Entflechtung von Relevanz und Bias [Google Research]

Das Dokument mit dem Titel „Towards Disentangling Relevance and Bias in Unbiased Learning to Rank“ wurde im Jahr 2023 veröffentlicht und von einem Team von Forschern der University of Illinois Urbana-Champaign und Google Research verfasst. Zu den Autoren gehören Yunan Zhang, Le Yan, Zhen Qin, Honglei Zhuang, Jiaming Shen, Xuanhui Wang, Michael Bendersky und Marc Najork.

Dieses Forschungspapier beschäftigt sich mit einem zentralen Problem, das viele moderne Ranking-Algorithmen betrifft: der Verzerrung durch Nutzersignale, insbesondere Klicks. Häufig klicken Nutzer eher auf Ergebnisse, die höher in den Suchergebnissen erscheinen, selbst wenn diese Ergebnisse nicht unbedingt die relevantesten Informationen bieten. Diese sogenannte Positionsverzerrung kann die Qualität der Suchergebnisse beeinträchtigen und führt zu einer fehlerhaften Einschätzung der Relevanz von Inhalten.

Das Ziel der Studie ist es, eine Lösung für dieses Problem zu finden, indem sie ein Modell entwickelt, das zwischen der tatsächlichen Relevanz eines Suchergebnisses und den Verzerrungen durch dessen Platzierung trennt.

Die Forscher schlagen ein „Unbiased Learning to Rank“-Modell (ULTR) vor, das auf zwei Türmen basiert: Einer bewertet die tatsächliche Relevanz eines Suchergebnisses, während der andere die Verzerrung, die durch die Positionierung in den Suchergebnissen entsteht, berechnet.

Dadurch können die Suchmaschinen lernen, welche Ergebnisse tatsächlich relevant sind, unabhängig davon, wie hoch oder niedrig sie in den Suchergebnissen platziert sind. Ziel ist es, die Nutzererfahrung zu verbessern und gleichzeitig Verzerrungen, die durch Klicks entstehen, zu minimieren.

Beachte, dass eine Patentanmeldung nicht zwangsläufig bedeutet, dass die beschriebenen Methoden genau so im Google-Ranking umgesetzt werden. Dennoch liefern Google-Patente wertvolle Einblicke in die Themen, mit denen sich die Entwickler befassen, und geben wichtige Hinweise darauf, welche Faktoren für das Suchmaschinenranking relevant sein könnten.

Wichtige Aussagen zu Nutzersignalen als Rankingfaktor

• Klicks als Signal: Klickdaten werden als stark verzerrt betrachtet, da Nutzer oft auf Ergebnisse klicken, die höher auf der Seite platziert sind, unabhängig von der tatsächlichen Relevanz. Diese Verzerrung muss bei der Berechnung der Relevanz von Ergebnissen berücksichtigt werden.
• Positionsverzerrung: Suchergebnisse, die höher platziert sind, erhalten häufiger Klicks, was zu falschen Rückschlüssen über ihre Relevanz führt. Das Modell versucht, die Verzerrung durch diese Platzierung zu trennen.
• Unabhängigkeit von Relevanz und Position: Das Modell strebt danach, die Relevanz eines Ergebnisses unabhängig von seiner Position auf der Seite zu bewerten, um eine faire Bewertung zu ermöglichen.

Mögliche Fragen und Antworten zum Thema Nutzersignale als Google-Rankingfaktor

Wie beeinflusst die Position eines Suchergebnisses die Klickwahrscheinlichkeit?

Suchergebnisse, die höher auf der Seite angezeigt werden, erhalten tendenziell mehr Klicks, unabhängig von ihrer tatsächlichen Relevanz. Diese Positionsverzerrung führt dazu, dass Klickdaten möglicherweise die Relevanz eines Ergebnisses falsch darstellen.

Was ist das Ziel von „Unbiased Learning to Rank“ (ULTR)?

Das Ziel von ULTR ist es, die Verzerrungen, die durch Nutzerinteraktionen wie Klicks entstehen, zu verringern und die Relevanz von Suchergebnissen korrekt zu bewerten, unabhängig von ihrer Position auf der Seite.

Welche Rolle spielen Nutzersignale wie Klicks bei der Bewertung von Suchergebnissen?

Klicks sind ein nützliches Signal, um die Relevanz von Suchergebnissen zu bewerten, aber sie können verzerrt sein, wenn sie durch die Platzierung eines Ergebnisses beeinflusst werden. ULTR-Methoden versuchen, diese Verzerrungen zu eliminieren.

Wie trennt das Modell Relevanz von Platzierungsverzerrungen?

Das Modell verwendet zwei Türme: Einen zur Ermittlung der tatsächlichen Relevanz und einen zur Berechnung der Verzerrung durch die Platzierung. Durch diese Trennung kann das Modell die Relevanz unabhängig von der Position des Ergebnisses bewerten.

Kann das Modell die Verzerrung durch Nutzerklicks vollständig eliminieren?

Das Modell versucht, die Verzerrungen zu minimieren, indem es die Relevanz und die Platzierung trennt, aber es kann Verzerrungen nicht vollständig eliminieren. Es macht jedoch erhebliche Fortschritte bei der Verbesserung der Genauigkeit von Ranking-Systemen.

Wie hilft das Modell, die Qualität von Suchergebnissen zu verbessern?

Durch die Trennung von Relevanz und Platzierung kann das Modell die tatsächliche Relevanz eines Ergebnisses genauer bewerten und dadurch bessere Suchergebnisse liefern.

Warum sind Klickdaten manchmal nicht zuverlässig für die Bewertung von Suchergebnissen?

Klickdaten sind oft verzerrt, da Nutzer tendenziell auf höher platzierte Ergebnisse klicken, auch wenn diese nicht unbedingt die relevantesten sind. Diese Verzerrung führt zu einer fehlerhaften Bewertung der Suchergebnisse.

Wie wird die Relevanz von Suchergebnissen ohne Berücksichtigung der Position bewertet?

Das Modell verwendet einen separaten „Relevanz-Turm“, der die Relevanz unabhängig von der Position des Ergebnisses auf der Seite bewertet, indem es sich auf andere Merkmale als den Inhalt des Ergebnisses konzentriert.

Welche Herausforderungen bestehen bei der Trennung von Relevanz und Platzierungsverzerrungen?

Eine der größten Herausforderungen besteht darin, dass frühere Ranking-Modelle oft stark auf Klickdaten angewiesen sind, die durch Platzierungsverzerrungen beeinflusst werden. Diese Verzerrung muss „entlernt“ werden, um genaue Relevanzbewertungen zu ermöglichen.

Wie wirken sich Verzerrungen auf das Ranking in Echtzeitsystemen aus?

Verzerrungen führen dazu, dass Echtzeitsysteme, wie sie in Suchmaschinen verwendet werden, fälschlicherweise hoch platzierte Ergebnisse bevorzugen, auch wenn diese weniger relevant sind. Dies kann zu einer schlechteren Nutzererfahrung führen.

Optimiere deine Rankings mit evidenzbasierten Nutzersignalen

Die Erkenntnisse aus dem Google-Patent unterstreichen die entscheidende Rolle von Nutzersignalen für das Ranking. Lass uns gemeinsam schauen, wie diese Informationen deine SEO-Strategie (oder die deiner Kunden) transformieren können.

Unser spezialisierter Service, basierend auf über 10 Jahren Erfahrung im Einsatz von Nutzersignalen, setzt diese Erkenntnisse gezielt für dich um:

• Generierung authentischer Suchanfragen: Wir erzeugen echte Nutzerinteraktionen von Menschen aus unserem Netzwerk, die exakt den in den Patenten beschriebenen Signalen entsprechen.
• Individuelle Anpassung: Jede Suchanfrage wird sorgfältig auf dein spezifisches Projekt (oder das deiner Kunden) und die relevanten Keywords abgestimmt.
• Datengesteuerte Optimierung: Unsere fortschrittliche Software überwacht und justiert kontinuierlich unter Berücksichtigung relevanter Faktoren wie Suchvolumen, Keyword-Schwierigkeit und Wettbewerbslandschaft.

Möchtest du erfahren, wie wir diese evidenzbasierten Methoden einsetzen können, um dein Ranking oder das deiner Kunden nachhaltig zu verbessern?

Dann vereinbare jetzt ein kostenloses Erstgespräch mit uns. Wir analysieren deine aktuelle Situation und zeigen dir, wie du von unserer Expertise profitieren kannst – egal ob für deine eigene Website oder für deine Agenturkunden.