Как Google использует социальные связи, авторитетность и рекомендации для персонализации и переранжирования локальной выдачи

Описание

Какую задачу решает

Патент решает проблему повышения качества и доверия к результатам локального поиска (local search results) и рекламы (ads). Стандартные алгоритмы часто полагаются на общие сигналы популярности, игнорируя персональный контекст. Изобретение внедряет «слой доверия» (layer of trust) в поиск, позволяя пользователям получать результаты, основанные на рекомендациях людей из их социальной сети (member network), тем самым улучшая релевантность локальной выдачи.

Что запатентовано

Запатентована система интеграции поисковой системы с социальной сетью. Участники сети могут одобрять (endorse) или оценивать локальные результаты и рекламу. Эти одобрения используются для переранжирования (re-rank) выдачи для других связанных пользователей. Ключевым механизмом является корректировка веса этих одобрений на основе социальной дистанции (Degree of Separation) и авторитетности (Credibility Factor) источника рекомендации.

Как это работает

Система работает в несколько этапов:

• Сбор Одобрений: Пользователи оставляют оценки, рейтинги или комментарии к локальным результатам или рекламе.
• Хранение Данных: Одобрения сохраняются в базе данных социальной сети (Member Network Database), привязанные к профилям пользователей.
• Обработка Запроса: Когда пользователь выполняет локальный поиск, система ищет релевантные одобрения от связанных с ним людей (явно или неявно).
• Взвешивание Доверия: Вес каждого одобрения корректируется. Оценки от близких друзей (низкий Degree of Separation) или авторитетных экспертов (высокий Credibility Factor) получают больший вес.
• Переранжирование: Стандартные результаты объединяются и пересортировываются с учетом скорректированных социальных оценок. Одобренные результаты помечаются аннотациями.

Актуальность для SEO

Средняя. Оригинальная заявка датируется 2004 годом и описывает интеграцию с ныне устаревшими сетями (Orkut, Friendster упоминаются в тексте). Прямое использование данных сторонних социальных сетей или Google+ для ранжирования сейчас не применяется. Однако базовые принципы патента — использование пользовательских рекомендаций, взвешенных по авторитетности источника и релевантности для пользователя — крайне актуальны и реализованы в современных продуктах, в первую очередь в Google Maps и системе Local Guides.

Важность для SEO

Влияние на Локальное SEO (Local SEO) значительно. Патент демонстрирует механизм, с помощью которого пользовательские сигналы (отзывы, рейтинги) становятся фактором ранжирования, основанным на доверии и социальном контексте. Он подчеркивает, что Google может предпочесть результаты, одобренные авторитетными или связанными пользователями. Это делает управление репутацией (ORM) и стимулирование качественных отзывов критически важной частью локальной SEO-стратегии.

Детальный разбор

Термины и определения

Association (Связь)

Отношение между профилями в сети. Может быть Explicit (явной – друзья, коллеги) или Implicit (неявной – общие интересы, география). Связи могут иметь разный тип и вес (weight).

Combined Member-Based Rating (Комбинированный рейтинг сети)

Агрегированная оценка результата поиска, основанная на скорректированных рейтингах от связанных пользователей.

Credibility Factor (Фактор доверия/авторитетности)

Метрика, связанная с пользователем, который предоставил рейтинг или одобрение. Используется для корректировки веса этого одобрения.

Degree of Separation (Степень разделения)

Метрика, определяющая близость связи между двумя профилями (например, друг – 1 степень). Может рассчитываться как минимальное количество связей или минимальный совокупный вес цепочки связей.

Endorsement (Одобрение/Рекомендация)

Явное действие пользователя по рекомендации (положительной или отрицательной), оценке (рейтингу) или комментированию локального результата поиска или рекламы.

Local Article / Ad (Локальный результат / Реклама)

Результат локального поиска, часто представляющий местный бизнес или локализованное рекламное объявление.

Member Network (Социальная сеть/Сеть участников)

Компьютерная сеть, соединяющая людей или организации на основе социальных отношений.

Updated Rating (Скорректированная оценка)

Исходная оценка (Rating), к которой применена корректировка на основе Credibility Factor оценщика и/или Degree of Separation между оценщиком и ищущим.

Ключевые утверждения (Анализ Claims)

Анализ основан на Claims 1-20 патента US20170220653A1.

Claim 1 (Независимый пункт): Описывает основной метод персонализированного ранжирования на основе взвешенных социальных оценок.

1. Система получает запрос от первого пользователя (члена сети).
2. Система получает результаты поиска, которые ранее были оценены (rated) другими членами сети.
3. Для каждого результата:
   • Получаются рейтинги от других членов сети.
   • Каждый рейтинг корректируется (adjustment) для создания обновленного рейтинга (updated rating). Корректировка основана на Credibility Factor автора рейтинга ИЛИ на Degree of Separation между ищущим пользователем и автором рейтинга.
   • Обновленные рейтинги объединяются для генерации combined member-based rating.
   • Этот комбинированный рейтинг используется для генерации итоговой оценки ранжирования (ranking score).
4. Генерируется итоговое ранжирование на основе этих ranking scores и предоставляется пользователю.

Claim 3 (Зависимый): Уточняет Claim 1, указывая, что корректировка может основываться одновременно И на Credibility Factor, И на Degree of Separation.

Claim 5 (Зависимый): Определяет Degree of Separation как наименьшее количество допустимых связей (eligible associations) между двумя пользователями. Система может игнорировать определенные типы связей (например, бизнес-контакты, Claim 7) при расчете социальной близости.

Claims 6, 8, 9 (Зависимые): Приводят примеры допустимых типов связей: дружба (Claim 6), неявная связь на основе географической близости (Claim 8) и неявная связь на основе общих характеристик (Claim 9).

Claim 10 (Зависимый): Описывает альтернативный метод расчета Degree of Separation с использованием весов (weight) для каждой связи. Степень разделения определяется как наименьший совокупный вес (lowest cumulative weight) цепочки связей. Это позволяет более точно моделировать доверие (близкий друг влияет сильнее, чем знакомый).

Где и как применяется

Изобретение применяется на финальных этапах обработки поискового запроса для персонализации локальной выдачи.

INDEXING – Индексирование и извлечение признаков
Система должна поддерживать инфраструктуру для хранения данных социальной сети: профили, социальный граф (связи и их веса) и одобрения/рейтинги (Endorsements). Также на этом этапе могут рассчитываться и обновляться Credibility Factors пользователей.

RANKING – Ранжирование
Генерируется базовый набор локальных результатов, релевантных запросу.

RERANKING – Переранжирование / METASEARCH – Метапоиск и Смешивание
Основное применение патента. Система выполняет поиск как в основном индексе, так и в Member Network Database, а затем переранжирует и объединяет (merges) результаты.

1. Извлекаются социальные рейтинги, релевантные результатам базового набора.
2. Рассчитывается Degree of Separation и учитывается Credibility Factor авторов рейтингов.
3. Вес рейтингов корректируется, и они агрегируются в combined member-based rating.
4. Происходит финальное переранжирование результатов.

Входные данные:

• Локальный поисковый запрос.
• Профиль ищущего пользователя (и его социальный граф).
• База данных социальной сети (одобрения, рейтинги, факторы доверия).
• Стандартные результаты локального поиска.

Выходные данные:

• Персонализированный и переранжированный набор локальных результатов, дополненный аннотациями об одобрениях.

На что влияет

• Конкретные типы контента и Ниши: Патент сфокусирован исключительно на локальном поиске (Local SEO). Он влияет на ранжирование местных бизнесов (рестораны, магазины, поставщики услуг) в Local Pack и Google Maps, а также на локальную рекламу (Ads).
• Специфические запросы: Запросы с локальным интентом (например, «ресторан рядом» или «сантехник в Чикаго»).

Когда применяется

• Триггеры активации: Получение локального поискового запроса (local search query).
• Условия применения: Пользователь должен быть идентифицирован как участник сети (например, залогинен в аккаунт Google). В индексе должны присутствовать релевантные результаты, которые были оценены другими пользователями, связанными (явно или неявно) с ищущим.

Пошаговый алгоритм

Процесс А: Сбор и хранение одобрений (Офлайн или в реальном времени)

1. Инициация: Пользователь (член сети) выполняет локальный поиск или взаимодействует с локальным бизнесом.
2. Взаимодействие: Пользователь предоставляет одобрение (рейтинг, комментарий, рекомендацию).
3. Сохранение: Одобрение сохраняется в Member Network Database как часть профиля пользователя.
4. Расчет авторитетности: Система рассчитывает или обновляет Credibility Factor пользователя.

Процесс Б: Персонализированное ранжирование (Реальное время)

1. Получение запроса: Пользователь выполняет локальный поиск.
2. Генерация базовой выдачи: Поисковая система генерирует стандартный набор результатов.
3. Идентификация связей: Система анализирует социальный граф для определения пользователей, связанных с ищущим (Associations).
4. Извлечение одобрений: Система извлекает релевантные одобрения/рейтинги от связанных пользователей.
5. Расчет весов и Корректировка: Для каждого рейтинга рассчитывается его вес. Исходный рейтинг корректируется (создается updated rating) на основе Degree of Separation до автора и/или Credibility Factor автора. Чем ближе связь и выше авторитет, тем сильнее влияние.
6. Агрегация: Скорректированные рейтинги агрегируются для каждого результата в combined member-based rating.
7. Переранжирование: Генерируются новые ranking scores на основе агрегированных рейтингов.
8. Объединение и Отображение: Базовая выдача и одобренные результаты объединяются, пересортировываются и отображаются пользователю с аннотациями.

Какие данные и как использует

Данные на входе

• Пользовательские и Социальные факторы:
  • Данные профиля (Member Profile): интересы, местоположение, демография, история активности.
  • Социальный граф (Associations): Явные связи (друзья, коллеги) и их веса. Неявные связи (общие интересы, общая география).
  • Пользовательский контент (Endorsements/Ratings): бинарные одобрения, рейтинги по шкале, текстовые комментарии (UGC).
• Географические факторы: Местоположение пользователя и локальность запроса. Критичны для определения релевантности и расчета неявных связей (географическая близость).

Какие метрики используются и как они считаются

• Degree of Separation (Степень разделения): Рассчитывается путем анализа социального графа. Патент предлагает два метода:
  1. Минимальное количество допустимых связей (shortest path по количеству ребер).
  2. Минимальный совокупный вес цепочки связей (shortest path по сумме весов ребер), где вес может быть обратно пропорционален силе связи.
• Credibility Factor (Фактор доверия): Метрика авторитетности пользователя, предоставившего одобрение. Патент не детализирует расчет, но на практике может включать активность пользователя (например, уровень Local Guide) и качество его контента.
• Updated Rating (Обновленный рейтинг): Исходный рейтинг, скорректированный с применением весов, основанных на Degree of Separation и/или Credibility Factor.
• Combined Member-Based Ranking: Агрегированная метрика, объединяющая все Updated Ratings для конкретного результата поиска.

Выводы

1. Социальный граф как основа персонализации локального поиска: Патент описывает конкретный механизм использования социального графа для переранжирования локальных результатов и рекламы. Это не общий фактор ранжирования, а механизм глубокой персонализации.
2. Доверие (Trust) как измеримый фактор ранжирования: Система пытается квантифицировать доверие через два ключевых параметра: близость (Degree of Separation) и авторитетность (Credibility Factor).
3. Не все отзывы и связи равны (Взвешивание): Вес рекомендации динамически корректируется. Кроме того, система способна различать силу связей (лучший друг vs знакомый) и типы связей (дружба vs бизнес-контакт), используя веса и фильтры допустимых типов.
4. Важность неявных связей (Implicit Associations): Система учитывает не только прямых друзей, но и связи, основанные на общих интересах, географии или характеристиках. Это значительно расширяет охват персонализации за пределы явного круга общения.
5. Фундамент для современных локальных систем: Описанные механизмы лежат в основе современных систем репутации, таких как Google Maps, где учитывается активность и авторитет сообщества (например, Local Guides), реализуя принципы этого патента.

Практика

Best practices (это мы делаем)

Принципы патента применимы к современным системам, таким как Google Maps и экосистема отзывов.

• Стратегический сбор отзывов в Google Maps: Критически важно мотивировать реальных клиентов оставлять положительные отзывы и высокие оценки. Согласно патенту, эти отзывы (Endorsements) являются основным источником данных для персонализации.
• Повышение локальной авторитетности (Credibility): Необходимо работать над получением отзывов от авторитетных пользователей. Отзывы от активных пользователей с высоким Credibility Factor (например, Local Guides высокого уровня) потенциально имеют больший вес.
• Вовлечение в локальное сообщество: Активное участие бизнеса в жизни локального сообщества способствует созданию неявных связей (Implicit Associations) на основе географии и общих интересов. Это увеличивает базу пользователей, для которых ваш бизнес может получить бустинг в ранжировании.
• Работа с локальными инфлюенсерами: Взаимодействие с пользователями, которые имеют широкие социальные связи или признанную экспертизу в нише, может улучшить видимость бизнеса через механизм социальных рекомендаций.

Worst practices (это делать не надо)

• Массовая накрутка отзывов с фейковых аккаунтов: Отзывы от ботов или аккаунтов без реальных социальных/географических связей и с низким Credibility Factor будут иметь минимальный вес при персонализированном ранжировании, так как Degree of Separation будет высоким.
• Игнорирование негативных отзывов от авторитетных пользователей: Негативная оценка (negative endorsement) от пользователя с высоким Credibility Factor или близкого друга потенциального клиента может значительно понизить позиции в персонализированной выдаче для этой аудитории.
• Фокус только на количестве отзывов: Концентрация на объеме без учета качества и авторитетности рецензентов. Патент подчеркивает важность того, КТО оставил отзыв.

Стратегическое значение

Патент подтверждает долгосрочную стратегию Google на глубокую персонализацию поиска и приоритет сигналов доверия (Trust signals) в локальном ранжировании. Для Local SEO это означает, что репутация, качество клиентского сервиса и реальное взаимодействие с аудиторией являются фундаментальными факторами ранжирования. Управление репутацией (ORM) требует стратегического подхода к качеству и источникам отзывов, а не только к их количеству.

Практические примеры

Сценарий: Персонализация выдачи при поиске кафе

1. Пользователь и его сеть: Пользователь А ищет «лучшее кафе рядом». У него есть друг Б (близкая связь, низкий Degree of Separation) и знакомый В (дальняя связь). Также в его городе живет фуд-блогер Г (высокий Credibility Factor, неявная связь по интересу «еда»).
2. Оценки в системе:
   • Кафе 1: Общий рейтинг 4.8. Друг Б поставил 5 звезд.
   • Кафе 2: Общий рейтинг 4.9. Знакомый В поставил 5 звезд.
   • Кафе 3: Общий рейтинг 4.5. Блогер Г поставил 5 звезд.
3. Обработка и корректировка:
   • Оценка от Б получает максимальный буст из-за близости связи.
   • Оценка от В получает минимальный буст из-за дальней связи.
   • Оценка от Г получает значительный буст из-за высокого Credibility Factor.
4. Результат (Персонализированная выдача для А): Система может отранжировать Кафе 1 и Кафе 3 выше Кафе 2, несмотря на его более высокий общий рейтинг, из-за сильных социальных и авторитетных сигналов. В выдаче появятся аннотации: «Ваш друг Б рекомендует Кафе 1».

Вопросы и ответы