Как Google вычисляет силу социальных связей (Social Affinity) используя публичные данные для ранжирования результатов поиска

Описание

Какую задачу решает

Патент решает задачу определения силы социальных связей (Social Affinity) между различными сетевыми идентификаторами (аккаунтами) на основе общедоступных данных, собранных из интернета. Это позволяет поисковой системе количественно оценить близость между людьми (например, отличить близкого друга от дальнего знакомого), не полагаясь на доступ к закрытым данным социальных сетей. Знание социальной близости используется для улучшения информационного поиска, в частности, для ранжирования результатов поиска, выделяя контент, созданный социально близкими контактами пользователя.

Что запатентовано

Запатентована система и метод для вычисления числовых показателей близости (affinity scores) между парами сетевых идентификаторов. Система собирает публичные данные о социальных связях (например, используя разметку XFN или FOAF) и строит ориентированный граф (Connection Graph). В этом графе узлы представляют идентификаторы, а ребра — связи двух типов: «Me» (принадлежат одному пользователю) и «Friend» (принадлежат разным пользователям). Система анализирует все пути между двумя узлами, агрегируя информацию о количестве и силе этих путей для получения итогового показателя близости.

Как это работает

Система функционирует следующим образом:

• Сбор данных и построение графа: Собираются публичные данные о социальных связях и строится Connection Graph с узлами (идентификаторами) и ребрами («Me» или «Friend»).
• Очистка графа: Граф очищается от ошибочных узлов и ребер (например, аномально большого количества связей).
• Вычисление мер близости: Для пар узлов вычисляются ключевые метрики: общее расстояние (dist), расстояние в «друзьях» (fdist) и показатель близости (affinity score), основанный на весе ребер вдоль путей.
• Распространение и агрегация: Система итеративно распространяет и агрегирует списки близости между соседними узлами, чтобы учесть все возможные пути в графе (до определенного предела).
• Итоговый расчет: Вычисляется общий aggregated affinity между исходным и целевым узлом как сумма показателей близости по всем путям.

Актуальность для SEO

Средняя. Хотя прямые социальные сигналы из внешних сетей играют меньшую роль в ранжировании ядра поиска Google с момента заката Google+, концепция понимания связей между сущностями и авторами остается критически важной. Методы, описанные в патенте для построения и анализа графов связей на основе публичных данных, актуальны для оценки авторитетности и взаимосвязей авторов (как части E-E-A-T), даже если сам термин Social Affinity используется реже.

Важность для SEO

Патент имеет умеренно высокое значение для SEO. Он прямо указывает, что вычисленные показатели социальной близости могут использоваться для ранжирования результатов поиска. Это подчеркивает важность публичных сигналов, связывающих авторов и контент. Для SEO-специалистов это означает, что построение реальных, публично подтверждаемых связей между авторитетными авторами в нише может влиять на видимость контента, особенно в контексте персонализированного поиска или оценки авторитетности автора.

Детальный разбор

Термины и определения

Affinity Score (Показатель близости)

Числовое значение, количественно оценивающее силу социальной связи между двумя узлами (идентификаторами) в графе. Вычисляется как функция весов ребер вдоль пути между узлами.

Aggregated Affinity (Агрегированный показатель близости)

Общий показатель близости между исходным и целевым узлом, вычисляемый как сумма affinity scores по всем возможным путям между ними (возможно, с ограничением по длине пути).

Connection Graph (Граф связей)

Ориентированный граф, представляющий собранные публичные социальные данные. Узлы (Vertices) — это сетевые идентификаторы (например, аккаунты в социальных сетях), а ребра (Edges) — это социальные связи между ними.

Cluster-Level Graph (Граф уровня кластеров)

Граф, в котором узел представляет кластер, включающий несколько связанных идентификаторов (например, все аккаунты одного человека). Опциональная трансформация Connection Graph.

dist (Расстояние)

Мера близости. Наименьшее количество ребер (любого типа: «Me» или «Friend») на любом пути от узла X к узлу Y.

fdist (Расстояние в друзьях / Friend Distance)

Мера близости. Наименьшее количество ребер типа «Friend» на любом пути от узла X к узлу Y.

«Friend» Edge (Ребро типа «Друг»)

Ребро в графе связей, соединяющее страницы, которые, как утверждается, принадлежат разным пользователям.

«Me» Edge (Ребро типа «Я»)

Ребро в графе связей, соединяющее страницы, которые, как утверждается, принадлежат одному и тому же пользователю (альтернативные идентификаторы).

MFD (Maximum Friend Distance / Максимальное расстояние в друзьях)

Порог, ограничивающий максимальное количество ребер типа «Friend» на пути, который учитывается при расчете близости (например, MFD=2 означает учет друзей и друзей друзей).

Social Affinity (Социальная близость)

Сила социальной связи между людьми или их сетевыми идентификаторами.

XFN (XHTML Friends Network), FOAF (Friend of a Friend)

Типы разметки, используемые на веб-страницах для аннотирования публичной информации о социальных связях, что позволяет краулерам собирать эти данные.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод вычисления агрегированной социальной близости.

1. Система получает граф публичных социальных данных. Узлы = идентификаторы. Ребра = социальные связи с типом и весом.
2. Определяются два типа ребер: Тип 1 («Me») — связывает идентификаторы одной сущности. Тип 2 («Friend») — связывает идентификаторы разных сущностей.
3. Для пары узлов (Первый и Второй узел) система вычисляет:
   • Первое расстояние (dist): Наименьшее количество ребер (Тип 1 + Тип 2) на любом пути между ними.
   • Второе расстояние (fdist): Наименьшее количество ребер только Типа 2 на любом пути между ними.
   • Оценка (score): Основана на весах ребер вдоль пути.
   • Близость (affinity): Основана на Первом расстоянии, Втором расстоянии и Оценке.
4. Система определяет Агрегированную близость (aggregated affinity) между Исходным узлом и Целевым узлом. Она рассчитывается на основе показателей близости (affinities) множества пар узлов вдоль всех возможных путей от Исходного узла к Целевому.

Claim 2 (Зависимый от 1): Уточняет, что «все возможные пути» ограничены максимальной длиной (upper limit).

Claims 3 и 4 (Зависимые от 1): Указывают, что перед вычислением близости система определяет и удаляет ошибочные узлы (Claim 3) или ошибочные ребра (Claim 4) из графа.

Claim 5 (Зависимый от 1): Описывает условие прекращения расчета. Если для конкретной пары узлов Второе расстояние (fdist) превышает пороговое значение (threshold distance, например MFD), система не рассчитывает близость для этой пары.

Где и как применяется

Изобретение применяется на нескольких этапах поисковой архитектуры для построения и использования социального графа.

CRAWLING – Сканирование и Сбор данных
На этом этапе краулеры собирают публичные социальные данные с веб-сайтов. Система ищет аннотации, такие как XFN (XHTML Friends Network) или FOAF (Friend of a Friend), которые позволяют извлекать данные о социальных аккаунтах и связях между ними.

INDEXING – Индексирование и извлечение признаков
Основной этап применения патента. Здесь происходит обработка собранных данных:

1. Построение графа: Сырые данные преобразуются в Connection Graph.
2. Кластеризация (Опционально): Идентификаторы, принадлежащие одному человеку (связанные «Me» ребрами), могут быть объединены в кластеры (Cluster-Level Graph).
3. Очистка графа: Удаление ошибочных узлов и ребер.
4. Вычисление и агрегация близости: Происходит итеративный расчет dist, fdist и affinity scores по всему графу. Этот процесс может выполняться офлайн с использованием распределенных вычислений (например, MapReduce).

Результат: База данных или индекс, содержащий рассчитанные показатели Social Affinity между идентификаторами/кластерами.

RANKING – Ранжирование / RERANKING – Переранжирование
Рассчитанные показатели близости используются как сигналы ранжирования. В патенте прямо указано: «Social affinities can be used to rank search results». Если пользователь выполняет поиск, система может повысить в выдаче контент, созданный людьми, с которыми у пользователя высокий показатель Social Affinity (близкие друзья), по сравнению с контентом от дальних знакомых.

Входные данные:

• Публичные данные с веб-страниц, содержащие разметку социальных связей (XFN, FOAF).
• Списки исключений (для очистки графа).

Выходные данные:

• Очищенный Connection Graph (или Cluster-Level Graph).
• Списки близости (Affinity Lists) для каждого узла/кластера, содержащие метрики dist, fdist, affinity score и affinity score percentile до других достижимых узлов.

На что влияет

• Конкретные типы контента: Влияет на контент, создаваемый пользователями (UGC), такой как блоги, обзоры, фотографии, посты — то есть контент, который можно связать с определенным сетевым идентификатором (автором).
• Специфические запросы: Наибольшее влияние оказывается в контексте персонализированного поиска, где учитывается социальный граф пользователя, выполняющего запрос.
• Форматы контента: Влияет на ранжирование стандартных веб-результатов, если они связаны с социально значимыми авторами.

Когда применяется

• Триггеры активации: Алгоритм расчета близости активируется после сбора достаточного количества публичных социальных данных для построения или обновления Connection Graph. Использование рассчитанных показателей активируется во время ранжирования, когда система решает персонализировать выдачу на основе социального контекста пользователя.
• Пороговые значения:
  • MFD (Maximum Friend Distance): Если расстояние в «друзьях» (fdist) превышает MFD (например, 2), путь может не учитываться при расчете близости.
  • K (Максимальная длина пути): Общая длина пути (dist) может быть ограничена значением K (например, 10 или 20) для улучшения производительности.
  • Пороги очистки (T): Узлы с количеством входящих/исходящих ребер выше определенного порога (например, T(in, friend)=250) могут быть удалены как аномальные.
  • MAT (Minimum Affinity Threshold): Пути, которые вносят вклад в affinity score ниже этого порога, могут быть проигнорированы.
• Временные рамки и частота применения: Построение графа и расчет близости — это ресурсоемкие процессы, которые, вероятно, выполняются периодически офлайн. Использование показателей близости происходит в реальном времени во время ранжирования.

Пошаговый алгоритм

Процесс вычисления социальной близости (на основе FIG. 2 и описания):

1. Получение графа связей: Система получает Connection Graph, представляющий собранные публичные веб-данные (узлы=идентификаторы, ребра=»Me»/»Friend»).
2. Трансформация графа (Опционально): Если требуется расчет на уровне пользователей, а не отдельных аккаунтов, граф может быть трансформирован в Cluster-Level Graph, где узлы представляют кластеры идентификаторов одного человека.
3. Очистка графа: Система идентифицирует и удаляет ошибочные узлы и ребра. Это включает проверку по спискам исключений и удаление узлов с аномальным количеством входящих или исходящих связей (выше порогов T).
4. Начальный расчет мер близости: Вычисляются начальные меры близости (dist, fdist, affinity score) для упорядоченных пар напрямую связанных узлов (соседей). При расчете affinity score используются веса ребер, и может применяться коэффициент дисконтирования (d).
5. Генерация списков близости: Для каждого узла генерируется начальный Affinity List, содержащий достижимый набор соседних узлов с их мерами близости. Размер списка может быть ограничен (например, по MFD или MAT).
6. Итеративное распространение и агрегация: Система входит в цикл:
   • Списки близости распространяются от узлов к их входящим соседям (in-neighbors).
   • Каждый узел агрегирует полученные списки со своим текущим списком.
   • Меры близости для новых записей в списке обновляются (например, расстояния складываются, affinity scores перемножаются).
7. Проверка завершения: Цикл повторяется до тех пор, пока списки близости не перестанут изменяться или пока не будет достигнут предел итераций.
8. Постобработка (Опционально): Удаление «само-близости» (записи узла в его собственном списке близости).
9. Вычисление процентиля близости: Для каждого узла вычисляется affinity score percentile — процентиль конкретного показателя близости в рамках списка всех показателей для данного узла.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании публично доступных данных, извлеченных из веба.

• Структурные факторы (Разметка): Критически важные данные. Используются данные, извлеченные из разметки XFN (XHTML Friends Network) и FOAF (Friend of a Friend). Эта разметка позволяет идентифицировать социальные связи и их тип («Me» или «Friend»).
• Контентные/Поведенческие факторы (для весов): Хотя базовый вес ребра может быть 1.0, патент упоминает, что вес может вычисляться на основе дополнительных факторов:
  • Взаимодействие: Вес может быть выше, если пользователи взаимодействовали (например, комментировали посты друг друга).
  • Свежесть: Возраст связи (Age of the edge).
  • Репутация источника: Репутация социального сайта, с которого была собрана связь.
• Факторы авторитетности (Vertex Weight): Для расчета affinity score может использоваться вес узла v(i), отражающий его относительную важность. Он может основываться на:
  • Количестве ссылок на контент пользователя.
  • Уровне активности пользователя.
  • Глобальном показателе PageRank узла, рассчитанном на графе «Friend» ребер.

Какие метрики используются и как они считаются

Система вычисляет четыре основные меры близости для упорядоченной пары узлов (X, Y):

1. dist(X,Y): Общее расстояние (кратчайший путь по любым ребрам).
2. fdist(X,Y): Расстояние в друзьях (кратчайший путь по количеству «Friend» ребер).
3. Affinity Score (Показатель близости): Рассчитывается по пути длины k ($S=X_{0}, X_{1}, …, X_{k}=T$). Патент предлагает несколько альтернативных формул. Две основные (без учета веса узла):

   Формула 1 (Учитывает входящие и исходящие веса узлов):

   П_{i=0…(k-1)} ( W(i, i+1) / sqrt( out(i) * in(i+1) ) )

   Формула 2 (Учитывает только исходящие веса):

   П_{i=0…(k-1)} ( W(i, i+1) / out(i) )

   Где:

   • W(i, i+1) — общий вес ребер от $X_{i}$ к $X_{i+1}$.
   • in(i), out(i) — сумма весов входящих и исходящих ребер узла $X_{i}$ соответственно.
   • sqrt — квадратный корень.
4. Affinity Score Percentile: Процентиль показателя близости в списке всех показателей для узла X.

Расчет веса ребра W(p,q):

Общий вес ребер от узла $X_{p}$ к $X_{q}$ рассчитывается с учетом дисконтирования:

W(p,q) = Σ_{i=1…n} ( d(t(i)) * W(i) )

Где:

• d — коэффициент дисконтирования (discount factor) в диапазоне [0, 1] (например, 0.5-0.9). Он может быть разным для «Me» и «Friend» ребер.
• t(i) — тип ребра.
• W(i) — вес отдельного ребра.

Агрегация: Общая близость Affinity(S,T) — это сумма Affinity Scores по всем путям от S к T (с ограничением по длине K и/или MFD).

Выводы

1. Построение социального графа из публичных данных: Google активно описывает методы сбора и интерпретации публично доступных социальных сигналов (XFN, FOAF) для построения собственного графа связей (Connection Graph), не полагаясь на API социальных сетей.
2. Идентификация и кластеризация пользователей: Система различает связи типа «Me» (один человек, разные аккаунты) и «Friend» (разные люди). Это позволяет системе идентифицировать пользователей и их различные идентификаторы в сети (кластеризация).
3. Количественная оценка силы связи (Affinity): Social Affinity — это не бинарное значение (друг/не друг), а взвешенная оценка. Она учитывает не только кратчайший путь, но и все возможные пути между двумя узлами, их длину, типы связей и веса узлов/ребер.
4. Важность авторитетности в социальном графе: В расчете Affinity Score могут учитываться веса узлов (Vertex Weight), которые могут быть основаны на PageRank, рассчитанном по социальным связям. Это означает, что связи с более авторитетными пользователями имеют больший вес.
5. Дисконтирование удаленных связей: Система использует коэффициент дисконтирования (d) и ограничения по длине пути (K, MFD) для снижения влияния более удаленных связей. Близкие связи важнее.
6. Прямое влияние на ранжирование: Патент явно заявляет, что целью вычисления Social Affinity является улучшение информационного поиска и использование этих показателей для ранжирования результатов.

Практика

Best practices (это мы делаем)

• Использование структурированных данных для авторов: Активно используйте микроразметку (Schema.org/Person) для авторов контента. Указывайте их публичные профили в социальных сетях и на других авторитетных сайтах с помощью свойства sameAs. Это помогает Google распознавать связи типа «Me» и корректно кластеризировать идентификаторы автора.
• Публичное подтверждение связей: Поощряйте авторов указывать свои связи с другими экспертами и организациями публично, если это уместно. Хотя разметка XFN и FOAF устарела, любые публичные ссылки и упоминания между авторитетными профилями могут способствовать построению Connection Graph.
• Построение авторитетности автора (Author Authority): Работайте над повышением авторитетности авторов в их нише. Публикации на авторитетных ресурсах, цитирование другими экспертами, активное и качественное ведение публичных профилей — все это может увеличивать Vertex Weight автора в социальном графе. Связи с авторитетными авторами более ценны.
• Фокус на качестве контента и взаимодействии: Создавайте контент, который стимулирует реальное взаимодействие (комментарии, обсуждения) между автором и аудиторией. Патент упоминает, что взаимодействие может увеличивать вес ребра («Friend» edge) в графе.

Worst practices (это делать не надо)

• Накрутка социальных связей: Создание фейковых аккаунтов и массовое добавление в друзья неэффективно. Система использует механизмы очистки графа для удаления узлов с аномальным количеством связей и учитывает вес узлов (авторитетность). Связи между фейковыми аккаунтами имеют околонулевой вес.
• Игнорирование публичного профиля автора: Ведение анонимного блога или использование псевдонимов без привязки к реальным публичным идентификаторам мешает системе корректно оценить социальную близость и авторитетность автора.
• Спам в разметке: Неправильное использование разметки (например, указание главной страницы новостного сайта как sameAs для всех авторов) будет идентифицировано как ошибка на этапе очистки графа, и такие связи будут проигнорированы.

Стратегическое значение

Этот патент подтверждает важность концепции Авторства (Authorship) и Авторитетности Автора (Author Authority) в экосистеме Google. Он предоставляет конкретный механизм, как Google может анализировать взаимосвязи между людьми на основе публичных данных. Стратегически это означает, что SEO должно выходить за рамки оптимизации страниц и включать работу над построением и правильным представлением репутации авторов, связанных с сайтом. Понимание того, как строится и анализируется социальный граф, помогает лучше понять принципы E-E-A-T, особенно в части Экспертности и Авторитетности.

Практические примеры

Сценарий: Повышение авторитетности медицинского автора

1. Задача: Улучшить ранжирование статей, написанных доктором Ивановым для сайта клиники.
2. Применение патента: Необходимо увеличить Vertex Weight доктора Иванова в социальном графе и укрепить его связи с другими авторитетными источниками.
3. Действия:
   • На странице автора на сайте клиники размещается подробная биография с использованием Schema.org/Person.
   • В разметке через sameAs указываются его профили на LinkedIn, PubMed, сайте университета, где он преподает. (Укрепление «Me» связей и кластеризация).
   • Доктор Иванов публикует совместное исследование с доктором Петровым (высокоавторитетный эксперт). Оба указывают ссылку на исследование в своих публичных профилях. (Создание «Friend» связи между авторитетными узлами).
   • Статьи доктора Иванова цитируются в других медицинских блогах. (Увеличение Vertex Weight).
4. Ожидаемый результат: Google более точно идентифицирует доктора Иванова, его связи с другими экспертами и его общий авторитет. Это повышает вес его узла в графе, что может положительно сказаться на ранжировании его контента (как сигнал E-E-A-T) и на видимости его контента для пользователей, связанных с ним или его кругом общения.

Вопросы и ответы