Как Google рассчитывает социальную близость (Affinity) между пользователями для персонализации поиска и рекомендаций

Описание

Какую задачу решает

Патент решает задачу определения и количественной оценки социальной близости (Affinity) между пользователями, выходя за рамки явных связей («дружбы») в конкретной социальной сети. Цель — использовать эти выявленные (часто неявные) социальные связи для улучшения релевантности предоставляемого контента, в частности, путем персонализации результатов поиска и предложения новых социальных контактов.

Что запатентовано

Запатентована система для динамического расчета и корректировки показателя Affinity (социальной близости) между пользователями. Расчет основан на анализе взаимодействий: частоте упоминаний одного пользователя другим в авторском контенте, схожих интересах (взаимодействие с одним и тем же контентом) и существующих связях в разных социальных сетях. Система модифицирует Social Graph пользователя и использует эту скорректированную близость для продвижения контента, включая повышение его ранжирования в результатах поиска.

Как это работает

Система анализирует активность и коммуникации пользователей (например, посты, блоги, сообщения). Если Пользователь А часто упоминает Пользователя Б или взаимодействует с тем же контентом, что и Пользователь Б (например, оба его одобряют), система увеличивает показатель Affinity между ними. Это приводит к модификации их социальных графов (например, усилению веса ребра или добавлению нового). Система также может предложить им установить прямую связь в социальной сети, где они еще не связаны. В дальнейшем, при выполнении поиска Пользователем А, контент, созданный Пользователем Б, будет получать повышение (boost) в ранжировании.

Актуальность для SEO

Средняя. Патент подан в 2012 году, в период активного развития Google+ и попыток интеграции социальных сигналов в веб-поиск. Хотя прямые механизмы, опирающиеся на инфраструктуру социальных сетей, сейчас менее выражены в стандартном веб-поиске, базовая концепция расчета Affinity на основе взаимодействий остается критически важной для персонализации в продуктах Google (например, Google Discover, YouTube).

Важность для SEO

Влияние на современные SEO-стратегии умеренное (4/10). Патент описывает механизмы глубокой персонализации, а не глобального ранжирования. Он не дает прямых рекомендаций по оптимизации сайта для всех пользователей, но подчеркивает важность создания контента, который вызывает взаимодействие (interaction) и формирует лояльную аудиторию. Это может улучшить видимость контента в персонализированных продуктах для пользователей, имеющих высокую Affinity к автору или теме.

Детальный разбор

Термины и определения

Affinity (Социальная близость)

Метрика, определяющая близость (closeness) одной стороны (Party) к пользователю. Рассчитывается на основе типа и частоты взаимодействий (frequency of interaction), количества общих контактов, упоминаний и общих интересов.

Social Graph (Социальный граф)

Структура данных, представляющая связи между пользователями и контентом. Состоит из узлов (пользователи, ресурсы) и ребер (connections).

Edges (Ребра)

Связи в социальном графе. Ребра могут иметь веса (weights), отражающие уровень Affinity.

Party (Сторона)

Субъект взаимодействия. Может включать человека, компанию, сервис или другую сущность.

Direct Connection (Прямая связь)

Связь между двумя сторонами в социальном графе без посредников (одно ребро).

Indirect Connection (Непрямая связь)

Связь между двумя сторонами через одного или нескольких посредников.

Authenticity Verification (Верификация подлинности)

Процесс подтверждения того, что владелец аккаунта является тем, за кого себя выдает. Используется для предотвращения продвижения контента от фейковых аккаунтов.

Promotion (Продвижение)

Действия системы по увеличению видимости контента или предложению социальной связи. Включает повышение ранжирования (ranking) в результатах поиска или в ленте контента.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает сложный метод корректировки социального графа и продвижения контента, основанный на частоте упоминаний и структуре связей в двух разных социальных сетях.

1. Система определяет, что контент, созданный Первой стороной (Party A), ссылается (references) на Вторую сторону (Party B) больше порогового количества раз. Обе стороны подписаны на Соцсеть 1 и Соцсеть 2.
2. Система анализирует социальные графы A и B.
3. Определяется, что A и B имеют косвенную связь (indirectly connected) в Соцсети 1 И не имеют прямой связи (not directly connected) в Соцсети 2.
4. При выполнении условий (1) и (3), система предлагает Party B в качестве контакта для Party A в Соцсети 2. Это реализуется путем модификации социального графа Party A для создания связи между A и B в Соцсети 2.
5. В ответ на эту модификацию система корректирует продвижение (adjusting promotion) дополнительного контента в Соцсети 2, связанного с Party B, для Party A.

Claim 2 (Зависимый от 1): Уточняет механизм продвижения контента в контексте поиска.

Корректировка продвижения включает в себя: в ответ на поисковый запрос от Party A, ранжирование результатов поиска, связанных с контентом из аккаунта Party B, как более релевантных, чем результаты, не связанные с этим контентом.

Claim 3 и 4 (Зависимые от 1): Уточняют, как модифицируется социальный граф.

Модификация графа может включать изменение веса (changing a weight) существующих ребер или добавление новых ребер (adding one or more edges) между Party A и Party B.

Claim 5 (Зависимый от 1): Вводит требование верификации.

Система должна верифицировать подлинность (authenticity) Party B перед корректировкой продвижения контента.

Claim 6 и 7 (Зависимые от 5): Описывают методы верификации.

Верификация может включать идентификацию общих контактов (если их число превышает порог) или идентификацию взаимных связей (reciprocal connections) между аккаунтами Party B в разных социальных сетях.

Claim 8 (Зависимый от 1): Добавляет альтернативный триггер.

Предложение связи также может быть основано на определении общего интереса (common interest), выявленного через взаимодействие Party A и Party B с одним и тем же онлайн-контентом.

Где и как применяется

Изобретение применяется на нескольких этапах поиска и обработки данных, преимущественно в контексте персонализации.

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает данные о социальных взаимодействиях, коммуникациях (с разрешения пользователей) и контенте. Строится и обновляется Social Graph. Анализируются упоминания и взаимодействия для расчета и обновления показателей Affinity.

RANKING – Ранжирование / RERANKING – Переранжирование
Основное применение в поиске. Когда пользователь (Party A) отправляет запрос, система использует рассчитанный показатель Affinity между Party A и авторами контента (Party B) для корректировки ранжирования. Если Affinity высока, контент от Party B получает повышение в персонализированной выдаче Party A.

Вне поиска (Social Network Management):
Система также используется для управления социальными сетями: рекомендации новых контактов, предложения связаться в одной сети на основе активности в другой.

Входные данные:

• Данные социальных графов пользователей из разных сетей.
• Контент, созданный пользователями (посты, блоги, электронные письма, твиты).
• Данные о взаимодействиях (упоминания, лайки/одобрения, комментарии, пересылки, клики, время просмотра).
• Поисковые запросы пользователя.

Выходные данные:

• Скорректированные показатели Affinity и модифицированный Social Graph.
• Персонализированные результаты поиска (с повышенным ранжированием социально релевантного контента).
• Рекомендации для установления социальных связей.

На что влияет

• Специфические запросы и типы контента: Наибольшее влияние оказывается на запросы, где релевантным может быть контент, созданный другими пользователями (UGC) — обзоры, мнения, посты в блогах, новости от конкретных авторов.
• Персонализация: Алгоритм влияет исключительно на персонализированную выдачу для конкретного пользователя, а не на глобальное ранжирование.
• Авторы и Сущности: Влияет на видимость контента от идентифицируемых авторов или организаций (Party), к которым у пользователя сформирована Affinity.

Когда применяется

• Условия работы: Требуется, чтобы пользователи были идентифицированы (залогинены) и чтобы система имела доступ к их социальным данным и данным о взаимодействиях (с их согласия).
• Триггеры активации (для корректировки Affinity):
  • Частота упоминаний одного пользователя другим превышает заданный порог (Claim 1).
  • Обнаружение схожих взаимодействий двух пользователей с одним и тем же контентом, что указывает на общий интерес (Claim 8).
  • Наличие специфической структуры связей в разных социальных сетях (например, косвенная связь в одной и отсутствие прямой в другой, как в Claim 1).

Пошаговый алгоритм

Процесс А: Корректировка Affinity на основе упоминаний (Обобщение FIG. 8 и Claim 1)

1. Сбор данных и Идентификация упоминаний: Система анализирует коммуникации и контент, созданный Первой стороной (Party A), на предмет упоминаний Второй стороны (Party B).
2. Проверка порога упоминаний: Определяется, превышает ли количество упоминаний заданный порог.
3. Анализ Социального Графа (Опционально): Если порог превышен, система может анализировать текущее состояние связей в разных социальных сетях (например, проверяя условия из Claim 1).
4. Верификация Подлинности (Опционально): Система может проверить подлинность (Authenticity) Party B.
5. Корректировка Affinity и Модификация Графа: Система увеличивает показатель Affinity между Party A и Party B. Social Graph обновляется (увеличивается вес ребра или добавляется новое).
6. Предложение связи (Опционально): Система может предложить установить прямую связь в социальной сети.
7. Активация Продвижения Контента: Обновленный показатель Affinity используется для продвижения контента Party B для Party A.

Процесс Б: Корректировка Affinity на основе общих интересов (Обобщение FIG. 9)

1. Идентификация взаимодействий: Система идентифицирует взаимодействие Party A и Party B с одним и тем же онлайн-контентом.
2. Оценка схожести: Определяется, является ли взаимодействие схожим (например, оба пользователя одобрили контент).
3. Корректировка Affinity: Если взаимодействие схожее, система делает вывод об общем интересе и увеличивает Affinity между Party A и Party B, модифицируя Social Graph.
4. Активация Продвижения Контента: Обновленный показатель Affinity используется для продвижения контента.

Какие данные и как использует

Данные на входе

Патент описывает использование широкого спектра данных о поведении и связях пользователей (при условии получения их согласия):

• Контентные и Коммуникационные факторы:
  • Текст коммуникаций: e-mail messages, text messages, tweets, posts, blogs.
  • Упоминания (References): Идентификация упоминаний других пользователей по имени, алиасу или идентификатору аккаунта в этом контенте.
• Поведенческие факторы:
  • Взаимодействие с контентом: Endorsements (одобрения), sharing (пересылка), recommendations (рекомендации), comments (комментарии).
  • Метрики взаимодействия: Clicks (клики), mouse-overs (наведение курсора), amount of time viewing content (время просмотра контента).
  • История поиска (Search logs, search history) и посещенные веб-страницы (для определения интересов).
• Структурные факторы (Social Graph Data):
  • Связи (Connections): Прямые и косвенные контакты в одной или нескольких социальных сетях.
  • Списки контактов (email, chat), подписки (subscriptions).
  • Общие контакты (common middle contacts).

Какие метрики используются и как они считаются

• Affinity (Социальная близость): Ключевая метрика. Рассчитывается как агрегированный показатель, учитывающий:
  • Частоту и тип взаимодействий (комментарии считаются более сильным сигналом, чем одобрения).
  • Структуру связей (прямой контакт сильнее, чем контакт контакта).
  • Общие интересы (выводятся из схожего поведения или взаимодействия с контентом).
• Specified number of references (Порог упоминаний): Пороговое количество раз, которое один пользователь должен упомянуть другого, чтобы активировать корректировку Affinity.
• Threshold for common contacts: Минимальное количество общих контактов, необходимое для верификации подлинности (Authenticity) аккаунта.
• Content-Specific Affinity: Патент упоминает, что Affinity может быть специфичной для типа контента (например, высокая близость к видео от пользователя, но низкая к его текстовым работам).

Выводы

1. Персонализация через социальную близость: Патент детально описывает, как Google может использовать сигналы социального взаимодействия для расчета метрики Affinity и последующей персонализации поисковой выдачи. Контент от авторов, к которым у пользователя высокая Affinity, получает повышение в ранжировании.
2. Affinity основана на неявных сигналах: Близость определяется не только явными социальными связями (список друзей), но и неявными поведенческими сигналами: кого пользователь часто упоминает, чей контент потребляет, с кем разделяет интересы (взаимодействует с тем же контентом схожим образом).
3. Динамическая модификация социального графа: Social Graph не статичен. Система динамически изменяет веса связей или добавляет новые связи на основе текущей активности пользователя.
4. Важность верификации авторов (Authenticity): Патент подчеркивает необходимость проверки подлинности аккаунтов перед тем, как продвигать их контент на основе социальных сигналов. Для этого используются методы анализа связей (общие контакты, взаимные ссылки между профилями).
5. Кросс-платформенный анализ: Система предназначена для анализа и использования социальных связей между разными платформами (Social Network 1, Social Network 2), хотя реальное применение зависит от доступности данных.

Практика

Best practices (это мы делаем)

Хотя патент фокусируется на персонализации, которой сложно управлять напрямую, он дает стратегические ориентиры.

• Укрепление авторства и узнаваемости сущности (Author/Entity Authority): Необходимо четко связывать контент с конкретным автором или брендом. Это помогает поисковой системе идентифицировать «Стороны» (Party) и рассчитывать Affinity между ними и аудиторией.
• Создание контента, стимулирующего вовлечение: Контент, который пользователи активно обсуждают, комментируют, одобряют (endorse) и которым делятся (share), увеличивает Affinity аудитории к этому контенту и его автору. Это повышает шансы на бустинг в персонализированной выдаче и рекомендательных системах (например, Discover).
• Построение реальной аудитории и сообщества: Фокус на формировании лояльной аудитории, которая регулярно взаимодействует с контентом автора/бренда (упоминает его, читает его материалы), является стратегически верным подходом для улучшения видимости в персонализированных сервисах.
• Верификация и связывание профилей: Для авторов и брендов важно подтверждать подлинность своих официальных профилей в разных системах и связывать их между собой (например, через взаимные ссылки), так как патент использует это (reciprocal connections) как метод верификации Authenticity.

Worst practices (это делать не надо)

• Анонимный или обезличенный контент: Публикация контента без четкой атрибуции автора затрудняет расчет Affinity между автором и аудиторией, лишая контент потенциального бустинга за счет социальных связей.
• Имитация активности и накрутка социальных сигналов: Попытки манипулировать Affinity через спам-упоминания или фейковые взаимодействия неэффективны. Патент включает механизмы верификации подлинности (Authenticity Verification), что подразумевает стремление системы отличать естественную социальную близость от манипуляций.
• Игнорирование персонализации: Разработка SEO-стратегии исключительно под глобальное ранжирование без учета того, как контент может ранжироваться в персонализированных средах для лояльной аудитории.

Стратегическое значение

Патент подтверждает стратегическую важность персонализации в продуктах Google. Хотя влияние явных социальных связей на веб-поиск сейчас не так очевидно, как во времена Google+, лежащие в основе патента принципы расчета Affinity на основе взаимодействий критически важны для рекомендательных систем. Для SEO это означает, что построение авторитета сущности (автора, бренда) и формирование реальной вовлеченной аудитории являются ключевыми для долгосрочной видимости в персонализированной экосистеме Google.

Практические примеры

Сценарий: Повышение видимости авторского контента через Affinity

1. Ситуация: SEO-блогер (Party B) регулярно публикует исследования. Пользователь (Party A) часто читает эти исследования, комментирует их и упоминает блогера в своих профессиональных обсуждениях (например, в блогах или социальных сетях, индексируемых Google).
2. Действие системы: Google анализирует эти взаимодействия (упоминания и общие интересы) и рассчитывает высокую Affinity между Party A и Party B. Социальный граф Party A модифицируется для усиления этой связи.
3. Результат в поиске: Когда Party A (будучи авторизованным) вводит общий поисковый запрос (например, «новые факторы ранжирования»), система повышает в ранжировании новую статью от Party B в персонализированной выдаче Party A, даже если в глобальном рейтинге эта статья находится ниже.
4. Результат в рекомендациях: Система с большей вероятностью покажет контент от Party B в ленте Google Discover для Party A.

Вопросы и ответы