Как Google персонализирует поиск, уточняя социальную близость к авторам на основе истории кликов пользователя

Описание

Какую задачу решает

Патент решает задачу повышения точности персонализации поиска. Система стремится уточнить реальный интерес пользователя к контенту конкретных авторов, используя неявные сигналы (поведение в поиске), а не только явные социальные связи (например, подписки). Это позволяет более точно настроить выдачу, продвигая контент, который пользователь предпочитает, и понижая тот, который он игнорирует, даже если он формально связан с автором в социальном графе.

Что запатентовано

Запатентована система, которая корректирует социальную близость (Social Affinity) между пользователем (first party) и автором (second party) на основе истории взаимодействий пользователя с результатами поиска. Ключевым условием, согласно формуле изобретения (Claim 1), является наличие существующей социальной связи (pre-existing social connection). Если пользователь часто взаимодействует с контентом автора на определенную тему (Subject), система уточняет показатель близости в Social Graph именно для этой темы. Эта скорректированная близость затем используется для изменения ранжирования будущего контента этого автора для данного пользователя.

Как это работает

Система работает следующим образом:

• Сбор данных: Отслеживается взаимодействие пользователя с SERP (клики, время просмотра, игнорирование контента).
• Анализ и Порог: Система определяет, превышает ли объем взаимодействия с контентом определенного автора по конкретной теме установленный порог (Threshold).
• Проверка связи: Проверяется, есть ли у пользователя существующая социальная связь с этим автором в Social Graph.
• Корректировка Affinity: Если связь есть и порог превышен, система корректирует показатель Affinity к автору (повышает или понижает), привязывая его к этой теме.
• Персонализация: Обновленный показатель Affinity используется для переранжирования будущей выдачи для этого пользователя.

Актуальность для SEO

Низкая/Средняя. Патент подан в 2012 году и сильно зависит от концепции явного Social Graph и идентификации авторов, что было актуально в эпоху Google+ и Google Authorship. После их закрытия прямая реализация механизма, требующего pre-existing social connection в том виде, как описано, маловероятна. Однако базовый принцип использования истории взаимодействий для определения предпочтений к источнику и последующей персонализации выдачи остается фундаментальным для Google.

Важность для SEO

Влияние на SEO умеренное (5/10). Патент описывает механизм глубокой персонализации, а не общего ранжирования. Он не предоставляет прямых рычагов воздействия на глобальный рейтинг, так как зависит от индивидуальной истории и социальных связей пользователя. Однако он подчеркивает важность построения авторитетности автора/бренда и стимулирования положительного пользовательского опыта для удержания и лучшей видимости среди лояльной аудитории.

Детальный разбор

Термины и определения

Affinity (Близость)

Показатель степени интереса или близости пользователя (first party) к автору контента (second party). Может быть положительной (предпочтение) или отрицательной (избегание). Близость может быть общей или тематически обусловленной.

Author (Автор / Second Party)

Создатель, издатель или распространитель контента. Может быть человеком, компанией или организацией.

Interaction (Взаимодействие)

Действия пользователя с результатами поиска. Включает клики (selections), время просмотра (amount of time viewing content), а также отсутствие взаимодействия (failure to select/игнорирование) и наведение курсора (mouse-overs).

Inference Engine (Механизм вывода)

Компонент поисковой системы, отвечающий за анализ взаимодействий и корректировку Affinity.

Pre-existing social connection (Существующая социальная связь)

Связь между пользователем и автором в Social Graph, которая уже существовала до момента анализа взаимодействий. Критическое условие для активации механизма по Claim 1.

Social Graph (Социальный граф)

Структура данных, представляющая связи между пользователями и контентом. Связи (ребра) могут иметь веса, отражающие уровень Affinity.

Subject (Тема)

Конкретная тематика контента, к которой определяется близость пользователя.

Threshold (Порог)

Минимальный объем или частота взаимодействий, необходимый для запуска механизма корректировки Affinity.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает защищенный метод корректировки социальной близости на основе взаимодействий, с учетом тематики и существующих связей.

1. Система получает информацию о поиске пользователя (First Party), включая i) конкретный контент, связанный с темой (Subject), и ii) взаимодействие пользователя с ним.
2. Определяется, что объем взаимодействия удовлетворяет порогу (Threshold).
3. В ответ на это идентифицируется автор контента (Second Party).
4. Критический шаг: Определяется, что у пользователя уже есть существующая социальная связь (pre-existing social connection) с автором в Social Graph.
5. Если связь существует (формулировка «in response to determining that the first party has the pre-existing social connection»), система корректирует в социальном графе близость (Affinity) пользователя к контенту автора.
6. Обновляется ранжирование результатов поиска: продвигаются будущие результаты для этого пользователя, которые содержат контент i) от этого автора И ii) связанный с этой темой (Subject). При этом ранжирование контента от этого автора, не связанного с этой темой, сохраняется (maintaining a ranking).

Ядро изобретения — это использование поведения в поиске для уточнения существующих социальных связей, делая их тематически обусловленными. Система не формирует новую связь на основе кликов, а модифицирует существующую.

Claim 2 (Зависимый от 1): Уточняет, что положительная Affinity приводит к тому, что соответствующие результаты ранжируются как более релевантные.

Claim 4 (Зависимый от 1): Описывает механизм отрицательной обратной связи. Если взаимодействие заключается в отказе от выбора контента (failure to select, т.е. игнорирование), то Affinity является отрицательной. Обновление ранжирования означает ранжирование этих результатов как менее релевантных (понижение).

Claim 6 и 7 (Зависимые от 1): Указывают, что социальная связь в графе обновляется на основе Affinity (Claim 6), и пользователю может быть предложено усилить эту связь (Claim 7) (например, подписаться на дополнительный канал автора).

Где и как применяется

Изобретение связывает сбор поведенческих данных с индексированием социального графа и персонализированным переранжированием.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна проиндексировать контент, извлечь идентификатор автора (Second Party) и тематику (Subject). Также система поддерживает и индексирует данные Social Graph, включая существующие связи и показатели Affinity.

(Фоновый процесс) – Сбор и анализ данных
Система собирает поведенческие данные (историю поиска, клики, время просмотра). Inference Engine анализирует эти данные для выявления паттернов взаимодействия, превышающих Threshold, и корректирует показатели Affinity в Social Graph.

RERANKING – Переранжирование (Персонализация)
Основное применение патента. На финальном этапе формирования выдачи система обращается к Social Graph пользователя, извлекает показатели Affinity для авторов и тем, релевантных запросу, и использует их для корректировки стандартных Ranking Scores. Это механизм глубокой персонализации.

Входные данные:

• История поисковых запросов и взаимодействий пользователя.
• Идентификатор автора и тематика контента.
• Социальный граф пользователя (Social Graph), включая pre-existing connections.
• Пороговые значения (Thresholds).

Выходные данные:

• Скорректированный показатель Affinity для связки Автор+Тема в социальном графе.
• Персонализированный набор результатов поиска с измененным ранжированием.

На что влияет

• Персонализация: Влияет строго на персонализированную выдачу конкретного пользователя (обычно залогиненного), а не на общее ранжирование.
• Конкретные типы контента: Любой контент, где можно идентифицировать автора и тему (статьи, блоги, обзоры, видео), и где могут существовать социальные связи.
• Специфические запросы: Наибольшее влияние на информационные запросы, где предпочтения пользователя в отношении экспертов или источников играют важную роль.

Когда применяется

Алгоритм применяется при выполнении строго определенных условий (согласно Claim 1):

• Триггер активации 1: Объем взаимодействий (положительных или отрицательных) пользователя с контентом определенного автора по определенной теме превышает установленный Threshold.
• Триггер активации 2 (Критическое условие): У пользователя уже существует социальная связь (pre-existing social connection) с этим автором в Social Graph.
• Частота применения: Корректировка Affinity может происходить периодически или в реальном времени. Применение к ранжированию происходит при каждом запросе пользователя, если в результатах есть релевантный контент от связанных авторов.

Пошаговый алгоритм

Процесс А: Анализ поведения и корректировка Affinity (Inference Engine)

1. Сбор данных: Получение информации о поисковой активности пользователя, включая показанный контент (с темой и автором) и взаимодействия с ним (клики или их отсутствие).
2. Анализ взаимодействий и Проверка порога: Агрегация данных о взаимодействиях с контентом конкретного автора по конкретной теме (Subject). Определение, превышен ли Threshold.
3. Идентификация автора и темы: Если порог превышен, идентификация Автора и Темы.
4. Проверка социальной связи: Обращение к Social Graph для проверки наличия pre-existing social connection между пользователем и автором.
   • Если НЕТ: Механизм по Claim 1 не активируется. Процесс останавливается.
   • Если ДА: Перейти к шагу 5.
5. Корректировка близости: Корректировка показателя Affinity для связки Автор+Тема. Если взаимодействие положительное (клики, долгое время просмотра) – Affinity увеличивается. Если отрицательное (игнорирование) – уменьшается.
6. Обновление Social Graph: Сохранение нового показателя Affinity. Опционально, предложение пользователю усилить социальную связь (Claim 7).

Процесс Б: Применение Affinity в ранжировании (Reranking)

1. Получение запроса и генерация кандидатов: Система генерирует базовый набор результатов.
2. Извлечение Affinity: Система обращается к Social Graph пользователя и извлекает показатели Affinity для авторов и тем, присутствующих в результатах.
3. Персонализированное переранжирование: Корректировка Ranking Scores. Контент по теме с высокой Affinity повышается. Контент по теме с отрицательной Affinity понижается. Контент этого же автора по другим темам остается без изменений (согласно Claim 1).
4. Предоставление результатов: Отображение персонализированной выдачи.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Ключевые данные): Являются основой изобретения. Используются история поиска (search logs/history), клики (selections), время просмотра контента (amount of time viewing content), отсутствие кликов при показе (failure to select), наведение курсора (mouse-overs).
• Социальные факторы (Social Graph Data): Критически важные данные о связях пользователя. Включают явные связи (email, чат, соцсети), подписки (блоги, фиды), социальные круги, общие контакты.
• Контентные факторы: Данные из контента и его метаданных (текст, изображения), используемые для определения темы (Subject).
• Данные об авторе: Идентификатор автора (Author/Second Party), извлеченный из контента, метаданных или связанных профилей.

Какие метрики используются и как они считаются

• Threshold (Порог взаимодействия): Метрика для активации алгоритма. Может рассчитываться на основе абсолютного числа взаимодействий (например, 10 кликов за неделю) или процента выбранного контента автора от общего числа показов за определенный период.
• Affinity Score (Показатель близости): Метрика, хранящаяся в Social Graph. Она находится в спектре (от сильно отрицательной до сильно положительной). Рассчитывается на основе агрегированных данных о взаимодействиях, превысивших порог, и силы существующей социальной связи.
• Subject-Specific Affinity (Тематическая близость): Показатель близости, привязанный к конкретной тематике (Subject) контента автора.

Выводы

1. Персонализация через неявные сигналы: Патент описывает, как Google может использовать историю кликов и поведение пользователя в поиске как неявный сигнал предпочтения конкретных авторов.
2. Уточнение существующих связей (Критическое ограничение): Согласно Claim 1, описанный механизм корректировки Affinity активируется только при наличии pre-existing social connection. Это означает, что патент описывает уточнение существующих отношений в социальном графе, а не создание новых связей только на основе поведения.
3. Тематическая близость (Topical Affinity): Ключевой особенностью является способность системы определять близость не к автору в целом, а к конкретным темам (Subject), которые он освещает. Это позволяет очень точно настраивать персонализацию.
4. Отрицательная обратная связь (Negative Affinity): Система учитывает не только клики, но и игнорирование контента (failure to select). Это позволяет формировать отрицательную близость и понижать в персонализированной выдаче контент, который не интересен пользователю.
5. Важность идентификации автора: Для работы механизма необходимо, чтобы поисковая система могла точно идентифицировать автора (Second Party) контента.
6. Контекст Google+: Механизм тесно связан с экосистемой, где социальные графы были явно выражены (как в Google+). Это ставит под сомнение его прямую реализацию в современном поиске, но подтверждает важность поведенческих сигналов для персонализации.

Практика

Best practices (это мы делаем)

Хотя прямая реализация патента зависит от использования Google явных социальных графов, его принципы имеют важное значение для стратегий построения авторитетности и лояльности.

• Построение Авторитетности Автора и Бренда (E-E-A-T): Обеспечьте четкую и последовательную атрибуцию контента. Используйте разметку Schema.org/Person или Organization, качественные биографии, связывайте контент с профилями авторов. Это позволяет системам идентифицировать «Second Party» и формировать к нему Affinity.
• Фокус на Качестве и Вовлечении (User Engagement): Создавайте контент, который стимулирует положительное взаимодействие (высокий CTR в выдаче, длительное время просмотра). Положительные поведенческие сигналы являются основой для формирования положительной Affinity.
• Развитие Тематической Авторитетности: Сфокусируйтесь на глубоком раскрытии конкретных тем. Если пользователи будут постоянно выбирать ваш контент по определенной теме (Subject), система может сформировать тематическую близость, что даст преимущество в персонализированной выдаче.
• Построение Сообщества и Прямых Связей: Поощряйте пользователей подписываться на ваши ресурсы (email-рассылки, YouTube, социальные сети). Наличие прямых связей (аналог pre-existing social connection) может усиливать эффект персонализации и лояльности.

Worst practices (это делать не надо)

• Кликбейт и разочаровывающий контент: Использование заголовков, которые обеспечивают клик, но не соответствуют содержанию, приведет к негативным поведенческим сигналам (например, короткое время просмотра). Это может привести к формированию отрицательной Affinity и понижению вашего контента в будущем для этих пользователей.
• Игнорирование атрибуции (Анонимный контент): Публикация контента без указания автора или сильного бренда мешает системе идентифицировать Second Party и сформировать устойчивую Affinity.
• Поверхностный контент и распыление тематик: Если автор или сайт пытается охватить слишком много тем поверхностно, он рискует не достичь Threshold взаимодействий ни по одной из них и не сформировать четкую тематическую близость у аудитории.

Стратегическое значение

Патент подтверждает стратегическую важность перехода от оптимизации отдельных страниц к построению авторитетности сущностей (авторов и брендов) и управлению общим пользовательским опытом. Долгосрочная SEO-стратегия должна быть направлена на формирование лояльности и долгосрочных отношений с аудиторией. Даже если Google больше не использует явные социальные графы, как во времена Google+, принципы определения предпочтений на основе поведения остаются фундаментальными для работы систем персонализации и рекомендаций.

Практические примеры

Сценарий 1: Усиление тематической близости

1. Исходная ситуация: Пользователь подписан на блогера-путешественника Ивана в социальной сети (существует pre-existing connection). Пользователь ищет информацию о походах в Калифорнии.
2. Взаимодействие: В результатах поиска пользователь часто видит и кликает на статьи Ивана о Калифорнии. Объем взаимодействий превышает Threshold.
3. Работа механизма: Система идентифицирует автора (Иван) и тему (Калифорния). Она корректирует Affinity в социальном графе пользователя, повышая близость к этой теме данного автора.
4. Результат: В будущем, когда пользователь ищет информацию о Калифорнии, статьи Ивана ранжируются для него значительно выше. При этом статьи Ивана о путешествиях в Азию (другая тема) не получат повышения.

Сценарий 2: Формирование негативной близости

1. Исходная ситуация: Пользователь находится в одном социальном круге с обозревателем Петром (существует pre-existing connection). Пользователь ищет обзоры техники.
2. Взаимодействие: В выдаче часто показывают обзоры Петра, но пользователь их систематически игнорирует (failure to select), предпочитая другие источники. Игнорирование превышает Threshold.
3. Работа механизма: Система формирует отрицательную Affinity пользователя к Петру по теме обзоров техники.
4. Результат: В будущих поисках контент Петра по этой теме будет ранжироваться ниже для этого пользователя.

Вопросы и ответы