Google Discover внедрил SDF для фильтрации устаревшего контента
Google опубликовал исследование о системе Supersession-Decay Filtering (SDF), которая уже работает в Google Discover и отсекает устаревший контент до этапа ранжирования. По данным исследователей, за два года работы жалобы пользователей на устаревшие материалы снизились на 54,9%.
Главное в цифрах
- Жалобы пользователей на устаревший контент: снижение на 54,9% за два года работы
- Аудитория Google Discover: сотни миллионов ежедневных и миллиарды ежемесячных пользователей
Система SDF решает две задачи. Первая, определить, когда более новый материал вытеснил старый (supersession). Вторая, предсказать, когда контент теряет актуальность из-за снижения релевантности (decay). Оба фильтра работают как единая система: если любой из них признаёт материал устаревшим, он не допускается к ранжированию в Discover. Материалы, прошедшие оба фильтра, остаются в выборке.
Google Discover, персонализированная лента открытого веба в приложении Google Search, которой пользуются сотни миллионов человек ежедневно и миллиарды ежемесячно. По словам авторов, последующие системы ранжирования по-прежнему опираются на вовлечённость и тренды, а SDF работает как проактивный фильтр, который отсекает заведомо устаревший контент до наиболее ресурсоёмкого этапа.
Почему дата публикации и вовлечённость не работают
Традиционные методы опираются на даты публикации и на метрики вовлечённости, которые показывают, что люди перестали интересоваться темой. Исследователи отмечают, что дата публикации не отражает надёжно, насколько материал остаётся полезным. Сигналы вовлечённости, в свою очередь, реактивны: их начинают учитывать уже после того, как пользователи решили, что контент устарел.
По данным исследования, SDF сократил показ устаревших рекомендаций по сравнению с традиционными методами, а вовлечённость и разнообразие контента выросли умеренно. Система также снизила вычислительные затраты, так как устаревшие материалы убираются до ранжирования.
Что это значит для издателей
Исследование называется «Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay». Автор исходного материала отмечает, что SDF меняет подход к перелинковке: многие плагины и AI-системы подбирают связанные статьи по семантической близости, а SDF добавляет к этому расчёту измерение свежести. Для издателей и SEO-специалистов это означает, что обновление старых материалов и перелинковка могут влиять на видимость в ленте, поэтому стоит пересмотреть работу с контентом.
