Как Google использует «обратные рекомендации» для борьбы с пузырем фильтров и предложения новых мест (Механизм «Анти-Filter Bubble»)

Описание

Какую задачу решает

Патент решает проблему «пузыря фильтров» (filter bubble), свойственную традиционным рекомендательным системам, основанным на коллаборативной фильтрации (Collaborative Filtering). Стандартные системы склонны рекомендовать только то, что похоже на прошлые интересы пользователя (например, рекомендовать только итальянские рестораны любителю пиццы). Это ограничивает кругозор пользователя. Цель изобретения — внести новизну (novelty) и разнообразие в рекомендации, предлагая «новые пространства для исследования» (novel spaces to explore).

Что запатентовано

Запатентована система рекомендаций, которая инвертирует логику стандартной коллаборативной фильтрации. Вместо поиска максимального сходства (similarity), система целенаправленно ищет пользователей или объекты (Points of Interest, POI) с наименьшим сходством (least similarity) или наибольшим различием (dissimilarity) по отношению к профилю целевого пользователя. Этот механизм используется для генерации неожиданных, но потенциально интересных рекомендаций.

Как это работает

Система собирает данные о предпочтениях пользователей (Interest Information) — рейтинги, посещения, историю поиска — через Map Service и Search Engine. При генерации рекомендаций используются два основных подхода:

• User-Based (На основе пользователей): Система находит пользователей, чьи интересы максимально отличаются от интересов целевого пользователя, и рекомендует POI, популярные среди этой непохожей группы.
• Item-Based (На основе объектов): Система идентифицирует POI, которые математически наименеe похожи на те объекты, которыми пользователь интересовался ранее.

В обоих случаях система учитывает заданные ограничения (Attributes/Constraints), такие как геолокация, цена или минимальный рейтинг.

Актуальность для SEO

Высокая. Проблема баланса между релевантностью (exploitation) и исследованием нового (exploration) остается центральной задачей современных рекомендательных систем (Google Maps, Discover). Хотя конкретные математические методы, описанные в патенте (например, косинусное сходство), могли быть дополнены более сложными нейросетевыми моделями, базовый принцип внесения новизны для борьбы с «пузырями фильтров» крайне актуален в 2025 году.

Важность для SEO

Патент имеет умеренное значение (5.5/10) для SEO. Он не описывает ранжирование веб-поиска, но критически важен для понимания работы рекомендательных систем в Local SEO, Google Maps и сервисах обнаружения контента. Он раскрывает механизм, посредством которого локальный бизнес (POI) может получить видимость не за счет релевантности текущим интересам пользователя, а за счет своей новизны для него. Это подчеркивает важность накопления сигналов взаимодействия (отзывы, визиты) для участия в экосистеме рекомендаций.

Детальный разбор

Термины и определения

Attributes / Constraints (Атрибуты / Ограничения)

Параметры, используемые для фильтрации рекомендаций. Примеры: географическая область, максимальная цена, минимальный рейтинг качества еды или сервиса.

Collaborative Filtering (CF) (Коллаборативная фильтрация)

Метод прогнозирования интересов пользователя на основе предпочтений группы других пользователей. В патенте используется инвертированная логика CF.

Dissimilarity (d_ij) (Несхожесть, Различие)

Метрика, количественно определяющая, насколько отличаются два пользователя или два объекта. Часто вычисляется как обратная величина от Схожести.

Interest Information (Информация об интересах)

Данные о предпочтениях пользователя. Могут быть явными (рейтинги, лайки) или неявными (просмотры деталей объекта, история посещений (user-visited places), поисковые запросы).

Interest Information Database (База данных информации об интересах)

Хранилище, агрегирующее Interest Information от множества пользователей, полученное через Map Service и Search Engine.

Point of Interest (POI) (Точка интереса)

Конкретное местоположение (ресторан, магазин, достопримечательность). В патенте выступает как объект рекомендации (item).

Recommender System (Система рекомендаций)

Система, которая идентифицирует POI для пользователя на основе Interest Information.

Similarity (s_ij) (Схожесть)

Метрика, количественно определяющая, насколько похожи два пользователя или два объекта. Упоминаются методы расчета: Cosine Similarity, Jaccard Similarity, Correlation-based Similarity.

Ключевые утверждения (Анализ Claims)

Патент защищает два основных метода реализации рекомендаций новизны.

Claim 1 (Независимый пункт) — Метод на основе объектов (Item-based):

1. Получение Interest Information для множества пользователей.
2. Получение Attributes (ограничений) для поиска.
3. Идентификация POI, который удовлетворяет атрибутам и имеет наименьшую схожесть (least similarity) с профилем интересов первого пользователя.
4. Предоставление этого POI пользователю.

Ключевая техническая деталь (Claim 1 и Eq. 12): Идентификация основана на формуле p_u,i = (Σ_j∈J a_u,j * d_ij) / (Σ_j∈J d_ij). Оценка p_u,i для нового объекта i рассчитывается как взвешенное среднее оценок пользователя u для других объектов j (из набора J наиболее непохожих), где весами выступает несхожесть d_ij между объектами i и j.

Claim 6 (Независимый пункт) — Метод на основе пользователей (User-based):

1. Получение Interest Information и Attributes.
2. Идентификация подмножества пользователей, чьи профили имеют наименьшую схожесть с профилем первого пользователя (максимально непохожие пользователи).
3. Идентификация POI, который удовлетворяет атрибутам и является наиболее популярным среди этого подмножества непохожих пользователей.
4. Предоставление этого POI пользователю.

Ключевая техническая деталь (Claim 6 и Eq. 8): Идентификация основана на формуле P_i,a = Σ^t_j=1 d_ij * a_ja. Оценка P_i,a для объекта a рассчитывается путем суммирования оценок a_ja, данных этому объекту непохожими пользователями j, взвешенных по степени их несхожести d_ij с первым пользователем i.

Claim 26 (Зависимый пункт): Детализирует расчет схожести в Item-Based методе (связан с Claim 1). Для определения схожести между новым POI и историей пользователя система вычисляет взвешенное среднее оценок схожести (similarity scores) между новым POI и уже известными POI, где веса определяются на основе оценок (Interest Information) пользователя для известных POI.

Где и как применяется

Этот патент не относится к основному ранжированию веб-поиска. Он описывает работу специализированной Recommender System, используемой, вероятно, в Google Maps, Google Discover или персонализированных локальных результатах.

INDEXING (Индексирование и Сбор данных)
На этом этапе происходит сбор и обработка поведенческих данных пользователей (история посещений, оценки, поисковые запросы) для формирования профилей интересов в Interest Information Database. Также индексируются POI и их атрибуты. Это происходит преимущественно офлайн.

QUNDERSTANDING (Понимание пользователя)
На основе собранных данных система строит профили пользователей и рассчитывает метрики схожести/несхожести между пользователями и объектами.

RANKING / RERANKING (в контексте Рекомендаций)
Основное применение патента. Когда система генерирует предложения с целью новизны:

1. Система получает контекст пользователя и ограничения (Attributes).
2. Активируется Recommender System.
3. Система использует описанные алгоритмы (User-based или Item-based) для расчета оценок новизны (на основе Dissimilarity) для кандидатов POI.
4. Кандидаты фильтруются по ограничениям и ранжируются по рассчитанным оценкам.

Входные данные:

• Профиль целевого пользователя (Interest Information).
• База данных POI с атрибутами.
• Профили других пользователей.
• Ограничения (Attributes) для текущей сессии (например, местоположение, цена).

Выходные данные:

• Ранжированный список POI, которые максимально отличаются от текущих предпочтений пользователя.

На что влияет

• Конкретные типы контента: Влияет на сущности типа Points of Interest (локальный бизнес, рестораны, достопримечательности). Не влияет на стандартные веб-страницы.
• Специфические запросы: Влияет на запросы типа «рекомендации», «что посмотреть рядом» или на проактивные предложения в персонализированных интерфейсах (Maps, Discover). Не влияет на прямые навигационные запросы.
• Конкретные ниши: Наибольшее влияние в сферах с субъективными предпочтениями (еда, развлечения, туризм).

Когда применяется

• Триггеры активации: Алгоритм применяется, когда система стремится предоставить пользователю новый опыт или разнообразить выдачу (цель – exploration/исследование), а не просто удовлетворить известный интерес (цель – exploitation/использование).
• Условия: Требуется наличие достаточного количества данных в Interest Information Database как о самом пользователе, так и о других пользователях/объектах. Упоминается, что пользователи с недостаточным количеством данных могут исключаться из расчетов для повышения качества.

Пошаговый алгоритм

Система реализует два альтернативных алгоритма.

Алгоритм А: На основе пользователей (User-based Novelty)

1. Сбор данных (Офлайн): Накопление Interest Information.
2. Получение ограничений (Онлайн): Получение Attributes (локация, цена) для текущего запроса.
3. Расчет несхожести пользователей: Вычисление метрик схожести (s_ij) и несхожести (d_ij) между текущим пользователем и остальными.
4. Идентификация непохожих пользователей: Выбор подмножества пользователей с наименьшей схожестью (least similarity).
5. Оценка популярности POI: Для POI, удовлетворяющих ограничениям, рассчитывается оценка популярности среди непохожих пользователей. Используется формула (Eq. 8), где оценка тем выше, чем больше POI нравится максимально непохожим пользователям.
6. Ранжирование и выдача: POI ранжируются по рассчитанной оценке и представляются пользователю.

Алгоритм Б: На основе объектов (Item-based Novelty)

1. Сбор данных (Офлайн): Накопление Interest Information.
2. Расчет несхожести объектов (Офлайн/Онлайн): Вычисление метрик схожести/несхожести между парами объектов на основе оценок разных пользователей.
3. Получение ограничений (Онлайн): Получение Attributes.
4. Идентификация кандидатов: Выбор POI, которые пользователь еще не посещал и которые удовлетворяют ограничениям.
5. Расчет новизны POI: Для каждого кандидата рассчитывается его несхожесть с объектами, которые пользователь уже оценил. Используется формула (Eq. 12), определяющая оценку на основе максимальной несхожести с предыдущим опытом.
6. Ранжирование и выдача: POI ранжируются по рассчитанной оценке новизны.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Interest Information): Являются основой изобретения.
  • Явные данные: рейтинги, лайки/дизлайки (thumbs up/down), отзывы.
  • Неявные данные: история посещений (location history), количество просмотров детальной информации о POI, поисковые запросы, связанные с POI в Map Service и Search Engine.
• Географические факторы: Используются как Attributes (ограничения) для фильтрации рекомендаций по местоположению.
• Сущностные факторы (Атрибуты POI): Данные о самих объектах (тип кухни, ценовой диапазон, качество еды, сервис, атмосфера). Используются как для фильтрации по Attributes, так и могут быть частью расчета Interest Information.

Какие метрики используются и как они считаются

Система использует стандартные метрики коллаборативной фильтрации, но применяет их для поиска наименее схожих элементов.

• Similarity (s_ij) (Схожесть): Упоминаются различные методы расчета схожести между пользователями или объектами:
  • Cosine Similarity (Косинусное сходство) (Eq. 1, 2, 11).
  • Jaccard Similarity (Сходство Жаккара) (Eq. 3).
  • Common Neighbors (Общие соседи) (Eq. 4).
  • Correlation-based Similarity (Сходство на основе корреляции) (Eq. 10).
• Dissimilarity (d_ij) (Несхожесть): Метрика, обратная схожести. Может рассчитываться, например, как 1 + min(s_i*) — s_ij (Eq. 9), чтобы гарантировать, что чем ниже s_ij, тем выше d_ij.
• Novelty Scores (Оценки Новизны):
  • User-based Score (Eq. 8): P_i,a = Σ d_ij * a_ja. Оценка объекта a равна сумме оценок этого объекта другими пользователями j, взвешенных по их несхожести d_ij с пользователем i.
  • Item-based Score (Eq. 12): p_u,i = (Σ a_u,j * d_ij) / (Σ d_ij). Оценка нового объекта i рассчитывается как средневзвешенное его оценок для посещенных объектов j, где весом является несхожесть d_ij.

Выводы

1. Google активно борется с «пузырем фильтров»: Патент демонстрирует конкретные механизмы, направленные на диверсификацию рекомендаций и вывод пользователя за пределы его устоявшихся интересов. Новизна (novelty) является самостоятельной целью ранжирования в рекомендательных системах.
2. Использование «анти-коллаборативной фильтрации»: Система использует стандартные математические методы CF, но применяет их с обратной целью — найти пользователей с противоположными вкусами или максимально отличающиеся объекты (least similar).
3. Критическая зависимость от поведенческих данных: Эффективность системы полностью зависит от объема и качества собранных данных о поведении пользователей (Interest Information) через Карты и Поиск.
4. Баланс новизны и полезности: Механизм не предлагает случайные объекты. Он предлагает новые объекты, которые соответствуют базовым требованиям пользователя (Constraints/Attributes), таким как местоположение, цена и минимальный рейтинг, обеспечивая полезность рекомендаций.
5. Фокус на персонализации локального поиска: Механизм применяется к Points of Interest и демонстрирует глубокий уровень персонализации в локальных сервисах Google.

Практика

Best practices (это мы делаем)

Патент дает важные инсайты для Local SEO и управления репутацией (ORM), влияя на видимость в рекомендательных сервисах.

• Стимулирование оценок и отзывов (Interest Information): Критически важно мотивировать клиентов оставлять оценки и отзывы в Google Maps. Система полагается на эти данные для расчета схожести и генерации любых рекомендаций. Чем больше данных, тем точнее система классифицирует бизнес и его аудиторию.
• Развитие четкого позиционирования и уникальности (Polarization effect): Бизнесы, которые вызывают сильные положительные эмоции у определенного сегмента аудитории (даже если они не нравятся другим), имеют больше шансов попасть в рекомендации этого типа. Система ищет места, популярные у непохожих пользователей. Чтобы быть популярным у кого-то, нужно иметь четкое ценностное предложение для этого сегмента.
• Максимизация полноты данных в Google Business Profile (GBP): Атрибуты POI (цена, тип кухни, особенности сервиса) критически важны. Они используются системой как фильтры (Attributes). Полные и точные данные гарантируют, что бизнес не будет отфильтрован по базовым требованиям пользователя.
• Работа над общим качеством продукта/сервиса: Высокие общие рейтинги качества критичны, так как они могут использоваться в качестве фильтра (Attributes) и повышают вероятность того, что новый пользователь примет рекомендацию.

Worst practices (это делать не надо)

• Стремление быть «средним» или «для всех»: Бизнесы с посредственными оценками от всех сегментов аудитории вряд ли выиграют от этого механизма. Если вы не являетесь фаворитом ни для одной группы пользователей, система не выберет вас для рекомендации непохожим пользователям как качественный новый опыт.
• Игнорирование рекомендательных поверхностей: Фокусироваться только на ранжировании по ключевым словам и игнорировать видимость в Google Maps и Discover. Значительная часть трафика может генерироваться через механизмы персонализированных рекомендаций.
• Манипуляции с поведенческими сигналами: Накрутка отзывов или создание фальшивых профилей интересов искажает Interest Information и может привести к непредсказуемым результатам в работе сложных систем коллаборативной фильтрации и потенциальной пессимизации.

Стратегическое значение

Патент подтверждает стратегический сдвиг от статического поиска к динамическим персонализированным рекомендациям. Для Local SEO это означает, что видимость бизнеса все больше зависит не только от его соответствия запросу, но и от его соответствия профилю пользователя, включая потенциал предложить новый опыт. Стратегия должна включать управление сущностью и накопление разнообразных сигналов взаимодействия для эффективной работы в экосистеме рекомендаций Google.

Практические примеры

Сценарий: Рекомендация ресторана (User-based подход)

1. Пользователь А: Постоянно посещает и высоко оценивает стейк-хаусы. Это его Interest Information.
2. Запрос: Пользователь А ищет «рестораны рядом» в Google Maps. Система решает предложить новинку (exploration).
3. Анализ: Система анализирует Interest Information Database и находит Кластер Б (Пользователи-Веганы), чьи вкусы максимально не похожи на А (least similarity).
4. Рекомендация: Система проверяет, какие рестораны наиболее популярны у Кластера Б. Она находит высокорейтинговое Веганское Кафе В.
5. Проверка ограничений: Кафе В находится рядом с Пользователем А и соответствует его ценовым ожиданиям и минимальному рейтингу (Attributes).
6. Результат: Пользователю А рекомендуется Веганское Кафе В как новый опыт (novel space to explore), основанный на предпочтениях людей с противоположными вкусами.

Вопросы и ответы