Как Google агрегирует социальные сигналы (лайки, +1) для товаров и использует их для ранжирования и рекламы

Описание

Какую задачу решает

Патент решает проблему фрагментации сигналов социального одобрения продуктов в интернете. Информация о том, насколько пользователям нравится товар (например, количество «лайков» или «+1»), обычно привязана только к конкретному веб-сайту, где она была собрана. Это не позволяет получить общее представление о популярности продукта и не дает возможности использовать эти данные на других площадках (например, в результатах поиска или на сайтах других ритейлеров), где представлен тот же товар.

Что запатентовано

Запатентована система и метод агрегации информации об одобрении (Endorsement Information) продуктов из множества источников. Система собирает индикаторы одобрения (например, лайки, репосты, +1), связанные с социальными сайтами (Social Sites), с различных электронных документов (веб-страниц). Эти данные агрегируются, и на их основе вычисляется Endorsement Rating (Рейтинг Одобрения, также называемый Likeness Factor) для конкретного продукта. Этот агрегированный рейтинг затем используется в поиске и может быть представлен на других площадках.

Как это работает

Система функционирует на базе Product Catalog System (например, инфраструктура Google Shopping), которая поддерживает каталог товаров с уникальными идентификаторами (GTIN, UPC и т.д.). Механизм работы включает:

• Сбор данных: Receipt Module получает информацию об одобрении через фиды от продавцов, запросы к социальным медиа или путем сканирования веб-сайтов (crawling/screen-scraping).
• Корреляция: Собранные данные привязываются к конкретным продуктам в каталоге с помощью Product Identifiers.
• Агрегация и Взвешивание: Analysis Module суммирует все сигналы одобрения для продукта. Система может применять весовые коэффициенты в зависимости от популярности источника.
• Расчет Рейтинга: Система устанавливает пороговые значения (Threshold Values) для шкалы рейтингов. Агрегированное значение сравнивается с порогами для определения итогового Endorsement Rating.
• Применение: Рейтинг используется для фильтрации и ранжирования результатов товарного поиска, расчета рейтинга производителя, анализа трендов и таргетинга рекламы.

Актуальность для SEO

Средне-высокая. Хотя конкретные социальные сигналы, упомянутые в патенте (например, Google Plus 1, Buzz), устарели, сама концепция использования агрегированных социальных сигналов и данных о популярности для ранжирования товаров в Google Shopping и других продуктовых вертикалях остается актуальной. Интеграция E-commerce и социального взаимодействия (Social Commerce) является устойчивым трендом.

Важность для SEO

Патент имеет высокое значение для E-commerce SEO и оптимизации под Google Shopping. Он описывает конкретный механизм, позволяющий Google количественно оценить социальное одобрение и популярность товара по всему интернету и использовать это как сигнал для ранжирования и фильтрации. Для SEO-специалистов это подчеркивает важность корректной технической разметки товаров (идентификаторы) и стимулирования подлинного социального взаимодействия с продуктами.

Детальный разбор

Термины и определения

Analysis Module (Модуль анализа)

Компонент Product Catalog System, отвечающий за агрегацию Endorsement Information, расчет рейтингов для продуктов и производителей, анализ трендов и прогнозирование.

Endorsement Information (Информация об одобрении)

Индикаторы рекомендации или воспринимаемой ценности продукта пользователем. Примеры включают «like», «dislike», «Plus 1», «share», «tweet». Эти индикаторы должны быть связаны с социальными сайтами (Social Sites).

Endorsement Rating (Рейтинг одобрения)

Агрегированная оценка, присваиваемая продукту или производителю. Определяется путем сравнения агрегированного значения с пороговыми значениями на шкале рейтингов. Также упоминается как Likeness Factor или Like Rank.

Likeness Factor / Like Rank

Синонимы Endorsement Rating.

Product Catalog System (Система каталога продуктов)

Центральная система, которая получает информацию о продуктах от множества продавцов (Merchants), хранит ее в Product Catalog и выполняет анализ одобрения.

Product Identifier (Идентификатор продукта)

Уникальный идентификатор товара, используемый для корреляции информации об одобрении из разных источников. Примеры: GTIN, UPC, MPN, ISBN, EAN, JAN, комбинация бренда и номера модели.

Receipt Module (Модуль получения)

Компонент, отвечающий за получение информации о продуктах и Endorsement Information из внешних источников (фиды, сканирование, API).

Social Site (Социальный сайт)

Социальные сети или их расширения (например, Facebook, Google Plus 1, Twitter, YouTube), которые логируют информацию об одобрении через специальные элементы управления на веб-сайтах.

Threshold Values (Пороговые значения)

Предопределенные значения, используемые для конвертации агрегированного количества сигналов одобрения в стандартизированный рейтинг.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод коммуникации информации об одобрении продукта.

1. Система получает множество индикаторов одобрения (indications of endorsement) для продукта из первого электронного документа (например, веб-страницы). Каждый индикатор связан с social site.
2. Система присваивает значение (value) агрегации этих индикаторов.
3. Система определяет, какому пороговому значению (threshold value) на шкале рейтингов соответствует это присвоенное значение.
4. Система присваивает Endorsement Rating, соответствующий этому пороговому значению.
5. Система передает информацию о продукте, включающую этот Endorsement Rating, для представления во втором электронном документе.

Ядром изобретения является процесс взятия социальных сигналов с одной страницы, расчета стандартизированного рейтинга на основе заранее заданных порогов и последующего отображения этого рейтинга на другой странице.

Claim 3 (Зависимый от 1): Уточняет процесс агрегации из нескольких источников.

Система также получает индикаторы одобрения из третьего электронного документа. Агрегация и присвоение значения основываются на данных из первого и третьего документов. Это подтверждает сбор данных из множества источников (например, сайт производителя и сайт ритейлера) для расчета единого рейтинга.

Claim 6 (Зависимый от 3): Вводит концепцию взвешивания.

Индикаторы одобрения из разных источников могут быть взвешены (weighting). В описании патента уточняется, что более популярному источнику может быть присвоен больший вес.

Claim 15 (Зависимый от 1): Описывает метод расчета порогов.

Пороговые значения могут основываться на проценте от общего количества индикаторов одобрения для связанных продуктов. Это вводит относительную, а не только абсолютную оценку популярности.

Claim 16 (Зависимый от 1): Описывает применение рейтинга для фильтрации.

Система фильтрует (filtering) информацию о продукте на основе Endorsement Rating. Передаваемая информация является отфильтрованной. Это прямо указывает на использование рейтинга в поиске.

Claim 17 (Зависимый от 1): Описывает применение рейтинга в рекламе.

Передаваемая информация о продукте может представлять собой рекламу (advertisement) этого продукта.

Где и как применяется

Изобретение применяется в системах управления товарными каталогами и товарного поиска (например, Google Shopping) и затрагивает несколько этапов поисковой архитектуры.

CRAWLING – Сканирование и Сбор данных
Receipt Module активно собирает данные. Это включает сканирование (crawling) и извлечение данных (screen-scraping) с веб-сайтов продавцов для получения Endorsement Information и идентификаторов продуктов. Также включает получение данных через фиды и API социальных сетей.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит обработка собранных данных:

1. Корреляция: Сопоставление Endorsement Information с конкретными продуктами в Product Catalog с использованием Product Identifiers.
2. Агрегация: Суммирование всех индикаторов одобрения для каждого продукта из всех источников (с возможным взвешиванием).
3. Расчет метрик: Вычисление Endorsement Rating для продуктов и производителей. Эти данные сохраняются в каталоге как признаки продукта.
4. Анализ трендов: Периодический анализ изменения рейтингов во времени.

RANKING – Ранжирование (Товарный поиск)
На этапе ранжирования или фильтрации результатов товарного поиска система использует предварительно рассчитанный Endorsement Rating. Рейтинг используется для фильтрации результатов и ранжирования (например, представление результатов в порядке наивысшего рейтинга).

METASEARCH / ADVERTISING
Система использует Endorsement Ratings для выбора рекламы (Ad Presentment Module). Реклама продуктов с наивысшими рейтингами может быть показана вместе с результатами поиска.

Входные данные:

• Информация о продуктах (включая Product Identifiers: GTIN, UPC, MPN).
• Сырая Endorsement Information (количество лайков, +1, репостов) из разных источников.
• Данные о местоположении пользователя, оставившего сигнал (опционально).
• Поисковые запросы пользователей.

Выходные данные:

• Endorsement Rating (Likeness Factor) для продуктов.
• Endorsement Rating для производителей/продавцов.
• Тренды рейтингов во времени.
• Отфильтрованные или отранжированные результаты товарного поиска.
• Рекламные объявления, выбранные на основе рейтингов.

На что влияет

• Конкретные типы контента: Влияет исключительно на продукты (товары и услуги), информация о которых хранится в Product Catalog.
• Специфические запросы: Влияет на коммерческие и транзакционные запросы в рамках товарного поиска.
• Конкретные ниши или тематики: Наибольшее влияние в E-commerce, особенно в категориях, где социальное одобрение играет важную роль в принятии решения о покупке (электроника, мода, потребительские товары).
• Географические ограничения: В описании патента упоминается возможность категоризации Endorsement Information на основе местоположения пользователя, что позволяет рассчитывать рейтинги для конкретных регионов (город, штат, страна).

Когда применяется

• При обработке данных: Применяется периодически или непрерывно для обновления Product Catalog новыми данными об одобрении и пересчета рейтингов и трендов.
• При выполнении поиска: Применяется в реальном времени при обработке поискового запроса в товарной системе для фильтрации или ранжирования результатов на основе Endorsement Rating.
• При показе рекламы: Применяется для выбора наиболее популярных продуктов для рекламного показа.

Пошаговый алгоритм

Процесс А: Агрегация и расчет рейтинга продукта

1. Поддержание каталога: Система поддерживает каталог продуктов с уникальными идентификаторами.
2. Сбор информации об одобрении: Система получает Endorsement Information из различных источников (фиды, сканирование, социальные медиа).
3. Корреляция с продуктом: Система сопоставляет полученную информацию с конкретным продуктом в каталоге на основе совпадающих идентификаторов.
4. Установка пороговых значений: Система устанавливает Threshold Values для шкалы рейтингов.
5. Агрегация данных: Система суммирует все индикаторы одобрения для продукта. Учитываются положительные и отрицательные индикаторы. Может применяться взвешивание в зависимости от источника.
6. Нормализация (при необходимости): Агрегированная информация преобразуется в общее значение, соответствующее пороговым значениям.
7. Определение рейтинга: Система определяет Endorsement Rating путем сравнения агрегированного значения с установленными порогами.
8. Сохранение рейтинга: Рейтинг сохраняется в каталоге.

Процесс Б: Использование рейтинга при поиске

1. Получение запроса: Система получает поисковый запрос о продукте.
2. Поиск в каталоге: Система извлекает релевантные результаты поиска.
3. Извлечение рейтингов: Система извлекает Endorsement Ratings, соответствующие результатам.
4. Фильтрация/Ранжирование: Система фильтрует результаты на основе рейтингов или упорядочивает результаты по убыванию рейтинга.
5. Выбор рекламы (Опционально): Система идентифицирует продукты с наивысшими рейтингами и извлекает для них рекламные объявления.
6. Коммуникация результатов: Система передает результаты поиска, рейтинги и рекламу пользователю.

Процесс В: Анализ трендов

1. Инициализация: Установка начального времени (t=0) и расчет начального Endorsement Rating.
2. Ожидание: Ожидание истечения предопределенного периода времени.
3. Повторный расчет: Инкремент времени (t=t+1) и повторный расчет Endorsement Rating на основе новых данных.
4. Сравнение: Сравнение рейтинга, полученного в более раннее время, с рейтингом, полученным в более позднее время.
5. Определение тренда: Определение тренда (положительный, отрицательный, постоянный) на основе сравнения.

Какие данные и как использует

Данные на входе

• Технические факторы (Идентификаторы): Критически важные данные — Product Identifiers (GTIN, UPC, MPN, ISBN, EAN, JAN, бренд+модель). Также используются URL-адреса страниц продуктов для сбора данных.
• Социальные факторы (Поведенческие): Endorsement Information — количество «likes», «dislikes», «Plus 1», «shares», «tweets». Эти данные должны быть связаны с Social Sites.
• Контентные факторы: Название продукта, описание, цена, категория — используются для поддержания Product Catalog и представления результатов.
• Географические факторы: В описании упоминается возможность получения информации о местоположении пользователя, предоставившего одобрение, для категоризации рейтингов по регионам.

Какие метрики используются и как они считаются

• Aggregated Endorsement Value (Агрегированное значение одобрения): Сумма всех индикаторов одобрения. Может рассчитываться как простая сумма (например, Like=1, Dislike=-1) или взвешенная сумма, где вес зависит от популярности источника.
• Endorsement Rating (Рейтинг одобрения / Likeness Factor): Вычисляется путем сравнения Aggregated Endorsement Value с установленными пороговыми значениями (Threshold Values).
• Threshold Values (Пороговые значения): Могут быть:
  • Абсолютными: Фиксированное количество одобрений для достижения уровня рейтинга (например, 100 лайков = 5 звезд).
  • Относительными: Рассчитываются на основе процента продукта от общего количества одобрений для группы связанных продуктов (например, топ 10% товаров в категории получают 5 звезд).
• Manufacturer/Merchant Endorsement Rating (Рейтинг одобрения производителя/продавца): Агрегация рейтингов одобрения всех продуктов данного производителя.
• Endorsement Rating Trend (Тренд рейтинга одобрения): Сравнение Endorsement Rating в разные моменты времени (T1 и T2) для определения динамики.

Выводы

1. Квантификация социального доказательства для E-commerce: Патент описывает механизм, позволяющий Google систематически собирать и количественно оценивать социальное одобрение (Social Proof) продуктов в масштабах всего интернета. Это превращает разрозненные социальные сигналы в структурированный фактор ранжирования для товарного поиска.
2. Критичность уникальных идентификаторов (GTIN и т.д.): Корректная работа системы полностью зависит от возможности сопоставить сигналы с разных сайтов с одним и тем же продуктом. Это подчеркивает фундаментальную важность использования стандартизированных Product Identifiers в E-commerce SEO.
3. Агрегация и взвешивание сигналов: Система агрегирует разные типы сигналов («like», «+1», «share») и может взвешивать их в зависимости от авторитетности или популярности источника (сайта, где размещен сигнал).
4. Рейтинг как фактор фильтрации и ранжирования: Endorsement Rating явно предназначен для использования в качестве фильтра (например, показывать только популярные товары) и для упорядочивания результатов поиска в товарных вертикалях.
5. Относительная оценка популярности: Система может оценивать популярность не только по абсолютному числу одобрений, но и относительно других связанных продуктов, что позволяет нормализовать оценку внутри категории.
6. Влияние на рекламу: Популярность продукта (высокий Endorsement Rating) используется как триггер для показа рекламы этого продукта, что связывает социальное одобрение с рекламными стратегиями.

Практика

Best practices (это мы делаем)

• Обеспечение точности и полноты Product Identifiers: Убедитесь, что все товары имеют корректные и стандартизированные идентификаторы (GTIN, MPN, Бренд) в фидах Google Merchant Center и в микроразметке Schema.org/Product на сайте. Это критически важно для того, чтобы Google мог корректно агрегировать Endorsement Information из разных источников.
• Стимулирование подлинного социального взаимодействия: Поощряйте пользователей делиться информацией о товарах и оставлять социальные сигналы (лайки, репосты) как на вашем сайте, так и на сторонних площадках. Интегрируйте социальные функции на карточках товаров.
• Оптимизация присутствия на внешних площадках: Поскольку Google агрегирует сигналы со всех сайтов, важно работать над популярностью ваших товаров не только на собственном сайте, но и на платформах крупных ритейлеров и маркетплейсах. Сигналы, собранные там, также влияют на общий Endorsement Rating.
• Мониторинг социальных трендов: Отслеживайте социальную активность вокруг ваших товаров и товаров конкурентов. Понимание трендов (Endorsement Rating Trend) может помочь в прогнозировании эффективности продукта и корректировке стратегии.

Worst practices (это делать не надо)

• Игнорирование Product Identifiers: Отсутствие или использование некорректных GTIN/MPN может привести к тому, что система не сможет агрегировать социальные сигналы для ваших товаров, что приведет к низкому или нулевому Endorsement Rating.
• Накрутка социальных сигналов: Использование фейковых лайков, репостов или других манипуляций. Учитывая механизм взвешивания источников и общие системы контроля качества Google, такие сигналы могут быть обесценены или привести к санкциям.
• Блокировка сканирования социальных виджетов: Препятствование доступу краулеров Google к элементам социальных сетей на вашем сайте (если используется метод screen-scraping) может помешать сбору Endorsement Information.

Стратегическое значение

Патент подтверждает стратегическую важность интеграции SEO, SMM и E-commerce (Social Commerce). Социальное одобрение рассматривается не просто как метрика вовлеченности, а как измеримый сигнал качества и популярности товара, напрямую влияющий на ранжирование в коммерческом поиске и эффективность рекламы. Долгосрочная стратегия должна включать построение сильного бренда и сообщества, которое генерирует естественное социальное одобрение продуктов.

Практические примеры

Сценарий 1: Обеспечение корректной агрегации сигналов для товара

1. Ситуация: Популярный товар продается на вашем сайте и у нескольких ритейлеров. Он активно обсуждается в социальных сетях.
2. Действие: Проверьте, что на всех площадках (включая ваш сайт и фиды для ритейлеров) указан один и тот же GTIN для этого товара.
3. Механизм (по патенту): Google сканирует эти сайты или получает данные через фиды. Analysis Module использует GTIN для корреляции всех собранных лайков и репостов с этим конкретным товаром в Product Catalog.
4. Результат: Товар получает высокий агрегированный Endorsement Rating, что улучшает его позиции в Google Shopping. Если бы GTIN отличались, система восприняла бы это как разные товары, и рейтинг каждого был бы ниже.

Сценарий 2: Использование рейтинга для фильтрации в поиске

1. Ситуация: Пользователь ищет «беспроводные наушники» в Google Shopping.
2. Действие пользователя: Пользователь применяет фильтр «Наиболее популярные» или система автоматически приоритизирует популярные товары.
3. Механизм (по патенту): Система обращается к Endorsement Ratings для всех релевантных наушников. Происходит фильтрация (Claim 16) и ранжирование результатов на основе этих рейтингов.
4. Результат: Пользователь видит наушники с наибольшим количеством агрегированных социальных сигналов в топе выдачи.

Вопросы и ответы