Как поисковые системы могли бы использовать прямое голосование пользователей (вверх/вниз) для переранжирования выдачи

Описание

Какую задачу решает

ВАЖНОЕ ПРИМЕЧАНИЕ: Этот патент (заявка) подан компанией Fatdoor, Inc., а не Google. Он описывает предлагаемую технологию, а не подтвержденный механизм работы поиска Google.

Патент направлен на решение проблемы ограничений чисто алгоритмического ранжирования (например, PageRank), которое может быть подвержено манипуляциям со стороны SEO-специалистов или неточно отражать фактическую релевантность контента для average user (среднего пользователя). Он указывает на уязвимости, такие как манипуляции ссылками и неоднозначность данных о кликах (пользователь может кликнуть на результат из-за его позиции, а не релевантности). Цель — улучшить качество поиска путем внедрения механизма прямой (явной) обратной связи от пользователей относительно порядка выдачи.

Что запатентовано

Запатентована система и метод интеграции явной обратной связи пользователей о порядке результатов поиска (user suggested ordering) в процесс ранжирования. Пользователям предоставляется интерфейс (например, стрелки вверх/вниз) для предложения изменений в относительном порядке ссылок. Эти предложения агрегируются, и на их основе вычисляется весовой фактор (Weighting Factor), который затем применяется для корректировки оценок базового алгоритма ранжирования (например, PageRank).

Как это работает

Предлагаемая система работает следующим образом:

• Базовое ранжирование: Генерация начального набора результатов с использованием стандартного алгоритма (например, PageRank).
• Интерфейс обратной связи: Отображение элементов управления (стрелки вверх/вниз) рядом с каждым результатом через User Influence Module.
• Сбор данных: Сбор «голосов» пользователей за перемещение ссылок.
• Оценка влияния пользователя: Система оценивает надежность (Relative Influence) отдельных пользователей, отдавая предпочтение тем, чьи предложения соответствуют общему мнению (model average user).
• Расчет весового фактора: Вычисление Weighting Factor на основе агрегированных и взвешенных голосов.
• Корректировка ранжирования: Фактор применяется к базовым оценкам. В патенте предлагается модификация PageRank через User Influence Factor X (например, как множитель).
• Постоянство (Persistence): Используется механизм Pointer Module для сохранения предпочтений даже после обновления индекса.

Актуальность для SEO

Низкая. Описанная конкретная реализация — явное голосование «вверх/вниз» за порядок результатов в SERP — не была развернута в основных системах веб-поиска (например, Google Search). Это связано с проблемами масштабируемости, низкой вовлеченностью пользователей и высокой подверженностью манипуляциям. Современные поисковые системы предпочитают использовать неявные поведенческие сигналы (клики, вовлеченность), а не явное голосование.

Важность для SEO

Влияние на современные SEO-стратегии минимальное (2/10). Практическое значение для современного SEO ограничено, так как механизм не используется в Google. Патент представляет интерес как концепция интеграции пользовательского фидбека, но не как описание реальной системы ранжирования Google.

Детальный разбор

Термины и определения

Average User / Model Average User (Средний пользователь / Модельный средний пользователь)

Концепция идеального пользователя, чьи предпочтения система пытается эмулировать. Используется для оценки репутации (Relative Influence) реальных пользователей.

Pointer Module (Модуль указателей) / Pointer

Механизм для индексации и захвата измененных ссылок (shuffled links). Он обеспечивает сохранение контекста предыдущих предпочтений пользователей даже после перезапуска основного алгоритма или обновления индекса.

Polymeric Function (Полимерная функция)

Упоминается как математический метод, используемый для определения влияния предложений пользователя и оптимизации релевантности для average user. Конкретная формула не приводится.

Relative Influence (Относительное влияние пользователя)

Метрика репутации пользователя. Определяет вес голоса конкретного пользователя. Рассчитывается на основе того, насколько хорошо действия пользователя согласуются с popular outcome (популярным исходом) или model average user.

User Influence Module (Модуль влияния пользователя)

Компонент, отвечающий за интерфейс (стрелки вверх/вниз) и сбор предложений пользователей по изменению порядка выдачи.

User Suggested Ordering (Предлагаемый пользователем порядок)

Прямая (явная) обратная связь от пользователей о том, как ссылки должны быть упорядочены относительно друг друга.

Weighting Factor / User Influence Factor (X) (Весовой фактор / Фактор влияния пользователя (X))

Множитель, рассчитываемый на основе User Suggested Ordering и применяемый к базовой алгоритмической оценке (например, PageRank) для изменения ранжирования.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной механизм изобретения.

1. Генерация результатов поиска (набор ссылок).
2. Ранжирование ссылок на основе алгоритма (например, PageRank).
3. Применение Weighting Factor к ссылкам. Этот фактор основан на User Suggested Ordering — том, как пользователи предлагают упорядочить ссылки относительно друг друга.
4. Упорядочивание (переранжирование) результатов поиска на основе примененного Weighting Factor.

Claim 2 (Зависимый от 1): Детализирует расчет влияния предложений.

Влияние любого отдельного предложения пользователя определяется математически с использованием Polymeric Function, которая оптимизирует релевантность результата для average user. Это означает, что голоса агрегируются нелинейно и взвешиваются.

Claim 3 (Зависимый от 2): Описывает механизм балансировки влияния.

Weighting Factor балансируется относительно количества поисковых сессий, в которых не было запрошено изменение порядка. Если пользователи мало голосуют или удовлетворены текущим порядком, влияние Weighting Factor снижается, и система больше полагается на базовый алгоритм.

Claim 5 (Зависимый от 1): Описывает пользовательский интерфейс.

Предоставление стрелок «вверх» и «вниз» для каждой ссылки, чтобы пользователь мог запросить перемещение ссылки.

Claim 7 (Зависимый от 6): Описывает стимулы для пользователей.

Предоставление признания пользователю за помощь в упорядочивании результатов, например, в виде баллов (points), видимых другим пользователям.

Claim 9 (Зависимый от 8): Описывает систему репутации пользователей (Анти-спам).

Определение Relative Influence пользователя. Основано на алгоритмической оценке влияния пользователя, в том числе на анализе перемешанных данных (shuffled data) без получения запросов на перемещение, чтобы определить соответствие пользователя popular outcome (популярному исходу) запроса. Это механизм выявления авторитетных пользователей и фильтрации манипуляций.

Claim 10 (Зависимый от 1): Описывает механизм сохранения влияния (Persistence).

Предоставление указателя (pointer) на измененные ссылки. Даже когда основной алгоритм перезапускается (например, при обновлении индекса), указатель сохраняет контекст предыдущих предпочтений сообщества.

Где и как применяется

Напоминание: Анализ описывает систему, предложенную Fatdoor, Inc., а не фактическую архитектуру Google.

Изобретение применяется на финальных этапах обработки поискового запроса, модифицируя результаты основного ранжирования.

RANKING – Ранжирование
Генерируется первоначальный набор результатов и их порядок на основе стандартных алгоритмов (например, PageRank).

RERANKING – Переранжирование
Основная область применения патента. Система получает первоначальный ранжированный список и применяет Weighting Factor или User Influence Factor (X), рассчитанный на основе агрегированных данных о голосовании пользователей и их репутации (Relative Influence), для переупорядочивания результатов перед показом пользователю.

Входные данные:

• Первоначальный ранжированный список результатов с алгоритмическими оценками.
• Данные о голосовании пользователей (запросы на перемещение вверх/вниз).
• Оценки репутации пользователей (Relative Influence).

Выходные данные:

• Переранжированный список результатов с модифицированными оценками.

На что влияет

• Конкретные типы контента и запросы: Патент предполагает универсальное применение и приводит примеры использования в веб-поиске (Google, Yahoo), поиске товаров (Amazon), видео (YouTube), локальном поиске (Yelp). Наибольшее влияние ожидается в запросах, где алгоритмическая релевантность сильно расходится с пользовательским восприятием полезности или подвержена спаму.

Когда применяется

• Триггеры активации: Система активируется, когда пользователи взаимодействуют с механизмом голосования. Механизм переранжирования активируется, если для результатов существуют накопленные данные.
• Условия применения: Наличие достаточного объема данных User Suggested Ordering для конкретного запроса.
• Балансировка: Влияние механизма снижается, если пользователи не голосуют (Claim 3), что подразумевает удовлетворенность текущим ранжированием или низкую активность.
• Временные рамки: Влияние сохраняется с течением времени (с помощью Pointer Module) и применяется при последующих выполнениях того же запроса.

Пошаговый алгоритм

Процесс А: Обработка запроса (Real-time)

1. Генерация первичных результатов: Система выполняет запрос и ранжирует результаты на основе базового алгоритма (например, PageRank).
2. Извлечение пользовательских факторов: Получение сохраненных Weighting Factors для результатов из набора.
3. Модификация оценок ранжирования: Применение фактора X к базовым оценкам (например, модификация PageRank с множителем X).
4. Переранжирование результатов: Формирование итоговой выдачи на основе модифицированных оценок.
5. Отображение и сбор данных: Показ результатов с интерфейсом для голосования (стрелки) и фиксация новых голосов пользователя.

Процесс Б: Расчет влияния и репутации (Offline/Periodic)

1. Агрегация голосов: Объединение всех предложений по изменению порядка для конкретных запросов и ссылок.
2. Расчет репутации пользователей (Relative Influence): Оценка веса голоса каждого пользователя, анализируя, насколько его предложения соответствуют model average user или popular outcome (например, используя анализ на shuffled data).
3. Расчет Weighting Factor: Вычисление итогового фактора влияния для пар запрос-ссылка, взвешенного по репутации пользователей. Учитывается балансировка (Claim 3).
4. Сохранение контекста (Pointer Module): Обновление указателей для обеспечения постоянства предпочтений при будущих обновлениях индекса.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании явных поведенческих данных для модификации ранжирования.

• Поведенческие факторы (Явные): Ключевые данные — это прямые голоса пользователей (клики по стрелкам вверх/вниз) для изменения порядка ссылок (User Suggested Ordering). Также учитываются данные о том, какие пользователи не оспаривают уже измененный порядок.
• Пользовательские факторы: История голосований и действий пользователя используется для расчета его репутации (Relative Influence). Патент также предлагает начислять баллы (points) за участие (Claim 7).
• Ссылочные факторы: Используются косвенно, так как система модифицирует результаты базового алгоритма, который часто основан на ссылочных данных (например, PageRank).

Какие метрики используются и как они считаются

• Weighting Factor (Весовой фактор) или User Influence Factor (X): Множитель, применяемый к базовой оценке ранжирования. Рассчитывается путем агрегации голосов пользователей.
• Relative Influence (Относительное влияние): Оценка репутации пользователя, определяющая вес его голоса. Рассчитывается на основе алгоритмической оценки соответствия пользователя model average user, в том числе с использованием анализа на перемешанных данных (shuffled data).
• Polymeric Function: Упоминается как метод расчета влияния голосов для оптимизации релевантности.
• Формулы и алгоритмы расчета: В патенте (FIG. 16) приводится пример модификации стандартной формулы PageRank путем добавления множителя X (User Influence Factor) к алгоритмической части формулы.

Выводы

1. Прямое вмешательство пользователя в ранжирование: Патент предлагает механизм, позволяющий пользователям напрямую (явно) влиять на порядок поисковой выдачи для борьбы с SEO-манипуляциями и повышения релевантности.
2. Модификация базовых алгоритмов (PageRank * X): Описан конкретный способ интеграции этого влияния путем использования User Influence Factor (X) как модификатора базовой оценки (например, в формуле PageRank).
3. Система репутации пользователей (Анти-спам): Для предотвращения манипуляций вводится понятие Relative Influence пользователя. Голоса пользователей, чьи предпочтения лучше совпадают с «модельным средним пользователем», имеют больший вес.
4. Балансировка влияния (Claim 3): Система учитывает не только активное голосование, но и его отсутствие. Если пользователи удовлетворены выдачей и не голосуют за изменения, влияние Weighting Factor снижается.
5. Обеспечение постоянства (Persistence): Механизм Pointer Module предназначен для сохранения пользовательских предпочтений даже после пересчета основного алгоритма или глобального обновления индекса.
6. Ограниченное применение в реальности: Описанная реализация не стала стандартом в крупных поисковых системах. Поисковые системы предпочли использовать неявные сигналы (implicit signals) из-за проблем с масштабированием и спамом при явном голосовании.

Практика

ВАЖНОЕ ЗАМЕЧАНИЕ: Этот патент описывает механизм, который НЕ используется в Google Web Search. Представленные ниже рекомендации основаны на философии патента, но не являются прямым руководством к действию в современном SEO.

Best practices (это мы делаем)

Хотя прямая оптимизация под этот механизм невозможна, его философия подчеркивает важность следующих стратегий:

• Фокус на максимальной полезности и удовлетворении интента: Необходимо создавать контент, который пользователи гипотетически захотели бы повысить в выдаче. Цель — соответствовать предпочтениям model average user. Это коррелирует с оптимизацией под неявные поведенческие сигналы в современном SEO.
• Оптимизация сниппетов для ясности: Патент упоминает важность предварительного просмотра (summary text) для принятия обоснованного решения о голосовании. Это подчеркивает важность работы над Title и Description для точного отражения содержания страницы и управления ожиданиями пользователя.

Worst practices (это делать не надо)

В контексте данного патента следующие тактики были бы неэффективны:

• Игнорирование качества контента при высоких алгоритмических метриках: Достижение ТОПа за счет ссылочных или технических факторов без предоставления реальной ценности. Пользователи активно понижали бы такие результаты в выдаче.
• Кликбейт и обман ожиданий: Контент, который привлекает клик, но не удовлетворяет интент, быстро получил бы голоса «вниз» (в реальности это приводит к плохим неявным сигналам, таким как короткие клики).
• Накрутка голосов (Brigading): Попытки массовой накрутки голосов были бы нейтрализованы системой репутации (Relative Influence), которая снижает вес голосов от неавторитетных или скоординированных аккаунтов.

Стратегическое значение

Патент демонстрирует стремление поисковых систем интегрировать человеческую оценку релевантности для корректировки машинных алгоритмов. Хотя этот конкретный метод прямого голосования не прижился в веб-поиске, он подчеркивает фундаментальную важность удовлетворенности пользователя (User Satisfaction) как конечной цели поиска. Современные системы используют косвенные методы анализа поведения, но цель остается той же — определить, что на самом деле полезно для average user.

Практические примеры

Практических примеров применения в современном SEO нет, так как механизм не используется. Приведем гипотетический сценарий работы системы.

Гипотетический Сценарий: Корректировка выдачи по запросу «Как завязать галстук»

1. Исходная ситуация: По запросу «Как завязать галстук» на первом месте находится текстовая статья с высоким PageRank (Сайт А). На втором месте — качественное видео (Сайт Б).
2. Действия пользователей: Пользователи считают видео более полезным и начинают активно использовать стрелку «вверх» для Сайта Б и стрелку «вниз» для Сайта А.
3. Расчет влияния: Система агрегирует голоса. User Influence Factor (X) для Сайта А снижается (например, до 0.8), а для Сайта Б повышается (например, до 1.5).
4. Переранжирование: Система пересчитывает итоговые оценки.
   Сайт А: Итоговая оценка = PageRank(A) * 0.8.
   Сайт Б: Итоговая оценка = PageRank(B) * 1.5.
5. Результат: Несмотря на более низкий исходный PageRank, Сайт Б занимает первое место в выдаче благодаря прямому пользовательскому вмешательству.

Вопросы и ответы