Как Google управляет разнообразием и персонализацией в лентах контента (например, Discover), балансируя категории контента

Описание

Какую задачу решает

Патент решает проблему организации и представления большого количества контента из разных источников в едином потоке (Content Stream), таком как лента новостей или социальная сеть (например, Google Discover). Задача состоит в том, чтобы сбалансировать релевантность, персонализацию и разнообразие (Diversity) контента, не перегружая пользователя контентом одного типа и предотвращая доминирование одного источника.

Что запатентовано

Запатентована система для динамического смешивания агрегированных блоков контента (Aggregated Content Data Structures, ACDS) в персонализированном потоке. Ключевым элементом является механизм балансировки, который корректирует оценки (Scores) блоков контента в реальном времени. Эта корректировка основана на сравнении желаемого распределения категорий контента (Predetermined Type Target Percentage) с фактическим распределением (Type Selection Percentage), чтобы гарантировать разнообразие потока.

Как это работает

Система работает через взаимодействие серверов агрегации и сервера смешивания:

• Агрегация: Различные Aggregation Servers собирают контент, группируют его в блоки (ACDS) по категориям (например, «Спорт», «Локальные новости») и присваивают им оценки на основе релевантности и интересов пользователя (User Affinity).
• Смешивание: Mixing Server получает эти блоки от разных серверов и нормализует их оценки.
• Балансировка: Сервер смешивания проверяет, соответствует ли текущий микс контента заданным целям разнообразия. Если какая-то категория показывается слишком часто, оценки следующих блоков этой категории понижаются (Demotion). Если редко — повышаются (Promotion).
• Выбор: Выбирается блок с наивысшей скорректированной оценкой и добавляется в поток пользователя. Процесс повторяется для поддержания баланса.

Актуальность для SEO

Высокая. Механизмы, описанные в патенте, напрямую соотносятся с тем, как работают современные персонализированные ленты контента, в частности Google Discover. Управление разнообразием, предотвращение «пузырей фильтров» и балансировка различных типов контента являются критически важными задачами для платформ, стремящихся максимизировать вовлеченность пользователей в 2025 году.

Важность для SEO

Влияние на SEO значительно, но специфично (Оценка 75/100). Патент не описывает ранжирование в традиционном поиске по запросу, но критически важен для понимания оптимизации под Google Discover и другие потоковые сервисы Google. Он показывает, что помимо релевантности и качества, на видимость контента влияет его категория и текущая потребность системы в разнообразии для конкретного пользователя. Попадание в поток зависит от того, насколько хорошо контент может быть агрегирован в блок (ACDS) и насколько высока аффинитивность пользователя к этой теме.

Детальный разбор

Термины и определения

Aggregated Content Data Structure (ACDS) (Агрегированная структура данных контента)

Блок, список или группа связанных единиц контента (Content Items), объединенных общим признаком (тема, местоположение, автор). Представляется в потоке как единый элемент (например, карусель статей по одной теме).

Aggregation Server (Сервер агрегации)

Сервер, который анализирует контент из разных источников и создает ACDS на основе определенного набора критериев или категорий.

Category Type (Тип категории)

Классификация ACDS (например, «Спорт», «Локальные новости», «Мировые новости»).

Content Stream (Поток контента)

Персонализированная лента контента, предоставляемая пользователю (например, лента социальной сети, Google Discover).

Mixing Server (Сервер смешивания)

Центральный компонент, который получает ACDS от различных Aggregation Servers, нормализует и корректирует их оценки, выбирает лучший блок и формирует финальный Content Stream.

Predetermined Type Target Percentage (Предопределенный целевой процент типа)

Желаемое (целевое) распределение различных Category Types в потоке пользователя. Может устанавливаться пользователем или определяться адаптивно на основе модели пользователя.

Promotion/Demotion (Повышение/Понижение)

Механизм корректировки оценок ACDS. Оценки повышаются, если категория недопредставлена, и понижаются, если она доминирует в потоке.

Scale Factor (Коэффициент масштабирования)

Множитель, используемый для Promotion или Demotion. Вычисляется на основе разницы между целевым и фактическим процентом категории.

Type Selection Percentage (Процент выбора типа)

Фактическое (историческое) распределение Category Types, которые были выбраны сервером смешивания для потока пользователя на данный момент.

User Affinity (Аффинитивность пользователя)

Мера интереса пользователя к определенным атрибутам, сущностям или темам, используемая для оценки контента и ACDS.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод смешивания контента.

1. Система (Mixing Server) получает множество блоков контента (ACDS) от разных серверов (Aggregation Servers). Каждый блок имеет оценку (Score) и тип категории (Category Type).
2. Система выбирает один блок для показа. Выбор основан как на оценках блоков, так и на целевом проценте (Predetermined Type Target Percentage) для категории этого блока.
3. Выбранный блок смешивается с потоком контента пользователя.
4. Поток предоставляется для отображения.
5. Важное условие (согласно тексту патента): Целевой процент устанавливается так, что блоки контента, менее связанные с известными атрибутами пользователя (более общие), могут иметь более высокий целевой процент, чем блоки, более связанные с атрибутами (более персонализированные). Это механизм для работы при недостатке данных для персонализации (холодный старт).

Claim 3, 4, 5 и 6 (Зависимые): Детализируют механизм динамической балансировки и корректировки оценок.

1. (Cl. 4) Система отслеживает Type Selection Percentages — как часто выбирались блоки каждой категории в прошлом. Эти данные обновляются после каждого выбора.
2. (Cl. 3, 5) Перед выбором следующего блока система корректирует оценки оставшихся кандидатов. Корректировка основана на разнице между целевыми процентами (Target Percentages) и фактическими процентами выбора (Selection Percentages).
3. (Cl. 6) Механизм корректировки: Если фактический процент категории ниже целевого, оценка блоков этой категории увеличивается (Promotion). Если фактический процент выше целевого, оценка уменьшается (Demotion).

Claim 7 (Зависимый): Указывает на необходимость нормализации оценок, полученных от разных серверов агрегации, в единый диапазон (например, от 0 до 1), чтобы их можно было сравнивать.

Claim 8 и 9 (Зависимые): Определяют факторы, влияющие на оценки.

1. (Cl. 8) Целевые проценты категорий для пользователя определяются на основе его предыдущих взаимодействий с контентом.
2. (Cl. 9) Исходная оценка блока (ACDS Score) определяется на основе оценок контента внутри него и аффинитивности (User Affinity) пользователя к атрибутам этого контента.

Где и как применяется

Патент описывает инфраструктуру для генерации персонализированных потоков контента (Feeds), таких как Google Discover, а не традиционный поиск по запросу.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит анализ контента, извлечение сущностей, определение атрибутов и тем. Также рассчитываются базовые сигналы качества контента.

(Вне стандартных этапов поиска) – Агрегация и Предварительная оценка
Aggregation Servers используют данные индекса и модель пользователя (User Model) для расчета User Affinity к контенту. Они группируют контент в ACDS по различным категориям и рассчитывают предварительные оценки (Scores) для этих блоков.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Это основные этапы применения патента при запросе потока пользователем.

1. Сбор кандидатов: Mixing Server получает кандидатов (ACDS) от разных Aggregation Servers.
2. Нормализация: Оценки приводятся к единой шкале.
3. Корректировка (Балансировка): Система применяет Scale Factor для Promotion или Demotion оценок на основе сравнения Target Percentages и Selection Percentages. Это ключевой этап переранжирования для обеспечения разнообразия.
4. Финальный выбор и Смешивание: Выбирается блок с наивысшей скорректированной оценкой и встраивается в Content Stream.

Входные данные:

• Блоки контента (ACDS) с предварительными оценками и категориями.
• Модель пользователя (User Model), содержащая данные об аффинитивности.
• Целевые проценты категорий (Predetermined Type Target Percentages).
• Исторические данные о выборе категорий (Type Selection Percentages).

Выходные данные:

• Сформированный поток контента (Content Stream) с выбранными и упорядоченными блоками ACDS.

На что влияет

• Типы контента: Влияет на все типы контента, которые могут быть агрегированы в блоки (статьи, видео, посты) и представлены в ленте.
• Специфические запросы: Не применимо к традиционному поиску по запросу. Применимо к проактивному предложению контента (queryless search, например, Discover).
• Ниши и тематики: Влияет на баланс между нишевыми интересами пользователя и более общим контентом. Система гарантирует, что пользователь увидит контент не только по своим основным интересам.

Когда применяется

• Условия работы: Алгоритм активируется каждый раз, когда пользователь запрашивает или обновляет свой поток контента (например, открывает Google Discover или прокручивает ленту).
• Триггеры активации: Необходимость выбора следующего элемента для показа в потоке.
• Частота применения: Постоянно в рамках сессии пользователя. Целевые проценты могут обновляться адаптивно. Фактические проценты выбора (Selection Percentages) могут сбрасываться при новой сессии или при переходе на новую страницу потока.

Пошаговый алгоритм

Процесс А: Генерация Потока Контента

1. Инициализация: Пользователь запрашивает поток контента. Определяются целевые проценты категорий (Target Percentages) для пользователя. Если данных о пользователе мало, предпочтение отдается общим категориям.
2. Запрос Кандидатов: Mixing Server запрашивает блоки контента (ACDS) у различных Aggregation Servers.
3. Получение и Нормализация: Сервер получает кандидатов с их оценками и категориями. Оценки нормализуются для сравнения.
4. Анализ Разнообразия: Система сравнивает текущее фактическое распределение категорий (Selection Percentages) с целевым (Target Percentages).
5. Расчет Корректировки: Для каждой категории вычисляется Scale Factor. Используется функция от разницы (x) между целевым и фактическим процентом. Пример в патенте:

Выводы

1. Алгоритмическое обеспечение разнообразия (Diversity): Патент демонстрирует, что разнообразие в лентах Google (например, Discover) не является случайным, а активно управляется. Система имеет целевые показатели (Target Percentages) для разных категорий контента и использует агрессивные методы (Promotion/Demotion) для их достижения.
2. Баланс важнее максимальной оценки: Система не всегда выбирает контент с наивысшей базовой оценкой релевантности или интереса. Если категория контента уже перепредставлена в ленте пользователя, ее оценка будет искусственно занижена, давая шанс другому типу контента.
3. Персонализация на двух уровнях: Персонализация работает как при расчете базовой оценки контента (через User Affinity), так и при определении целевого распределения категорий (Target Percentages адаптируются под интересы пользователя).
4. Контент агрегируется в блоки (Bundling): Система предпочитает работать не с отдельными единицами контента, а с тематическими блоками (ACDS). Это означает, что контент оценивается в контексте группы.
5. Механизм для «холодного старта»: Для пользователей с недостаточной историей система запрограммирована предпочитать более общий контент (менее связанный с персонализированными атрибутами), что позволяет собирать данные о предпочтениях, не делая рискованных предположений.
6. Конкуренция между источниками и категориями: Разные Aggregation Servers конкурируют за место в потоке. Патент предусматривает правила для предотвращения монополизации потока одним сервером или категорией.

Практика

Практическое применение в SEO

Рекомендации направлены на оптимизацию под Google Discover и аналогичные потоковые сервисы.

Best practices (это мы делаем)

• Фокус на Topical Authority и создание кластеров контента: Поскольку система агрегирует контент в блоки (ACDS), создание серий статей или видео, тесно связанных общей темой или сущностью, увеличивает вероятность того, что этот контент будет объединен в блок и показан в ленте.
• Оптимизация под интересы и сущности (Entities): Базовый скоринг зависит от User Affinity к атрибутам контента. Необходимо четко сигнализировать поисковой системе о ключевых сущностях и темах контента (через разметку, заголовки, NLP-оптимизацию), чтобы соответствовать интересам целевой аудитории. Использование Графа Знаний (Knowledge Graph) для анализа контента упомянуто в патенте.
• Работа над повышением вовлеченности (Engagement): Взаимодействия пользователя с контентом напрямую влияют на два ключевых аспекта: повышают User Affinity (улучшая базовый скоринг) и адаптируют Target Percentages в пользу вашей категории контента для этой аудитории.
• Диверсификация контент-стратегии: Если вы публикуете контент в разных категориях, вы увеличиваете шансы на попадание в ленту, так как система стремится к разнообразию. Если одна из ваших категорий временно понижена из-за перенасыщения, другая может быть повышена.
• Создание «вечнозеленого» и новостного контента: Обе стратегии валидны, так как Aggregation Servers могут создавать блоки как на основе свежих новостей, так и на основе устоявшихся интересов.

Worst practices (это делать не надо)

• Узкая фокусировка только на одной тактике или теме: Если весь контент сайта попадает только в одну узкую категорию, он становится уязвимым для механизма Demotion. Если система решит, что эта категория перенасыщена в ленте пользователя, видимость всего сайта может упасть.
• Игнорирование качества и вовлеченности ради объема: Публикация большого количества низкоаффинитивного контента не гарантирует показов. Базовые оценки ACDS критически зависят от интереса пользователя к контенту.
• Попытки манипулировать категорией (Clickbait): Использование кликбейтных заголовков для привлечения трафика может привести к низкому уровню удовлетворенности, что в долгосрочной перспективе снизит User Affinity и приведет к уменьшению Target Percentage для вашего контента.

Стратегическое значение

Патент подчеркивает стратегическую важность построения тематического авторитета и прямого взаимодействия с аудиторией для успеха в Google Discover. Он показывает, что Google рассматривает ленты как динамически управляемую среду, где алгоритмы активно вмешиваются в ранжирование для достижения целей разнообразия. Для SEO-стратегии это означает, что анализ производительности в Discover должен учитывать не только качество отдельной страницы, но и то, как контент кластеризуется и в какие категории он попадает, а также общий паттерн интересов пользователя.

Практические примеры

Сценарий: Повышение видимости сайта о кулинарии в Google Discover

1. Действие: Вместо отдельных рецептов сайт фокусируется на создании тематических подборок: «5 лучших рецептов пасты для ужина», «Вегетарианские блюда на неделю», «Разбор техники су-вид».
2. Обоснование (Патент): Это облегчает Aggregation Servers задачу создания тематического блока (ACDS) из контента сайта.
3. Действие: Сайт активно работает над улучшением E-E-A-T и поощряет пользователей подписываться и взаимодействовать с контентом (комментарии, шейры).
4. Обоснование (Патент): Это повышает User Affinity к контенту сайта, что увеличивает базовую оценку ACDS. Также это может привести к увеличению Target Percentage для категории «Кулинария» у этих пользователей.
5. Действие: Сайт запускает новую рубрику о кухонной технике, диверсифицируя контент.
6. Обоснование (Патент): Если категория «Рецепты» перенасыщена в ленте пользователя и временно понижается (Demotion), контент из категории «Обзоры техники» может получить повышение (Promotion) для обеспечения разнообразия, сохраняя общую видимость сайта.

Вопросы и ответы