Как Google использует ссылки с предпочитаемых пользователем авторитетных сайтов для персонализации и переранжирования выдачи

Описание

Какую задачу решает

Патент решает проблему ограничений глобальных алгоритмов ранжирования (например, основанных на ссылках, таких как PageRank). Глобальное ранжирование отражает усредненную оценку качества документа в интернете, но не учитывает личные предпочтения пользователя или мнения отдельных суб-сообществ. В рамках одной темы разные группы пользователей могут по-разному оценивать авторитетность источников (например, предпочтение государственных агентств против отраслевых экспертов). Изобретение направлено на модификацию глобального ранжирования для отражения этих персональных или групповых предпочтений.

Что запатентовано

Запатентована система персонализации результатов поиска путем переранжирования стандартной выдачи на основе предпочтений пользователя или группы. Система идентифицирует документы, которые одновременно предпочитаемы пользователем (Document Bias Set F) и признаны высококачественными глобально (High Quality Document Set L). Ссылки, исходящие из этого пересечения (Intersection Set F∩L), используются для корректировки веса результатов поиска, повышая или понижая их в персональной выдаче.

Как это работает

Механизм работает следующим образом:

• Определение наборов: Система поддерживает набор предпочтений пользователя (Set F с весами W_F) и набор глобально качественных документов (Set L с весами W_L).
• Поиск пересечения: Определяется пересечение (F∩L) — документы, которые пользователь предпочитает И которые являются глобально авторитетными.
• Выполнение поиска: Формируется стандартный набор ранжированных результатов (R).
• Проверка ссылок и Корректировка: Система проверяет, есть ли ссылки с документов из пересечения (F∩L) на документы в результатах (R). Если да, вес результата корректируется (например, Adjusted Weight W = W_L + W_F).
• Переранжирование: Результаты поиска пересортировываются на основе скорректированных весов.

Актуальность для SEO

Средняя/Высокая. Персонализация остается критически важной для поиска. Этот патент является продолжением заявок, восходящих к 2004 году, и описывает конкретную реализацию персонализированного ссылочного ранжирования (концептуально схожую с Personalized PageRank). Хотя современные методы персонализации, вероятно, используют более сложные модели машинного обучения и векторные представления, базовая идея использования сигналов доверия пользователя для корректировки глобальных сигналов остается фундаментальной.

Важность для SEO

Влияние на SEO значительно (70/100), но преимущественно косвенное. Патент демонстрирует механизм, с помощью которого выдача может существенно отличаться у разных пользователей в зависимости от их истории поведения и предпочтений. Это подчеркивает стратегическую важность достижения не только глобальной авторитетности (попадание в Set L), но и формирования лояльности аудитории и становления доверенным источником (попадание в Set F).

Детальный разбор

Термины и определения

Adjusted Weight (W) (Скорректированный вес)

Итоговая оценка ранжирования документа после применения персонализации. Рассчитывается путем модификации исходного веса (W_L) весом предпочтения (W_F), например, W = W_L + W_F.

Document Bias Set F (Набор предпочтений F)

Набор документов, отражающий предпочтения пользователя или группы. Включает как предпочитаемые (favored/most-respected), так и нежелательные (disfavored/most-distrusted) документы. Может быть сгенерирован автоматически (история запросов/браузера) или вручную.

High Quality Document Set L (Набор высококачественных документов L)

Набор документов с высоким глобальным рейтингом качества, полученным от алгоритма ранжирования (например, PageRank или Hubs and Authorities).

Intersection Set F∩L (Набор пересечения)

Документы, присутствующие одновременно в Set F и Set L. Эти документы служат источниками влияния («персонализированными авторитетами») для корректировки ранжирования.

W_F (Bias Weight) (Вес предпочтения)

Вес, присвоенный документу в Set F, отражающий степень предпочтения или недоверия пользователя. Включает distrusted document weights.

W_L (Quality Weight) (Вес качества)

Вес, основанный на глобальном алгоритме ранжирования, присвоенный документу в Set L или документу в результатах поиска.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализации ранжирования.

1. Определение предпочтений пользователя или группы (Document Bias Set F и веса W_F, включая distrusted document weights — веса недоверия).
2. Определение High Quality Document Set L.
3. Создание Intersection Set F∩L (документы в обоих наборах).
4. Получение запроса, выполнение поиска и формирование ранжированного набора результатов (R).
5. Определение наличия ссылок ИЗ Intersection Set НА документы в R. Важное уточнение в Claim 1 данного патента (US9734211B1): целевой документ в R НЕ должен находиться в Intersection Set.
6. Переранжирование результатов R:
   • Идентификация ссылки из Intersection Set на результат в R.
   • Корректировка ранга результата R, используя вес W_F исходного документа (источника ссылки) из Document Bias Set F.
7. Предоставление переранжированных результатов.

Ядро изобретения — это использование пересечения личных предпочтений и глобального качества для выявления авторитетных источников, чьи ссылки затем используются для бустинга (или понижения) *других* документов в персональной выдаче. Это механизм для обнаружения контента, одобренного доверенными источниками.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя предварительно рассчитанные данные и данные о поведении пользователей для финальной корректировки SERP.

INDEXING – Индексирование и извлечение признаков
На этом этапе рассчитываются глобальные метрики качества (например, PageRank), которые используются для определения High Quality Document Set L и весов W_L. Также строится и анализируется глобальный граф ссылок.

(Сбор пользовательских данных / Контекстуализация)
Система собирает данные о поведении пользователя (история поиска, история посещений) или получает явные указания предпочтений для формирования Document Bias Set F и весов W_F.

RANKING – Ранжирование
Генерируется первичный набор ранжированных результатов поиска (Set R) с использованием стандартных оценок W_L.

RERANKING – Переранжирование
Основное применение патента. На этом этапе система выполняет:

1. Определение пересечения: Рассчитывается Intersection Set (F∩L) для данного пользователя.
2. Анализ ссылок: Проверяется наличие ссылок с документов в (F∩L) на документы в Set R.
3. Корректировка и пересортировка: Рассчитываются Adjusted Weights (W) для связанных документов, и набор Set R переранжируется для конкретного пользователя.

Входные данные:

• Поисковый запрос и пользовательский контекст.
• Document Bias Set F и W_F.
• High Quality Document Set L и W_L.
• Первичный набор результатов (Set R).
• Данные о ссылках (граф ссылок).

Выходные данные:

• Переранжированный (персонализированный) набор результатов поиска.

На что влияет

• Специфические запросы: Наибольшее влияние на информационные и исследовательские запросы, где у пользователя есть устоявшиеся предпочтения в источниках (СМИ, блоги, научные ресурсы) и где существуют различные мнения или суб-сообщества.
• Конкретные ниши: Влияет на тематики с выраженными суб-сообществами и разными взглядами на авторитетность (упоминаются примеры: питание, политика).

Когда применяется

Алгоритм применяется при выполнении всех следующих условий:

• Наличие данных о предпочтениях: У пользователя должен быть сформирован Document Bias Set F (пользователь идентифицирован и включена персонализация).
• Пересечение с качеством: Должно существовать непустое пересечение между Set F и High Quality Document Set L.
• Наличие ссылок: Документы из пересечения (F∩L) должны ссылаться на документы, попавшие в результаты поиска (Set R).

Пошаговый алгоритм

Этап А: Предварительная подготовка (Офлайн или фоновый режим)

1. Генерация Set F и W_F: Сбор предпочтений пользователя (автоматически из истории запросов/просмотров или вручную) и присвоение весов предпочтения/недоверия.
2. Генерация Set L и W_L: Использование глобального алгоритма ранжирования (например, PageRank) для определения авторитетных документов.

Этап Б: Обработка запроса (Реальное время)

1. Получение запроса и первичный поиск: Формируется стандартный ранжированный набор результатов Set R с весами W_L.
2. Определение пересечения: Система определяет Intersection Set F∩L.
3. Идентификация ссылок: Система проверяет наличие ссылок, ведущих от документов в (F∩L) к документам в Set R (которые сами не находятся в F∩L, согласно Claim 1).
4. Корректировка весов: Если ссылка найдена, рассчитывается скорректированный вес для целевого документа. Патент предлагает формулу сложения: W = W_L + W_F, но допускает и другие функции (например, умножение).
5. Обработка множественных ссылок: Если на результат ссылаются несколько документов из (F∩L), эффект может быть кумулятивным (корректировка является функцией нескольких весов W_F).
6. Переранжирование: Набор результатов Set R сортируется заново с использованием скорректированных весов W.
7. Выдача результатов: Переранжированный набор предоставляется пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: История запросов (query history) и история посещений (browsing history) используются для автоматической генерации Document Bias Set F и расчета W_F.
• Ссылочные факторы: Критически важны в двух аспектах:
  1. Для расчета глобального качества (Set L, W_L), например, через PageRank.
  2. Для идентификации прямых ссылок из Intersection Set на результаты поиска, которые служат каналом передачи персонализированного веса.
• Пользовательские факторы (Явные): Явные предпочтения или списки доверенных/недоверенных сайтов (most-respected, most-distrusted), заданные пользователем или группой вручную.

Какие метрики используются и как они считаются

• W_L (Quality Weight): Глобальная оценка качества/авторитетности. Рассчитывается стандартными алгоритмами ранжирования.
• W_F (Bias Weight): Метрика персонального предпочтения. Может быть рассчитана на основе поведенческих сигналов или явных оценок. Может быть отрицательной (distrusted document weights).
• W (Adjusted Weight): Итоговая метрика для переранжирования. Рассчитывается путем комбинирования W_L и W_F (например, W = W_L + W_F).

Выводы

1. Персонализация через «Валидированные Авторитеты»: Ключевая концепция — фильтрация персональных предпочтений через глобальное качество. Чтобы предпочитаемый сайт (Set F) повлиял на выдачу, он также должен быть признан глобально качественным (Set L). Это предотвращает влияние низкокачественных предпочтений.
2. Пропагация доверия через ссылки: Механизм использует ссылки как канал для передачи персонального доверия. Ценность ссылки становится контекстной: ссылка с авторитетного сайта получает дополнительный вес (W_F), если этот сайт также предпочитаем пользователем.
3. Поддержка негативного смещения (Demotion): Система явно поддерживает использование «весов недоверия» (distrusted document weights). Это позволяет не только повышать результаты от доверенных источников, но и понижать результаты, цитируемые источниками, которым пользователь не доверяет.
4. Фокус на продвижении цитируемого контента: Claim 1 специфически описывает механизм для повышения ранжирования документов, на которые ссылаются авторитеты (при условии, что эти документы сами не входят в набор пересечения). Это механизм для обнаружения нового контента, одобренного доверенными источниками.
5. Зависимость от сбора данных пользователя: Эффективность системы напрямую зависит от качества и объема данных о предпочтениях пользователя (Document Bias Set F), собранных автоматически или предоставленных вручную.

Практика

Best practices (это мы делаем)

• Достижение глобальной авторитетности (Set L): Фундаментальная задача. Сайт должен иметь высокий глобальный рейтинг качества (E-E-A-T, сильный ссылочный профиль), чтобы участвовать в этом механизме в качестве источника влияния.
• Формирование лояльности и доверия аудитории (Set F): Необходимо стимулировать повторные визиты, высокое вовлечение и становиться основным ресурсом для ЦА. Цель — попасть в Document Bias Set F пользователей (автоматически через историю посещений или через явное доверие).
• Стратегический линкбилдинг на основе персон: Необходимо анализировать, какие авторитетные сайты (Set L) регулярно посещает ваша целевая аудитория (потенциальный Set F). Получение ссылок именно с этих ресурсов (формирующих Intersection Set F∩L) даст максимальный эффект для ранжирования в их персонализированной выдаче.
• Стратегическое построение исходящих ссылок (для авторитетных сайтов): Если ваш сайт находится в (F∩L), ваши исходящие ссылки могут напрямую повышать ранжирование целевых документов в персонализированной выдаче ваших лояльных пользователей.

Worst practices (это делать не надо)

• Фокус только на нишевой популярности без глобального авторитета: Если сайт популярен в узкой нише (в Set F), но не имеет глобального авторитета (не в Set L), он не сможет влиять на ранжирование через этот механизм.
• Получение ссылок с популярных, но не авторитетных ресурсов: Ссылки с сайтов, которые часто посещаются, но не входят в High Quality Document Set L, не дадут преимуществ в рамках данного алгоритма персонализации.
• Игнорирование репутации источников ссылок: Получение ссылок с сайтов, которые ваша аудитория считает недоверенными (даже если они авторитетны), может привести к негативной персонализации из-за отрицательных Bias Weights.
• Игнорирование пользовательского опыта: Плохой UX может привести к тому, что сайт попадет в Set F с отрицательным весом (distrusted document), что приведет к понижению связанных с ним результатов.

Стратегическое значение

Патент подчеркивает синергию между глобальной авторитетностью (традиционное SEO, PageRank) и персональным доверием/вовлеченностью (брендинг, маркетинг). Чтобы максимально использовать возможности персонализированного поиска, сайт должен преуспеть в обоих направлениях. Этот механизм объясняет, почему пользователи с разной историей посещений и интересами могут видеть существенно различающиеся результаты поиска по одному и тому же запросу, отдавая предпочтение контенту, связанному с их привычными источниками информации.

Практические примеры

Сценарий: Персонализация выдачи для разработчика

1. Формирование предпочтений: Пользователь — разработчик, который часто посещает Stack Overflow (SO) и MDN Web Docs. Эти сайты попадают в его Document Bias Set F с высокими весами W_F.
2. Определение качества: Google считает SO и MDN высокоавторитетными ресурсами. Они входят в High Quality Document Set L. Следовательно, SO и MDN находятся в пересечении (F∩L).
3. Запрос: Пользователь ищет «лучшая библиотека для визуализации данных JavaScript».
4. Результаты поиска (Set R): В стандартной выдаче присутствуют официальные сайты библиотек (D3.js, Chart.js) и несколько блогов с обзорами.
5. Применение алгоритма: Система обнаруживает, что на страницу Chart.js есть несколько ссылок с релевантных обсуждений на Stack Overflow (источник из F∩L).
6. Корректировка и результат: Вес Chart.js увеличивается на вес предпочтения Stack Overflow (W = W_L(Chart.js) + W_F(SO)). В персонализированной выдаче этого пользователя Chart.js может ранжироваться выше, чем в стандартной выдаче.

Вопросы и ответы