явный выбор пользователем одной или нескольких Social Lenses.
• Набор предварительно отобранных результатов поиска.
• Предварительно рассчитанные Group Feature Vectors (Group Profiles).

Выходные данные:

• Уточненный (переранжированный или отфильтрованный) список результатов поиска.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные (ambiguous) или широкие запросы, где контекст социальной группы обеспечивает значимое уточнение (например, запросы типа "apple", "python", "rainbow").
• Типы контента: Влияет на контент, связанный с интересами, хобби, рекомендациями продуктов или развлечениями.

Когда применяется

• Триггеры активации: Алгоритм активируется исключительно по явному действию пользователя — выбору Social Lens в интерфейсе поиска.
• Временные рамки: Может применяться к одному запросу или ко всей поисковой сессии.
• Исключения: В патенте упоминается, что применение социальных линз может быть нежелательным для "зрелых" запросов (mature queries) или запросов, касающихся здоровья и финансов (потенциальные YMYL-тематики). В таких случаях линза может не применяться.

Пошаговый алгоритм

Процесс А: Офлайн-генерация профилей групп (Feature Vectors)

1. Сбор данных об участниках: Для каждого участника социального круга собирается Web Usage History (запросы, клики, User Endorsements).
2. Расчет индивидуальных векторов: Данные анализируются для определения интересов по категориям (вертикалям). Создается индивидуальный Feature Vector, где вес категории может соответствовать объему активности в этой категории.
3. Агрегация в групповой вектор: Индивидуальные векторы участников объединяются (например, суммированием) для создания единого Group Feature Vector.
4. Взвешивание (Опционально): При агрегации может учитываться сила связи (strength of the relationship) между пользователем и участником круга (на основе частоты взаимодействия). Вклад более близких контактов может иметь больший вес.
5. Анализ подкругов (Опционально): Система может рекурсивно анализировать характеристики Sub-circles для обогащения профиля группы.
6. Сохранение: Group Feature Vector сохраняется в базе данных (например, group index).

Процесс Б: Обработка запроса в реальном времени

1. Отображение интерфейса: Предоставление пользователю списка доступных Social Lenses.
2. Получение ввода: Регистрация выбора линзы пользователем и получение поискового запроса.
3. Первичный отбор: Получение начального набора результатов поиска (Топ-N).
4. Извлечение профиля группы: Загрузка соответствующего Group Feature Vector для выбранной линзы.
5. Уточнение (Refinement):
   • Сравнение каждого результата поиска с Group Feature Vector.
   • Переранжирование результатов на основе соответствия взвешенным характеристикам вектора ИЛИ фильтрация результатов (например, показ только тех, что получили подтверждение от участников группы).
6. Обработка нескольких линз (Опционально): Если выбрано несколько линз, применяется логика объединения (Union) или пересечения (Intersection).
7. Выдача результатов: Предоставление уточненного набора результатов пользователю.

Какие данные и как использует

Данные на входе

Система в значительной степени полагается на поведенческие и социальные данные.

• Поведенческие факторы (Web Usage History): Критически важные данные для генерации профилей. Включают:
  • Прошлые кликстримы (Past click streams).
  • Истории поиска (Search histories) участников круга.
• Пользовательские (Социальные) факторы:
  • Социальные подтверждения (User endorsements), такие как "+1s" или лайки.
  • Данные социального графа (состав Social Circles).
  • Сила связи (Strength of the relationship) между пользователями (на основе типа отношений или частоты взаимодействия: email, чат), используемая для взвешивания их вклада в профиль группы.

Какие метрики используются и как они считаются

• Feature Vector (Вектор признаков): Основная структура данных. Измерения = Вертикали/Категории (например, "Видеоигры", "Мода"). Значения = Веса (Weights).
• Расчет весов: Вес для категории часто рассчитывается на основе объема активности участников в этой вертикали (например, количество запросов, кликов или подтверждений, классифицированных как принадлежащие к этой категории).
• Group Feature Vector (Вектор признаков группы): Агрегированная метрика. Рассчитывается путем комбинирования индивидуальных векторов. Может быть простым суммированием или взвешенным суммированием, учитывающим силу связи.
• Логика уточнения (Refinement Logic): Сравнение результатов поиска с Group Feature Vector для определения нового балла ранжирования или статуса фильтрации.

1. Персонализация через групповую идентичность: Патент описывает механизм явной персонализации, позволяющий пользователю смотреть на веб через призму интересов конкретной социальной группы. Релевантность определяется не только запросом, но и выбранным социальным контекстом (Virtual Individual).
2. Поведенческие данные как основа профилирования: Профили групп (Group Profiles) формируются на основе анализа реальной истории веб-активности участников (поиск, клики, лайки). Это подчеркивает критическую роль поведенческих сигналов в системах персонализации.
3. Векторное представление интересов: Использование Feature Vectors для квантификации интересов по различным категориям позволяет математически сравнивать документы и профили пользователей/групп для уточнения выдачи.
4. Влияние силы социальных связей и рекурсия: Система может учитывать не только прямые интересы участников группы, но и силу их связи с пользователем, а также анализировать Sub-circles (круги друзей), что позволяет учитывать более широкий социальный контекст.
5. Гибкость уточнения и интерпретации: Механизм поддерживает как переранжирование, так и фильтрацию выдачи, а также может влиять на интерпретацию неоднозначных запросов на этапе Query Understanding.
6. Зависимость от платформы vs Актуальность концепции: Хотя реализация механизма зависела от социальной платформы (Google+), концепция использования группового поведения (когортного анализа) для уточнения результатов остается актуальной для современных поисковых систем.

Best practices (это мы делаем)

Хотя механизм явного выбора «линз» устарел, описанные методы анализа группового поведения и векторизации интересов лежат в основе многих современных систем персонализации, работающих автоматически.

• Сегментация аудитории и анализ интересов сообществ: Необходимо глубоко понимать целевую аудиторию как набор сообществ с уникальными интересами. Анализируйте, какие темы и сайты популярны внутри ключевых сегментов. Это поможет создавать контент, соответствующий их потенциальному Feature Vector.
• Стимулирование аутентичного социального подтверждения: Поскольку user endorsements (лайки, шеры) используются для формирования профиля интересов, критически важно получать органическое социальное подтверждение от участников целевых сообществ. Контент, вызывающий положительный отклик, имеет больший потенциал в персонализированных выдачах.
• Создание контента для узких групп интересов (Нишевая релевантность): Разрабатывайте контент, который сильно резонирует с конкретными группами (например, «разработчики на Python», «любители инди-игр»). Такой контент имеет больше шансов быть высоко оцененным в рамках персонализации, основанной на групповых интересах.
• Построение Topical Authority в глазах сообщества: Сосредоточьтесь на том, чтобы ваш сайт воспринимался как авторитетный источник внутри конкретного сообщества. Это увеличит вероятность взаимодействия участников с вашим сайтом, укрепляя его позиции в персонализированных результатах.

Worst practices (это делать не надо)

• Игнорирование персонализации и контекста: Расчет на то, что универсально релевантная выдача всегда будет одинаковой для всех. Данный патент показывает, как выдача может радикально меняться в зависимости от социального или поведенческого контекста.
• Создание обобщенного контента (Generic Content): Контент, который пытается угодить всем, может не соответствовать профилю интересов ни одной конкретной группы и будет проигрывать при активации механизмов персонализации.
• Манипуляции с социальными сигналами: Накрутка лайков или подтверждений из нерелевантных источников или с помощью ботов. Системы учитывают аутентичность сигналов и их происхождение из релевантных сообществ.

Стратегическое значение

Патент подтверждает стратегическую важность понимания аудитории на гранулярном уровне. Для SEO это означает переход от оптимизации под абстрактные алгоритмы к оптимизации под конкретные группы людей и их поведенческие паттерны. Релевантность — это функция от контекста пользователя и его принадлежности к определенным группам интересов. Это влияет на видимость контента на платформах с сильной персонализацией, таких как Google Discover.

Практические примеры

Сценарий: Оптимизация сайта о кофе для разных сегментов аудитории

1. Анализ сегментов: SEO-специалист идентифицирует два ключевых сегмента: «Кофейные гики» (интересуются химией экстракции, редкими сортами) и «Любители кофеен» (интересуются атмосферой, десертами, локациями).
2. Запрос пользователя: Пользователь вводит запрос «лучший кофе».
3. Применение линзы «Кофейные гики» (или автоматическая персонализация): Система анализирует Group Feature Vector этой группы. Он имеет высокие веса в категориях «наука», «обзоры оборудования», «DIY».
   Результат: В выдаче повышаются статьи с сайта, содержащие детальные обзоры методов заваривания и тесты кофемолок, так как этот контент соответствует вектору группы.
4. Применение линзы «Любители кофеен»: Group Feature Vector этой группы имеет высокие веса в категориях «локальный бизнес», «еда и напитки», «фотография».
   Результат: В выдаче повышаются локальные результаты, обзоры новых кофеен с фотографиями интерьера.
5. Действия SEO-специалиста: Для успешного ранжирования необходимо создавать разнообразный контент, нацеленный на интересы каждого сегмента, и стимулировать взаимодействие (посещения, обсуждения, лайки) внутри этих конкретных сообществ.