Как Google использует социальную активность контактов для генерации персонализированных подсказок и рекомендуемых действий

Описание

Какую задачу решает

Патент решает проблему безличности и «роботизированности» стандартных систем рекомендаций и подсказок (например, основанных только на общих трендах или личной истории поиска), особенно в контексте социальных сетей (Social Networking Services). Традиционные системы часто игнорируют социальные данные, генерируемые контактами пользователя. Изобретение направлено на создание более персонализированных и социально-релевантных подсказок для улучшения пользовательского опыта и стимулирования взаимодействия.

Что запатентовано

Запатентована система генерации персонализированных подсказок на основе анализа социальной активности контактов пользователя. Система собирает контент (посты, комментарии, шейры), связанный с контактами, извлекает из него ключевые фразы или темы (n-grams) и ранжирует их на основе критериев социальной значимости. Ключевыми критериями являются объем активности и степень близости (affinity) между пользователем и вовлеченными контактами.

Как это работает

Система работает следующим образом:

• Идентификация контактов и Affinity: Система определяет контакты пользователя и их близость (affinity), используя Social Graph.
• Сбор контента: Собираются данные о социальной активности (Social Content Items) этих контактов (посты, лайки, комментарии), которые видны пользователю (с учетом access rights).
• Анализ и извлечение: Из собранного контента извлекаются n-grams (фразы-кандидаты).
• Ранжирование: Кандидаты ранжируются по Significance Criteria. Учитывается объем активности вокруг фразы, affinity контактов, обсуждающих тему, и общая популярность.
• Отображение: Наиболее значимые n-grams представляются пользователю как подсказки (например, в автозаполнении) или рекомендуемые действия (recommended actions), часто с указанием связанных контактов для стимулирования вовлеченности.

Актуальность для SEO

Средняя/Низкая (для Web Search SEO). Персонализация остается критически важной задачей. Однако прямая зависимость от активности в конкретных социальных сетях (подобных Google+, для которых, вероятно, разрабатывался этот механизм) снизилась. Принципы использования социальных сигналов, анализа n-grams и учета близости контактов (affinity) остаются актуальными, но могут применяться с использованием более современных NLP-технологий и в рамках других продуктов Google (например, Discover, YouTube).

Важность для SEO

(2/10). Влияние на традиционное SEO (ранжирование в веб-поиске) минимальное. Патент сфокусирован на генерации подсказок и рекомендаций внутри социальной сети или персонализированной ленты на основе активности известных контактов. Он не описывает механизмы ранжирования веб-контента. Патент имеет значение для Social Media Optimization (SMO) и стратегий вовлечения на платформах, использующих подобные механизмы персонализации.

Детальный разбор

Термины и определения

Affinity (Близость, Аффинити)

Метрика, указывающая на степень связи или близости между пользователем и одним или несколькими его контактами или группами контактов. Используется для взвешивания значимости активности этих контактов.

Contacts (Контакты)

Другие пользователи, с которыми связан основной пользователь в одной или нескольких социальных сетях.

N-gram (N-грамма)

Последовательность из ‘n’ элементов (символов или слов) из заданного текста. Используется для извлечения фраз-кандидатов из социального контента. Также может относиться к вероятностной языковой модели (probabilistic language model).

Recommended Actions (Рекомендуемые действия)

Предлагаемые пользователю действия для выполнения в социальной сети, основанные на сгенерированных подсказках.

Significance Criteria (Критерии значимости)

Метрики, используемые для ранжирования n-grams. Включают объем активности (volume of activity), близость (affinity), популярность (popularity) и релевантность действиям пользователя (relevance to user activity).

Social Content Items / Social Activity (Элементы социального контента / Социальная активность)

Контент и действия, связанные с взаимодействием пользователей. Включает посты, комментарии (comment), лайки/одобрения (endorsement), рекомендации (recommendation), теги (tagging), шейры (share).

Social Graph (Социальный граф)

Структура данных, хранящая информацию о пользователях и их связях в социальной сети.

Social Networking Service (SNS) (Сервис социальной сети)

Онлайн-платформа для построения социальных отношений.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации и отображения социально-релевантных подсказок.

1. Выбор набора n-grams из social content items. Контент связан с активностью пользователя в SNS.
2. Присвоение оценки (Score) каждому n-gram на основе significance criteria.
3. Генерация подсказок-кандидатов на основе оценок. Ключевой момент: подсказки включают рекомендуемые действия (recommended actions) внутри SNS.
4. Идентификация контактов или групп контактов, связанных с конкретной подсказкой.
5. Предоставление этих контактов/групп для отображения вместе с подсказкой. Цель — стимулирование дальнейшей активности пользователя (facilitate additional user activity) в SNS.

Claim 3 (Зависимый): Детализирует, что входит в significance criteria.

Критерии включают одно или несколько из: популярность n-grams, объем социальной активности в отношении контента, социальная близость (social affinity) пользователя и контактов, уровень интереса пользователя к контенту, связанному с n-grams, или релевантность n-grams активности пользователя.

Claim 6 (Зависимый): Учитывает приватность.

Система использует только тот социальный контент, который виден пользователю в соответствии с правами доступа (access rights).

Claim 12 (Независимый пункт — Система): Описывает систему, реализующую аналогичную логику, с фокусом на обработку запроса.

1. Получение запроса на предоставление подсказок пользователю.
2. Идентификация данных о социальной активности и взаимодействии, связанных с пользователем и его контактами в SNS.
3. Анализ данных и выбор набора n-grams.
4. Присвоение оценки (Score) каждому n-gram и генерация подсказок-кандидатов (включая рекомендуемые действия).
5. Идентификация контактов/групп, связанных с конкретным n-gram, на основе того, в каких данных этот n-gram появился.
6. Предоставление контактов/групп для отображения вместе с подсказкой.

Где и как применяется

Изобретение предназначено для использования преимущественно в инфраструктуре Социальной сети (Social Networking Service) или системы персонализированных рекомендаций.

CRAWLING & Data Acquisition – Сбор данных
Система собирает данные о социальной активности (посты, шейры, комментарии, одобрения) от службы социальной сети. Это не стандартный веб-краулинг, а сбор данных внутри платформы.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит несколько ключевых процессов:

• Анализ Social Graph для определения контактов и социальных групп пользователя.
• Расчет и сохранение метрик близости (Affinity scores) между пользователями.
• Обработка собранного социального контента и предварительное извлечение из него n-grams.

QUNDERSTANDING – Понимание Запросов (или этап генерации подсказок)
Основная логика патента применяется здесь. Когда система получает запрос на генерацию подсказок (например, пользователь начинает вводить текст в поисковую строку для автозаполнения или загружает ленту новостей):

• Система анализирует проиндексированный социальный контент от контактов пользователя.
• Происходит ранжирование n-grams на основе Significance Criteria.

RERANKING – Переранжирование (Персонализация)
Финальный набор подсказок корректируется с учетом специфики пользователя, его конкретных контактов и рассчитанных Affinity scores. Подсказки обогащаются данными о связанных контактах.

Входные данные:

• Social Graph (информация о связях и группах).
• User Activity Data (посты, комментарии, лайки контактов).
• Метрики Affinity.
• Запрос на предоставление подсказок.

Выходные данные:

• Ранжированный список подсказок (n-grams).
• Список ассоциированных контактов для каждой подсказки.
• Рекомендуемые действия (Recommended actions).

На что влияет

• Типы контента: В первую очередь влияет на видимость тем, сущностей и обсуждений, которые популярны внутри социального круга пользователя на платформе.
• Специфические запросы: Влияет на автозаполнение (auto-complete suggestions) и рекомендации тем при использовании поиска внутри социальной сети или в персонализированных лентах.
• Конкретные ниши: Не зависит от тематики, но полностью зависит от того, какие темы обсуждают контакты пользователя.

Когда применяется

• Триггеры активации: Активируется, когда системе необходимо предоставить пользователю подсказки. Это может происходить при взаимодействии с поисковой строкой, при загрузке персонализированной ленты контента или в виджете рекомендаций.
• Условия применения: Пользователь должен иметь контакты, и эти контакты должны генерировать социальную активность, видимую пользователю (с учетом access rights).

Пошаговый алгоритм

1. Инициация: Система получает индикацию запроса на предоставление подсказок пользователю.
2. Идентификация контактов и контента: Определяются контакты пользователя (на основе Social Graph) и собираются связанные с ними Social Content Items (активность), которые видны пользователю.
3. Анализ и генерация N-grams: Собранный контент анализируется. Применяется n-gram modeling для извлечения последовательностей слов (фраз), которые являются статистически значимыми или часто встречающимися.
4. Фильтрация кандидатов: Сгенерированные n-grams могут фильтроваться (например, удаление неприемлемого контента).
5. Расчет оценок значимости (Scoring): Каждому n-gram присваивается оценка на основе Significance Criteria. Оценка учитывает:
   • Объем социальной активности, связанной с n-gram (количество постов, комментариев).
   • Близость (Affinity) между пользователем и контактами, связанными с n-gram.
   • Популярность слов в n-gram (в описании патента упоминается возможность использования модели типа TFIDF).
   • Релевантность текущим действиям или интересам пользователя.
6. Ранжирование и выбор: N-grams сортируются по оценке значимости. Выбирается Топ-N кандидатов.
7. Генерация подсказок и действий: Выбранные кандидаты используются для генерации подсказок. Также определяются рекомендуемые социальные действия (recommended social actions).
8. Обогащение данных: Для выбранных подсказок идентифицируются связанные контакты или группы контактов.
9. Предоставление результата: Выбранные подсказки предоставляются пользователю, отображаясь вместе со связанными контактами и рекомендуемыми действиями.

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст постов, комментариев, описаний, теги, связанные с социальной активностью контактов. Это основной источник для извлечения n-grams.
• Поведенческие/Социальные факторы:
  • Типы взаимодействия контактов с контентом (comment, endorsement, recommendation, tagging, share, posting).
  • История активности самого пользователя используется для определения его уровня интереса (level of interest) и расчета Affinity.
• Структурные факторы (SNS):
  • Social Graph: данные о связях между пользователями.
  • Social Circles/Social Groups: данные о группах контактов.
  • Access rights: данные о правах доступа и видимости контента.

Какие метрики используются и как они считаются

• Affinity Score (Оценка близости): Степень связи между пользователем и его контактами. Патент не уточняет формулу расчета, но указывает, что она базируется на Social Graph и данных об активности.
• Volume of Activity (Объем активности): Количество социальных действий (постов, шейров, комментариев, лайков), связанных с конкретным n-gram.
• Popularity (Популярность): Частота использования слов или фраз. В описании патента упоминается возможность использования моделей значимости, таких как TFIDF.
• Relevance (Релевантность): Соответствие n-gram текущим действиям пользователя (например, вводимому запросу) или его интересам.
• Методы анализа текста: Используется N-gram modeling — вероятностные языковые модели для оценки значимости фраз в контенте.

Выводы

1. Фокус на социальной персонализации: Патент описывает механизм глубокой персонализации подсказок, где источником данных является активность известных контактов пользователя в социальной сети.
2. Affinity как ключевой сигнал: Социальная близость (Affinity) является критически важным фактором ранжирования. Система придает больший вес контенту от контактов, с которыми пользователь взаимодействует чаще.
3. Социальная значимость важнее глобальной популярности: Приоритет отдается тому, что обсуждают контакты пользователя (Volume of Activity) и насколько они близки (Affinity), а не общим трендам интернета.
4. N-grams как индикаторы тем: Извлечение n-grams используется как метод для автоматического определения тем или трендов, циркулирующих внутри социального круга.
5. Стимулирование вовлеченности через атрибуцию: Система явно связывает подсказки с контактами, которые генерировали активность (отображая их рядом с подсказкой), и предлагает recommended actions, что направлено на повышение вовлеченности внутри платформы.
6. Ограниченное влияние на Web SEO: Патент является инфраструктурным для социальных платформ и не дает практических выводов для ранжирования в общем веб-поиске (SEO). Он актуален для SMO или стратегий вовлечения в рамках персонализированных платформ.

Практика

ВАЖНО: Патент скорее инфраструктурный для социальных платформ и не дает прямых практических выводов для традиционного SEO (ранжирования в веб-поиске). Приведенные ниже рекомендации относятся к Social Media Optimization (SMO) и стратегиям повышения видимости в персонализированных лентах (например, Google Discover), если подобные механизмы там используются.

Best practices (это мы делаем)

• Стимулирование естественного социального вовлечения: Поощряйте пользователей делиться вашим контентом, комментировать его и ставить лайки (shares, comments, endorsements). Эта активность является входными данными для систем генерации персонализированных подсказок на релевантных платформах.
• Построение близости (Affinity) с аудиторией: Работайте над повышением Affinity с вашей целевой аудиторией через регулярное взаимодействие. Чем выше близость (в рамках платформы, например, YouTube или Discover), тем больший вес имеет ваша активность при генерации подсказок для ваших подписчиков.
• Использование естественного языка и актуальных фраз: Используйте четкие, естественные формулировки (легко извлекаемые n-grams), которые отражают то, как пользователи обсуждают темы. Это повышает вероятность того, что ключевые фразы из вашего контента будут выбраны в качестве подсказок в персонализированных системах.

Worst practices (это делать не надо)

• Искусственная накрутка социальной активности: Создание фейковой активности через бот-сети неэффективно для этого механизма. Система опирается на Affinity scores в рамках реального Social Graph или паттернов взаимодействия. Спам от аккаунтов с низкой близостью будет иметь малый вес.
• Переоптимизация и Keyword Stuffing в социальных медиа: Насыщение постов ключевыми словами может выглядеть неестественно. Механизмы типа n-gram modeling ищут статистически значимые языковые паттерны, а не просто плотность ключевых слов.
• Ожидание влияния социальных сетей на веб-ранжирование: Не следует строить SEO-стратегию, полагаясь на то, что активность в социальных сетях напрямую улучшит позиции в Google Search, основываясь на этом патенте.

Стратегическое значение

Патент подтверждает интерес Google к использованию социальных сигналов и сигналов взаимодействия как мощного инструмента для персонализации. Хотя прямые реализации в виде конкретных социальных сетей (таких как Google+) могли уйти на второй план, базовый принцип — действия доверенных связей являются сильными рекомендательными сигналами — сохраняется. Эти принципы могут использоваться в системах типа Google Discover или при персонализации YouTube, где механизмы определения «связей» и Affinity эволюционировали за пределы явных социальных графов.

Практические примеры

Прямых практических примеров для стандартных стратегий SEO нет. Пример ниже иллюстрирует работу механизма.

Сценарий: Повышение видимости нового продукта в персонализированных подсказках.

Бренд электроники запускает новый смартфон «Vector X Pro».

1. Действие (SMO): Бренд активно публикует контент о смартфоне на платформах с социальными функциями (например, YouTube) и стимулирует обсуждение, например, «камера Vector X Pro». Лидеры мнений (Influencers) также публикуют обзоры.
2. Механизм: Пользователь подписан на бренд и нескольких лидеров мнений (высокий Affinity). Система фиксирует высокую активность (Volume of Activity: много комментариев и шейров) вокруг этой темы.
3. Извлечение N-gram: Система извлекает n-gram «камера Vector X Pro» из текстов постов и комментариев.
4. Ранжирование: Благодаря высокому объему активности и высокому Affinity контактов, этот n-gram получает высокую оценку значимости для данного пользователя.
5. Результат: Когда пользователь открывает свою персонализированную ленту или начинает вводить «Vector…» в поиске на платформе, система предлагает подсказку «камера Vector X Pro». Рядом с подсказкой могут отображаться аватары авторов или контактов, которые это обсуждали.

Вопросы и ответы