Как Google рассчитывает авторитетность авторов в социальных сетях на основе взвешенного графа взаимодействий (Author Rank)

Описание

Какую задачу решает

Патент решает задачу оценки качества и ранжирования контента, создаваемого в социальных сетях (например, постов, твитов). Поскольку такой контент часто не имеет традиционных сигналов качества (например, обратных ссылок), система предлагает метод оценки качества поста через оценку авторитетности его автора (User Score). Авторитетность определяется на основе того, как другие пользователи взаимодействуют с контентом автора.

Что запатентовано

Запатентована система расчета оценки авторитетности авторов (User Score) в социальной сети. Система строит направленный граф взаимодействий (Directed Interaction Graph), где узлы — это пользователи, а ребра — это взаимодействия (репосты, ответы) или подписки. Ключевым элементом является присвоение разных весов (Scoring Factors) разным типам действий и итеративный расчет авторитетности (аналогично PageRank) на основе структуры этого графа.

Как это работает

Система работает следующим образом:

• Сбор данных: Собираются публично доступные данные о постах, взаимодействиях и подписках в социальной сети.
• Построение графа: Строится Directed Interaction Graph. Если Пользователь А взаимодействует с постом Пользователя Б, создается направленное ребро от А к Б.
• Взвешивание ребер: Каждому ребру присваивается вес (Edge Weight). Вес зависит от типа взаимодействия, их количества и, опционально, свежести (age). Установлена иерархия: Репосты (Forwarding) > Ответы (Replying) > Подписки (Subscriptions).
• Расчет оценок: User Scores рассчитываются итеративно. Оценка автора зависит от оценок пользователей, которые с ним взаимодействуют, и веса этих взаимодействий (транзитивность авторитета).
• Применение: Полученные User Scores передаются в Ranking Engine для ранжирования постов этих авторов.

Актуальность для SEO

Высокая. Хотя патент подан в 2010 году, концепция оценки авторитетности автора (ключевой элемент E-E-A-T) остается фундаментальной для Google. Описанная методология — использование взвешенного графа взаимодействий и итеративного расчета авторитетности (Author Rank) — является стандартным и актуальным подходом в анализе социальных сетей и информационном поиске.

Важность для SEO

Влияние на SEO значительное (7.5/10). Патент детально описывает механизм, как Google может алгоритмически оценивать авторитетность авторов, используя внешние сигналы вовлеченности. Он подчеркивает стратегическую важность качества взаимодействий: активное вовлечение (репосты) от авторитетных пользователей ценится значительно выше пассивного следования или большого количества подписчиков.

Детальный разбор

Термины и определения

Directed Interaction Graph (Направленный граф взаимодействий)

Структура данных для расчета авторитетности. Состоит из узлов (nodes), представляющих пользователей, и направленных ребер (directed edges), представляющих взаимодействия или подписки.

Edge Weight (Вес ребра)

Числовое значение, присвоенное ребру. Зависит от количества взаимодействий, их типа (Scoring Factor) и, опционально, их возраста (age).

Interaction Edge (Ребро взаимодействия)

Направленное ребро от Пользователя А к Пользователю Б, указывающее, что А взаимодействовал (ответил или сделал репост) с одним или несколькими постами Б.

Post (Пост)

Контент, созданный пользователем в социальной сети (например, твит).

Ranking Engine (Механизм ранжирования)

Компонент поисковой системы, который ранжирует ресурсы, используя различные сигналы, включая User Score.

Scoring Factor (Фактор оценки)

Весовой коэффициент, присваиваемый определенному типу взаимодействия (репост, ответ, подписка). Используется для расчета Edge Weight.

Subscription Edge (Ребро подписки)

Направленное ребро, указывающее на подписку одного пользователя на другого (например, «following»). Рассматривается как самый слабый сигнал.

User Score (Оценка пользователя/автора)

Метрика авторитетности пользователя, рассчитываемая итеративно. Используется для ранжирования его постов.

User Scoring Engine (Механизм оценки пользователей)

Компонент системы, отвечающий за построение графа и расчет User Scores.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод расчета авторитетности.

1. Получение публичных данных о постах в социальной сети.
2. Классификация постов на ответы (replies) и репосты (re-postings).
3. Генерация Directed Interaction Graph (узлы=пользователи; ребра=взаимодействия).
4. Определение веса для каждого ребра. Вес зависит от (i) Scoring Factor типа взаимодействия и (ii) количества взаимодействий. Разные типы имеют разные Scoring Factors.
5. Расчет User Score. Оценка пользователя зависит от оценок пользователей, которые с ним взаимодействуют, и весов этих взаимодействий (итеративный расчет).
6. Предоставление User Scores системе ранжирования.

Claim 14 (Зависимый от 13): Устанавливает иерархию взаимодействий.

Scoring Factor для пересылки поста (forwarding/репост) выше, чем Scoring Factor для ответа (replying).

Claim 4, 5, 6 (Зависимые): Дополняют граф подписками и определяют их вес.

Граф может включать Subscription Edges. Вес рассчитывается на основе Subscription Scoring Factor. (Claim 6) Этот фактор меньше, чем Scoring Factor для любого типа взаимодействия (ответа или репоста).

Иерархия весов: Репосты > Ответы > Подписки.

Claim 8 (Зависимый): Вводит фактор времени.

Вес ребра взаимодействия может также зависеть от возраста (age) каждого взаимодействия. (Подразумевается дисконтирование старых взаимодействий).

Claim 15, 16, 17 (Зависимые): Детализируют метод расчета User Score (PageRank-подобный алгоритм).

Расчет является итеративным. Оценки инициализируются (например, 1/N). Затем оценка каждого узла обновляется как взвешенное среднее (weighted average) оценок узлов, имеющих входящее ребро к данному узлу. Оценка входящего узла взвешивается по весу соответствующего ребра.

Где и как применяется

Изобретение затрагивает этапы индексирования и ранжирования, используя данные, собранные на этапе сканирования.

CRAWLING – Сканирование и Сбор данных
Система собирает публично доступные данные из социальных сетей: посты, информацию об авторах, взаимодействиях (ответы, репосты) и подписках.

INDEXING – Индексирование и извлечение признаков
Основное применение патента. User Scoring Engine выполняет этот процесс (вероятно, периодически в офлайн-режиме):

1. Анализ данных и классификация взаимодействий.
2. Построение Directed Interaction Graph.
3. Расчет весов ребер (Edge Weights).
4. Итеративный расчет User Scores для авторов.

Эти оценки сохраняются как признак, связанный с автором.

RANKING – Ранжирование
Когда Ranking Engine оценивает релевантные посты из социальных сетей, он использует предварительно рассчитанные User Scores авторов как один из сигналов качества или авторитетности.

Входные данные:

• Публичные посты и данные о взаимодействиях (типы, количество).
• Данные о подписках.
• Временные метки взаимодействий (для расчета age).

Выходные данные:

• User Score для каждого автора в графе.

На что влияет

• Конкретные типы контента: Ранжирование контента из социальных сетей (Twitter, Facebook и т.д.), попадающего в поиск. Может применяться к любому пользовательскому контенту (UGC), где можно идентифицировать авторов и взаимодействия (форумы, комментарии).
• Специфические запросы: Влияет на запросы, связанные с актуальными событиями (real-time search), трендами или обсуждениями, где социальный контент наиболее релевантен.

Когда применяется

• Расчет оценок: Происходит периодически по мере обновления данных из социальных сетей (офлайн или пакетный режим).
• Использование оценок: Применяется в процессе ранжирования в реальном времени, когда в выдачу попадает контент авторов, для которых эти оценки рассчитаны.

Пошаговый алгоритм

Процесс А: Построение графа и расчет весов

1. Сбор и классификация данных: Получение публичных данных и их классификация на ответы, репосты и подписки. Идентификация количества и возраста взаимодействий.
2. Генерация графа: Создание Directed Interaction Graph. Добавление узлов (пользователей) и направленных ребер (взаимодействий).
3. Определение факторов оценки (Scoring Factors): Использование предопределенных весов (W_i) для каждого типа взаимодействия. Иерархия: W_репост > W_ответ > W_подписка.
4. Расчет весов ребер (Edge Weighting): Для каждого ребра от узла ‘a’ к узлу ‘b’ вычисляется вес. Патент описывает несколько вариантов расчета, включая:

   Базовая формула (Claim 29): edge weight = Wi * f(n). Где n — количество взаимодействий типа i, f() — функция (например, log(n)).

   Формула с учетом возраста (Claim 30): edge weight = Wi * f(n, t1…tj). Где t — возраст каждого взаимодействия. Функция f() может возвращать взвешенное количество, где каждое взаимодействие дисконтируется по возрасту (например, 1/количество дней).

   Агрегированная формула (Claim 32, если используется модель с одним ребром): Вес рассчитывается как сумма весов по всем типам взаимодействий: edge weight = Σ [Wi * f(ni)].

Процесс Б: Итеративный расчет User Score

1. Инициализация: Присвоение начального User Score каждому узлу (например, 1 / общее количество узлов).
2. Итеративное обновление: Повторение процесса для всех узлов:
   1. Новый User Score узла рассчитывается как взвешенное среднее (weighted average) оценок узлов, имеющих входящие ребра к нему.
   2. Оценка каждого входящего узла взвешивается по весу соответствующего входящего ребра.
3. Проверка сходимости: Процесс повторяется до выполнения условия остановки (например, стабилизации оценок).
4. Предоставление оценок: Финальные User Scores передаются в Ranking Engine.

Какие данные и как использует

Данные на входе

Патент фокусируется исключительно на данных из социальных сетей.

• Поведенческие факторы (внутри социальной сети):
  • Взаимодействия (Interactions): Данные о том, кто отвечает (reply) и кто делает репосты (forward/re-posting) контента других пользователей.
  • Подписки (Subscriptions): Данные о том, кто подписан на обновления другого пользователя (following).
• Временные факторы:
  • Возраст взаимодействия (Age): Время, прошедшее с момента взаимодействия. Используется для потенциального снижения веса старых взаимодействий.

Какие метрики используются и как они считаются

• Scoring Factors (Весовые коэффициенты типов): Предопределенные веса для разных типов действий. Установлена иерархия: W(Репост) > W(Ответ) > W(Подписка).
• Interaction Counts (n): Количество взаимодействий определенного типа между двумя пользователями.
• Edge Weight (Вес ребра): Рассчитывается путем комбинирования Scoring Factor, количества взаимодействий (n) и, опционально, их возраста. Используется функция f(n) (например, log(n)) для сглаживания влияния большого количества взаимодействий.
• User Score (Оценка пользователя): Рассчитывается итеративно (как PageRank). Обновленная оценка узла является взвешенным средним оценок узлов, ссылающихся на него, где весами выступают веса входящих ребер.

Выводы

1. Авторитетность автора (Author Rank) как сигнал ранжирования: Патент подтверждает использование авторитетности автора (User Score), рассчитанной на основе социального графа, как сигнала для ранжирования его контента в поиске.
2. Четкая иерархия социальных сигналов: Не все взаимодействия равны. Система явно приоритизирует активное распространение контента над реакциями и пассивным интересом: Репост > Ответ > Подписка.
3. Транзитивность авторитетности (Social PageRank): Авторитетность передается по графу взаимодействий. Взаимодействия от пользователей с высоким User Score приносят значительно больше авторитета, чем взаимодействия от пользователей с низким User Score.
4. Важность активного вовлечения: Для достижения высокой авторитетности необходимо, чтобы контент активно распространялся и обсуждался, а не просто набирал подписчиков.
5. Свежесть взаимодействий: Система может учитывать возраст взаимодействий (age), придавая больший вес недавней активности и снижая влияние старых сигналов.

Практика

Best practices (это мы делаем)

• Стимулирование активного распространения (Репосты/Shares): Фокусируйте SMM-стратегию на генерации контента, который пользователи захотят распространять. Согласно патенту, это самый сильный сигнал для повышения User Score автора.
• Построение авторитета через взаимодействие с экспертами: Стремитесь к тому, чтобы ваш контент репостили и комментировали авторитетные пользователи в вашей нише. Поскольку User Score рассчитывается итеративно (транзитивность), взаимодействия от высокоавторитетных пользователей передают значительно больше веса.
• Фокус на качестве контента, а не на количестве подписчиков: Сосредоточьтесь на создании экспертного контента, который естественным образом вызывает вовлечение. Большое количество пассивных подписчиков имеет минимальное значение в этой модели.
• Поддержание свежести активности: Поскольку система может учитывать возраст взаимодействий (age), важно поддерживать постоянную активность и генерировать свежее вовлечение для поддержания высокого User Score.

Worst practices (это делать не надо)

• Накрутка подписчиков (Buying Followers): Эта тактика неэффективна. Подписка имеет наименьший Scoring Factor. Кроме того, боты или неактивные пользователи имеют низкий собственный User Score и не смогут передать авторитет.
• Генерация низкокачественного вовлечения (Боты, Чаты активности): Имитация активности через низкокачественные аккаунты неэффективна. Если участники таких схем имеют низкий User Score, эффект будет минимальным из-за механизма передачи веса.
• Фокус на «Likes» (если применимо): Хотя патент явно не упоминает «Likes», они, вероятно, классифицируются как очень слабый сигнал, сравнимый с подпиской или даже слабее, поскольку не требуют значительных усилий от пользователя.

Стратегическое значение

Патент подтверждает важность концепции E-E-A-T и авторитетности автора. Он показывает конкретную методологию для измерения этой авторитетности, используя поведенческие данные из внешних источников (социальных сетей). Стратегически это означает, что SEO и SMM должны быть тесно интегрированы. Успех в SEO для контента, связанного с трендами или обсуждениями, может зависеть от того, насколько авторитетным воспринимается автор внутри соответствующего социального сообщества.

Практические примеры

Сценарий: Ранжирование новостного контента от журналистов (Качество против Количества)

1. Ситуация: Происходит важное событие. Два журналиста (А и Б) пишут об этом в социальной сети.
2. Профиль Журналиста А (Количество): 100,000 подписчиков. Его пост получил 500 ответов и 200 репостов, в основном от случайных пользователей (низкий User Score).
3. Профиль Журналиста Б (Качество): 20,000 подписчиков. Его пост получил 100 ответов и 150 репостов, но среди репостнувших есть несколько крупных СМИ и признанных экспертов (высокий User Score).
4. Обработка системой:
   • Система рассчитывает веса. Репосты имеют больший вес, чем ответы.
   • Система учитывает источник взаимодействий. Репосты от СМИ и экспертов (для Журналиста Б) передают значительно больше веса, чем взаимодействия от случайных пользователей (для Журналиста А).
5. Результат: Несмотря на меньшее количество подписчиков и общее вовлечение, Журналист Б получит более высокий итоговый User Score благодаря качеству вовлечения. Его пост с большей вероятностью будет показан в результатах поиска Google выше, чем пост Журналиста А.

Вопросы и ответы