Как Google вычисляет надежность пользователей, оставляющих отзывы, для борьбы с накрутками и влияния на ранжирование

Описание

Какую задачу решает

Патент решает проблему манипулирования системами рейтингов («gaming» ratings systems). Он направлен на выявление нечестных пользователей (fraudsters или bad users), которые оставляют предвзятые отзывы для искусственного завышения или занижения рейтинга объектов (Items), таких как товары, веб-страницы или комментарии. Изобретение призвано повысить точность композитных рейтингов за счет нейтрализации влияния таких манипуляций.

Что запатентовано

Запатентована система для распознавания аномальной активности при выставлении оценок и расчета показателя качества (Quality Score или Gamma Score, γ) для каждого пользователя (Rater). Этот показатель основан на степени согласия (concurrence) или отклонения оценок данного пользователя от оценок, выставленных другими пользователями тем же самым объектам. Пользователи, чьи оценки сильно отличаются от большинства, считаются менее надежными.

Как это работает

Система сравнивает среднюю оценку, которую пользователь поставил объекту, со средней оценкой, которую этому же объекту поставили все остальные пользователи. Затем вычисляется среднее отклонение по всем оцененным объектам.

Ключевые механизмы:

• Анализ отклонений: Значительные и систематические отклонения от консенсуса снижают Quality Score пользователя.
• Учет опыта: Пользователи с большим количеством отзывов могут получить более высокий Quality Score, если их оценки совпадают с мнением большинства.
• Подавляющие функции (Squashing functions): Используются логарифмические функции, чтобы предотвратить ситуацию, когда пользователь получает высокий балл просто за счет массового оставления отзывов.
• Взвешивание оценок: При расчете итогового рейтинга объекта (Global Rating) каждая оценка взвешивается с учетом Quality Score ее автора. Отзывы ненадежных пользователей имеют меньший вес.

Актуальность для SEO

Высокая. Борьба с фальшивыми отзывами и манипуляциями с UGC (User-Generated Content) остается критически важной задачей для всех платформ (Google Maps, Google Shopping, Поиск). Механизмы для валидации пользовательских сигналов и оценки надежности источников этих сигналов (Trust в контексте E-E-A-T) активно применяются для обеспечения качества выдачи.

Важность для SEO

Патент имеет высокое значение для SEO (8.5/10), особенно в Local SEO и E-commerce. Он описывает механизм, позволяющий Google определять вес и надежность отзывов на основе репутации их автора. Попытки манипулировать рейтингами с помощью фальшивых отзывов становятся менее эффективными, так как система пессимизирует вклад ненадежных аккаунтов. Патент также прямо указывает на использование этих скорректированных оценок в качестве сигнала ранжирования (называемого в тексте RaterRank) и для расчета репутации авторов контента (Author Score).

Детальный разбор

Термины и определения

Rater (Оценщик / Пользователь)

Пользователь системы, который предоставляет оценки (Ratings) объектам.

Item (Объект оценки)

Объект, который оценивают пользователи (веб-документ, товар, комментарий и т.д.).

Raw Rating (Исходная оценка)

Непосредственная оценка, предоставленная пользователем, обычно в ограниченном диапазоне (например, 1-5).

avg_X(Y) и avg_-X(Y)

avg_X(Y) – средняя оценка объекта Y пользователем X. avg_-X(Y) – средняя оценка объекта Y всеми пользователями, КРОМЕ X (консенсус).

Quality Precursor (γ») (Предварительный показатель качества)

Метрика, показывающая степень отклонения оценок пользователя от консенсуса. Рассчитывается как среднеквадратичная ошибка. Высокое значение указывает на сильное отклонение (низкое качество).

Quality Score / Gamma Score (γ) (Оценка качества оценщика)

Метрика, отражающая надежность или честность оценок пользователя. Основана на корреляции с консенсусом и его опыте (количестве отзывов). Используется как весовой коэффициент.

Global Rating (Глобальный рейтинг объекта)

Итоговый композитный рейтинг объекта, рассчитанный как сумма оценок всех пользователей, взвешенных с помощью их Quality Score.

Squashing Function (Подавляющая функция)

Математическая функция (например, логарифм), применяемая для снижения влияния очень больших значений. Используется, чтобы предотвратить манипуляции за счет огромного количества отзывов.

RaterRank

Термин, упомянутый в патенте для обозначения фактора ранжирования, основанного на скорректированных пользовательских оценках (Global Rating).

Author Score (Оценка автора)

Рейтинг автора контента, рассчитанный путем агрегации взвешенных оценок (Global Ratings), полученных его работами.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод оценки качества оценщика.

1. Система идентифицирует множество оценок, выставленных первым пользователем множеству объектов.
2. Определяются различия между оценками первого пользователя и оценками других пользователей для тех же объектов.
3. На основе этих различий генерируется Quality Score для первого пользователя.

Ядро изобретения — это расчет показателя надежности пользователя на основе сравнения его мнений с консенсусом.

Claim 5 и 6 (Зависимые): Устанавливают прямую связь с SEO и ранжированием.

1. Система использует Quality Score для ранжирования веб-документов (Claim 5).
2. При получении поискового запроса система ранжирует результаты, используя Quality Scores пользователей, оценивших эти результаты (Claim 6).

Система использует надежность пользователей для влияния на ранжирование контента в поиске.

Claim 7 (Зависимый): Описывает механизм расчета авторитетности авторов.

• Система генерирует оценки для авторов веб-документов, используя Quality Score оценщиков.

Если контент автора получает высокие оценки от пользователей с высоким Quality Score, авторитет автора (Author Score) растет.

Claim 9 и 10 (Зависимые): Детализируют метод расчета.

1. Quality Score основан на средней разнице между оценкой пользователя и оценками других (Claim 9).
2. Quality Score сжимается (compressed) с помощью логарифмической функции (Claim 10).

Это подтверждает использование статистического анализа отклонений и защиту от накрутки объемами (Squashing Function).

Где и как применяется

Изобретение затрагивает этапы индексирования (расчет метрик) и ранжирования (использование метрик).

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает Raw Ratings и пересчитывает ключевые метрики (вероятно, в пакетном режиме):

1. Расчет User Quality Scores (γ): Анализируется история оценок для вычисления/обновления Quality Score каждого пользователя на основе его отклонения от консенсуса.
2. Расчет Global Ratings: Для каждого объекта рассчитывается взвешенный рейтинг с учетом Quality Scores оценщиков.
3. Расчет Author Scores: Агрегация Global Ratings всех документов автора для вычисления его репутации.

Эти метрики сохраняются в индексе или связанных базах данных.

RANKING – Ранжирование
Во время выполнения поискового запроса система использует предварительно рассчитанные метрики как сигналы ранжирования.

• Поисковая система использует Global Ratings объектов (называя это RaterRank) и Author Scores как факторы для определения порядка результатов, наряду с другими сигналами, такими как PageRank.

Входные данные:

• Исходные оценки (Raw Ratings).
• Идентификаторы пользователей и объектов.
• Временные метки оценок.
• Данные об авторстве (Authorship information).

Выходные данные:

• Quality Scores (γ) для пользователей.
• Global Ratings для объектов.
• Author Scores для авторов.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние в сферах, где активно используются пользовательские рейтинги:
  • E-commerce: Рейтинги товаров и отзывы.
  • Local SEO: Отзывы о местных компаниях (Google Maps).
  • UGC-платформы: Рейтинги статей, комментариев, видео.
• Репутация авторов (E-E-A-T): Система позволяет оценить репутацию автора на основе взвешенных отзывов о его работах, что влияет на ранжирование всего его контента.

Когда применяется

• Условия применения: Для расчета надежного Quality Score необходимо, чтобы пользователь оставил достаточное количество отзывов, и чтобы эти же объекты были оценены другими пользователями (для формирования консенсуса).
• Временные аспекты: Патент описывает продвинутые механизмы, учитывающие время оставления отзыва для борьбы с мошенничеством:
  • Сравнение отзыва пользователя только с отзывами, оставленными ПОСЛЕ него (для борьбы с копированием чужих оценок).
  • Анализ скорости оставления отзывов для выявления ботов.

Пошаговый алгоритм

Процесс расчета Quality Score для Пользователя X.

1. Идентификация данных: Определить все объекты (Y), которые оценил Пользователь X.
2. Расчет средних баллов: Для каждого объекта Y вычислить:
   1. Среднюю оценку, данную Пользователем X (avg_X(Y)).
   2. Среднюю оценку, данную всеми пользователями, КРОМЕ X (avg_-X(Y)).
3. Вычисление отклонения (Quality Precursor γ»): Рассчитать среднее квадратичное отклонение между оценками пользователя и консенсусом.
   γ»(X) = (Сумма (avg_-X(Y) — avg_X(Y))^2) / (Количество объектов |Y|).
   (Высокое значение γ» указывает на плохое качество).
4. Трансформация и учет опыта (Quality Score γ’): Преобразовать γ» и применить подавляющую функцию к количеству отзывов (|Y|).
   1. Инвертировать ориентацию (теперь высокое значение γ’ = хорошее качество).
   2. Умножить на логарифм от количества отзывов для учета опыта.
   3. Формула (пример): γ'(X) = (R_maxdiff — sqrt(γ»(X))) * log(|Y|+1).
5. Нормализация (Gamma Score γ): Нормализовать γ’ до удобного диапазона (например, 1-2) для использования в качестве веса.
6. Расчет Глобального Рейтинга объекта (Global Rating): Рассчитать итоговый рейтинг объекта путем суммирования взвешенных оценок всех пользователей.
   Global Rating(Y) = Сумма по всем X ( γ(X) * Оценка от X для Y ). (Патент также предлагает применять логарифм к сумме оценок от одного пользователя, чтобы избежать влияния множественных оценок).
7. Итеративное уточнение (Опционально): Исключить пользователей с очень низким Quality Score и перезапустить расчет, чтобы оценки мошенников не влияли на консенсус и оценки честных пользователей.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (UGC):
  • Эксплицитные оценки: Исходные оценки (Raw Ratings) в ограниченном диапазоне (1-5 звезд, лайк/дизлайк).
  • Имплицитные оценки: Упоминается возможность использования неявных сигналов, например, времени просмотра контента.
  • Паттерны оценок: Анализ распределения оценок (например, слишком много одинаковых оценок может быть признаком бота).
• Временные факторы: Временные метки отзывов. Используются для анализа скорости оставления отзыва и для сравнения с отзывами, оставленными позже (анти-фрод).
• Пользовательские факторы: Идентификаторы пользователей для отслеживания истории и расчета опыта (количества отзывов).

Какие метрики используются и как они считаются

• Quality Precursor (γ»): Мера отклонения пользователя от консенсуса. Использует расчет среднеквадратичной ошибки.
• Quality Score (γ’, γ): Итоговая оценка качества пользователя. Использует Squashing Function (логарифм) для учета опыта.
• Global Rating: Взвешенный композитный рейтинг объекта.

Методы анализа:

• Статистические методы: Расчет средних значений, анализ корреляции, дисперсии.
• Нормализация: Упоминается возможность нормализации исходных оценок пользователя для устранения глобальной предвзятости (например, если пользователь всегда завышает оценки).
• Агрегация: Использование подавляющих функций (логарифмов) для агрегации данных.

Выводы

1. Надежность источника отзыва критична: Google не доверяет всем пользовательским оценкам одинаково. Вес отзыва напрямую зависит от рассчитанной надежности (Quality Score) пользователя, который его оставил.
2. Отклонение от консенсуса пессимизируется: Основной механизм выявления ненадежных пользователей — это анализ того, насколько сильно их оценки отличаются от среднего мнения большинства. Систематическое отклонение ведет к снижению влияния.
3. Опыт важен, но защищен от накруток: Система поощряет опытных пользователей, но использование подавляющих функций (Squashing Functions, например, логарифма) не позволяет линейно наращивать вес за счет массового оставления отзывов.
4. Прямое влияние на ранжирование (RaterRank): Патент явно указывает, что скорректированные рейтинги используются поисковой системой как сигнал ранжирования (RaterRank), наряду с другими сигналами, такими как PageRank.
5. Оценка авторитетности авторов (Author Authority): Система вычисляет репутацию авторов (Author Score) путем агрегации взвешенных отзывов на их работы. Это позволяет повышать в ранжировании новый контент от авторитетного автора, даже если сам контент еще не получил оценок или ссылок.
6. Сложные анти-спам механизмы: Патент описывает продвинутые методы борьбы с манипуляциями, включая анализ времени оставления отзывов и итеративную очистку данных от влияния мошенников.

Практика

Best practices (это мы делаем)

• Стимулирование органических и честных отзывов: Ключевая стратегия для Local SEO и E-commerce — получение настоящих отзывов от реальных клиентов. Система отдает предпочтение отзывам от пользователей с устоявшейся историей и высоким Quality Score (например, активных Google Local Guides).
• Обеспечение стабильного качества продукта/контента: Поскольку система ищет консенсус, лучший способ гарантировать высокий Global Rating — это стабильно предоставлять качественные услуги/контент, что приведет к естественному формированию положительного консенсуса среди честных пользователей.
• Построение репутации авторов (E-E-A-T): Для контентных проектов необходимо фокусироваться на создании авторитета автора. Если пользователи высоко оценивают работы автора, система может использовать этот Author Score для лучшего ранжирования его будущих работ.
• Работа с негативом: Честные негативные отзывы от надежных пользователей имеют большой вес. Необходимо оперативно реагировать на них и решать проблемы, чтобы поддерживать положительный консенсус.

Worst practices (это делать не надо)

• Покупка массовых фальшивых отзывов: Это основная манипуляция, против которой направлен патент. Отзывы от новых или спамных аккаунтов, которые сильно отклоняются от среднего, будут иметь минимальный вес из-за низкого Quality Score.
• Астротурфинг (Astro-turfing) и Бригадинг: Попытки сотрудников или скоординированных групп искусственно завысить/занизить рейтинг. Если их оценки систематически отклоняются от консенсуса, система снизит их Quality Score.
• Массовое оставление однотипных отзывов: Патент упоминает фильтрацию пользователей, которые ставят слишком много одинаковых оценок (например, только 5 звезд), так как это может указывать на работу бота.

Стратегическое значение

Патент подтверждает стратегию Google по использованию пользовательских сигналов (UGC) при условии их тщательной валидации. Он подчеркивает, что репутация и надежность источника информации (будь то пользователь, оставляющий отзыв, или автор контента) являются фундаментальными для ранжирования. Для SEO это означает, что управление репутацией (ORM) и работа с отзывами должны фокусироваться на качестве и органичности, а не на объеме. Манипулятивные техники в этой сфере неэффективны и рискованны.

Практические примеры

Сценарий: Борьба с накруткой отзывов в Local SEO (Google Maps)

1. Ситуация: Ресторан А имеет органический рейтинг 3.5 звезды на основе 100 отзывов от опытных пользователей (Высокий Quality Score).
2. Атака: Владелец Ресторана А покупает 50 фальшивых отзывов по 5 звезд от новых аккаунтов.
3. Анализ системой:
   • Система видит, что новые аккаунты (Низкий опыт) ставят оценки (5.0), которые сильно отклоняются от существующего консенсуса (3.5).
   • Система рассчитывает Quality Precursor (γ») для новых аккаунтов. Он будет высоким (сильное отклонение).
   • Система рассчитывает Quality Score (γ). Он будет низким из-за высокого отклонения и низкого опыта.
4. Расчет Global Rating: При расчете итогового рейтинга Ресторана А, вес 50 фальшивых отзывов будет минимальным.
5. Результат: Итоговый рейтинг ресторана практически не изменится. Вклад честных, опытных пользователей перевесит спам.

Вопросы и ответы