Как Google позволял фильтровать результаты поиска по рекомендациям конкретных групп друзей (Social Graph Subsets)

Описание

Какую задачу решает

Патент решает проблему надежности и релевантности поисковых результатов, особенно для локальных сущностей. Информация в стандартной выдаче может исходить из неизвестных или ненадежных источников. Изобретение направлено на повышение доверия к результатам, позволяя пользователю фильтровать рекомендации, опираясь не на весь свой социальный граф, а на конкретное, явно выбранное подмножество (subset) доверенных контактов (например, мнения экспертов или коллег) для конкретного запроса.

Что запатентовано

Запатентована система персонализации поиска, которая обрабатывает поисковый запрос вместе с идентификатором подмножества социального графа (Subset Identifier), указанным пользователем. Система фильтрует или повышает в ранжировании те результаты поиска (entities), которые имеют ассоциации (associations), такие как отзывы или рейтинги, исходящие исключительно от контактов, входящих в это указанное подмножество.

Как это работает

Механизм активируется по инициативе пользователя:

• Ввод данных: Пользователь вводит запрос и выбирает группу контактов (например, через выпадающий список), передавая Subset Identifier.
• Идентификация контактов: Система определяет контакты, входящие в указанное подмножество Social Graph.
• Поиск и Фильтрация: Находятся сущности, соответствующие запросу, и проверяется наличие Associations (отзывы, рейтинги, check-ins) от контактов из выбранного подмножества.
• Ранжирование и Аннотация: Сущности с такими ассоциациями помечаются как Recommended Entities, повышаются в ранжировании (boosted) и аннотируются деталями ассоциации (например, текст отзыва и имя контакта).

Актуальность для SEO

Низкая. Патент подан в 2013 году и тесно связан с функциональностью Google+ Circles и интеграцией социальной сети в основной поиск. Поскольку Google+ был закрыт, прямая реализация, описанная в патенте (явный выбор пользователем «Круга» во время поиска), не актуальна и не наблюдается в текущих продуктах Google. Базовые концепции использования социального доказательства остаются важными, но данный конкретный механизм устарел.

Важность для SEO

(3/10). Влияние на стандартные SEO-стратегии минимальное. Патент описывает механизм глубокой, инициированной пользователем персонализации, зависящий от структуры его социального графа. SEO-специалисты не могут напрямую оптимизировать сайт под этот механизм. Патент лишь косвенно подчеркивает важность наличия подлинных положительных отзывов и рейтингов (Associations) для повышения видимости в локальной или персонализированной выдаче.

Детальный разбор

Термины и определения

Association (Ассоциация)

Взаимодействие между контактом из социального графа и сущностью. Примеры: отзыв (review), рейтинг (rating), «check-in» или «check-out».

Association Information (Информация об ассоциации)

Детали, описывающие ассоциацию. Включают текст отзыва, значение рейтинга, дату и время взаимодействия, имя контакта и его фотографию.

Entity (Сущность)

Объект, часто имеющий физическое местоположение. Примеры: бизнес (ресторан, магазин), общественное место (парк), государственное учреждение.

External Social Graph (Внешний социальный граф)

Социальный граф, который управляется независимо от поисковой системы (например, через сервис социальной сети). Патент также упоминает, что граф может быть асимметричным (Asymmetric Social Graph), где связи не обязательно взаимны.

Recommended Entity (Рекомендуемая сущность)

Сущность, соответствующая запросу и имеющая Association с контактом из указанного пользователем подмножества.

Relationship Criteria (Критерии отношений)

Метрики, описывающие силу связи между контактом и пользователем (например, количество и тип взаимодействий). Используются для ранжирования контактов.

Subset / Circle (Подмножество / Круг)

Определенная группа контактов внутри Social Graph (например, «родственники», «коллеги»).

Subset Identifier (Идентификатор подмножества)

Параметр (например, URL-параметр, согласно Claim 10), передаваемый вместе с запросом, который указывает, какое подмножество использовать для генерации рекомендаций.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализированного поиска с фильтрацией по социальному графу.

1. Система получает поисковый запрос И идентификатор (identifier) для конкретного подмножества (subset) социального графа. Это подмножество выбирается пользователем из нескольких доступных.
2. Система идентифицирует сущности (entities), соответствующие запросу.
3. Система идентифицирует контакты, принадлежащие к указанному подмножеству.
4. Система определяет выбранную сущность (selected entity), которая ассоциирована с одним или несколькими из этих контактов.
5. Система предоставляет результаты поиска, включающие эту сущность.
6. Критическое условие: Выбранная сущность аннотируется (a) информацией об ассоциации (текст отзыва или рейтинг) И (b) указанием на сам контакт.

Claim 2 и 3 (Зависимые от 1): Уточняют ранжирование и представление.

Ранжирование сущностей основано на наличии ассоциаций с контактами из подмножества (т.е. происходит бустинг). (Claim 2). Рекомендуемая сущность может представляться перед любыми сущностями, которые не имеют таких ассоциаций (Claim 3). Это указывает на агрессивный механизм повышения.

Claim 4 (Зависимый от 1): Уточняет визуальное отображение.

Рекомендуемая сущность представляется в «первом режиме отображения» (first display mode), а нерекомендуемые — во «втором режиме» (second display mode), обеспечивая визуальное различие.

Claim 11 (Зависимый от 1): Детализирует факторы ранжирования в локальном поиске.

Если запрос идентифицирует геолокацию, ранжирование бизнесов основывается на комбинации факторов: популярности, релевантности запросу, расстоянии до геолокации и отзывах/рейтингах от идентифицированных контактов.

Claim 13 (Зависимый от 1): Описывает выбор аннотации, если контактов несколько.

Контакты ранжируются на основе relationship criteria (силы связи с пользователем). Выбранная сущность аннотируется информацией от контакта с наивысшим рейтингом (т.е. самого близкого).

Где и как применяется

Изобретение связывает данные социального графа с результатами поиска на финальных этапах обработки запроса.

INDEXING – Индексирование и извлечение признаков
Система должна индексировать данные о сущностях (Entities) и, что критически важно, Associations (отзывы, рейтинги, чекины), связывая их как с сущностями, так и с конкретными пользователями в Social Graph. Также анализируются данные о структуре графа и Relationship Criteria.

QUNDERSTANDING – Понимание Запросов
Система должна распознать и интерпретировать Subset Identifier, полученный от пользователя вместе с текстовым запросом.

RANKING – Ранжирование
Генерируется первоначальный набор результатов (first ranking) на основе стандартных критериев (популярность, релевантность, местоположение).

RERANKING – Переранжирование / METASEARCH – Смешивание
Основное применение патента. Система взаимодействует с Social Networking Service:

1. Фильтрация контактов: Идентифицируются контакты только из указанного подмножества.
2. Модификация ранжирования: Результаты переранжируются путем повышения (boosting) сущностей, имеющих Associations с этими контактами.
3. Аннотирование и Отображение: Система добавляет Association Information и визуально выделяет результат (first display mode).

Входные данные:

• Поисковый запрос и Subset Identifier.
• Social Graph пользователя с определенными подмножествами.
• База данных сущностей и ассоциаций (отзывы, рейтинги).

Выходные данные:

• Переранжированный список результатов поиска, где рекомендуемые сущности выделены и аннотированы социальной информацией.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние на локальный поиск и сущности с физическим местоположением (рестораны, магазины, услуги), для которых характерно наличие отзывов и рейтингов.
• Специфические запросы: Запросы, где пользователь ищет рекомендации или мнения (например, «лучшая пицца рядом»).

Когда применяется

• Триггеры активации: Механизм активируется исключительно по инициативе пользователя. Триггером является включение Subset Identifier в поисковый запрос (например, выбор «Круга» в интерфейсе).
• Условия применения: Алгоритм не работает автоматически. Необходимо наличие у пользователя сформированного Social Graph с подмножествами и наличие Associations от контактов из этих подмножеств.

Пошаговый алгоритм

1. Получение данных: Система получает поисковый запрос и Subset Identifier от пользователя.
2. Первичное ранжирование: Поисковая система формирует первичное ранжирование (first ranking) сущностей.
3. Валидация и Идентификация контактов: Проверяется существование подмножества. Если оно существует, определяются входящие в него контакты. Если нет — предоставляются стандартные результаты.
4. Определение ассоциаций: Система идентифицирует сущности из первичных результатов, которые имеют Associations от этих контактов. Они становятся Recommended Entities.
5. Модификация ранжирования (Boosting): Позиции Recommended Entities повышаются. В агрессивном варианте они размещаются выше всех остальных.
6. Ранжирование контактов (Опционально): Если ассоциаций несколько, контакты ранжируются на основе Relationship Criteria.
7. Аннотирование: Recommended Entities аннотируются Association Information (например, от контакта с наивысшим рейтингом).
8. Формирование выдачи: Предоставление модифицированного списка пользователю с визуальным выделением рекомендованных сущностей.

Какие данные и как использует

Данные на входе

• Пользовательские факторы (Социальные):
  • Social Graph пользователя: Структура связей и определение подмножеств (Subsets/Circles).
  • Subset Identifier: Явный выбор пользователя.
  • Relationship Criteria: Данные о взаимодействии между пользователем и контактами (количество и тип), определяющие силу связи.
• Поведенческие факторы (от контактов):
  • Associations: Отзывы (review text), рейтинги (ratings), чекины (check-ins), оставленные контактами в отношении сущностей.
• Географические факторы: Местоположение пользователя и сущностей, используемое в локальном поиске.

Какие метрики используются и как они считаются

• Первичные критерии ранжирования: Упоминаются стандартные метрики: популярность (popularity), релевантность (relevance) и расстояние (distance) (Claim 11).
• Наличие Ассоциации: Бинарная метрика (Да/Нет). Используется как основание для бустинга.
• Рейтинг Контактов (Relationship Criteria): Рассчитывается на основе количества и качества взаимодействий. Контакты с более сильной связью ранжируются выше. Используется для выбора того, чей отзыв будет показан в аннотации, если их несколько.

Выводы

1. Явная, а не фоновая персонализация: Описанный механизм — это функция, активируемая пользователем (user-initiated personalization), а не автоматический фактор ранжирования. Он работает только тогда, когда пользователь сам решает отфильтровать выдачу по мнению определенной группы друзей.
2. Доверие через сегментацию социального графа: Цель системы — повысить доверие, позволяя пользователям опираться на мнения конкретных, выбранных ими групп (Subsets), а не всего социального графа.
3. Агрессивное продвижение социальных рекомендаций: Патент описывает возможность агрессивного бустинга. Рекомендованные сущности могут быть повышены в ранге (Claim 2) и даже показаны первыми, выше всех остальных результатов (Claim 3).
4. Сила связи имеет значение: Система учитывает не только факт наличия связи, но и ее силу (Relationship Criteria). Мнение более «близкого» контакта имеет приоритет при отображении аннотаций (Claim 13).
5. Зависимость от инфраструктуры Социальной Сети: Реализация требует тесной интеграции между поисковой системой и социальной сетью (в данном случае, Google+). С уходом Google+ конкретная реализация устарела.
6. Фокус на локальный поиск и отзывы: Механизм в первую очередь ориентирован на Entities и полностью зависит от наличия проиндексированных отзывов и рейтингов (Associations).

Практика

Контекст применения

Важно понимать, что патент описывает функциональность, тесно связанную с Google+ и Google Circles. Эта конкретная реализация больше не используется. Однако принципы патента косвенно влияют на стратегии Локального SEO и Управления репутацией (ORM).

Best practices (это мы делаем)

• Стимулирование подлинных отзывов и рейтингов (Local SEO/ORM): Associations (отзывы и рейтинги) являются основой этого и подобных механизмов персонализации. Необходимо поощрять довольных клиентов оставлять отзывы на платформах, индексируемых Google (например, Google Business Profile). Чем больше реальных пользователей взаимодействуют с сущностью, тем выше вероятность ее появления в персонализированных рекомендациях.
• Построение репутации в нишевых сообществах: Получение положительных отзывов от влиятельных лиц или экспертов в определенном сегменте стратегически важно. Это увеличивает вероятность того, что ваш бизнес будет рекомендован в рамках доверенных социальных кругов.
• Оптимизация Сущности (Entity Optimization): Убедитесь, что ваша компания корректно представлена в базах данных Google (Knowledge Graph, GBP), чтобы система могла точно сопоставить вашу сущность и связанные с ней Associations.

Worst practices (это делать не надо)

• Массовая закупка фейковых отзывов: Патент упоминает использование Relationship Criteria (силы связи между пользователями). Отзывы от ботов или фейковых аккаунтов, не имеющих реальных социальных связей с пользователем, будут менее ценными или проигнорированы при ранжировании контактов для аннотаций.
• Игнорирование управления репутацией: Рассматривать отзывы только как фактор конверсии — ошибка. Отзывы являются потенциальным триггером для повышения видимости в персонализированном поиске.

Стратегическое значение

Патент представляет исторический интерес, демонстрируя попытку Google глубоко интегрировать социальные сигналы в поиск для повышения доверия. Хотя конкретная реализация (Google+) устарела, это подтверждает долгосрочную стратегию Google по использованию сигналов доверия. Для современного SEO это подчеркивает важность работы над репутацией бренда и лояльностью клиентов, что конвертируется в положительные отзывы и упоминания.

Практические примеры

Сценарий: Персонализированный поиск ресторана (Исторический пример на базе функционала патента)

1. Пользователь и Социальный Граф: У Алексея есть подмножество (Круг) в Google+ под названием «Гурманы», куда он добавил друзей, чьему вкусу доверяет.
2. Запрос: Алексей ищет «Пицца в Сан-Франциско». В интерфейсе поиска он использует выпадающий список (social graph subset selector) и выбирает Круг «Гурманы». Система получает запрос с Subset Identifier.
3. Обработка: Система находит пиццерии и проверяет, оставляли ли контакты из круга «Гурманы» отзывы о них.
4. Результат: Пиццерия А имеет средний рейтинг, но друг из круга «Гурманы» оценил ее в 5 звезд. Пиццерия Б имеет высокий общий рейтинг, но оценок от «Гурманов» нет.
5. Выдача: Система повышает Пиццерию А в выдаче Алексея (ставит на первое место) и аннотирует результат: «Ваш друг Иван (Гурманы) оценил это место на 5 звезд: [Сниппет отзыва]». Пиццерия Б показывается ниже.

Вопросы и ответы