Linkrelevanz und kontextuelle Nutzersignale [Google-Patent]

Im November 2020 veröffentlichte Google LLC das Patent US 2020/0349181 A1 mit dem Titel „Contextual Estimation of Link Information Gain“. Die Erfinder Victor Carbune und Pedro Gonnet entwickelten dieses Patent, um die Relevanz von Suchergebnissen durch die Berechnung des Informationsgewinns eines Dokuments zu verbessern.

Dabei wird analysiert, wie viel neue Information ein Dokument im Vergleich zu bereits angesehenen Dokumenten bietet. Das Ziel des Systems ist es, Nutzern relevante, neue Informationen anzuzeigen und redundante Inhalte zu vermeiden.

Das Patent beschreibt, wie mithilfe von maschinellem Lernen und semantischer Analyse ein „Informationsgewinn-Score“ für jedes Dokument erstellt wird. Dieser Score misst, wie viel neues Wissen ein Nutzer durch das Lesen eines Dokuments gewinnen kann, im Vergleich zu den Informationen, die er bereits durch andere Dokumente erhalten hat. Das System soll dadurch sicherstellen, dass Nutzer immer die aktuellsten und relevantesten Inhalte erhalten.

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

Das Patent diskutiert verschiedene Nutzersignale im Kontext der Relevanz von Dokumenten und deren Informationsgewinnen:

• Verhalten des Nutzers: Das System berücksichtigt, welche Dokumente ein Nutzer bereits angesehen hat, um doppelte Informationen zu vermeiden und dem Nutzer nur neue, relevante Informationen anzuzeigen.
• Informationsgewinn-Score: Der Informationsgewinn wird als Bewertungsfaktor genutzt, um Dokumente basierend auf dem neuen Wissen zu bewerten, das sie bieten. Dieser Score hilft, die Ergebnisse so zu ranken, dass dem Nutzer neue und relevante Informationen angezeigt werden.
• Maschinelles Lernen und semantische Analyse: Das System nutzt Modelle des maschinellen Lernens, um die semantische Ähnlichkeit zwischen neuen und bereits angesehenen Dokumenten zu berechnen und auf dieser Grundlage den Informationsgewinn zu ermitteln.

Mögliche Fragen und Antworten zum Thema Nutzersignale als Google-Rankingfaktor

Wie nutzt das System den Informationsgewinn-Score, um Suchergebnisse zu bewerten?

Der Informationsgewinn-Score zeigt an, wie viel neues Wissen ein Dokument im Vergleich zu bereits angesehenen Dokumenten enthält. Das System verwendet diesen Score, um neue Dokumente zu priorisieren, die dem Nutzer zusätzlichen Nutzen bieten.

Wie vermeidet das System die Anzeige von redundanten Informationen?

Das System analysiert die Dokumente, die der Nutzer bereits angesehen hat, und bewertet, wie viel neues Wissen ein weiteres Dokument enthält. Wenn ein neues Dokument keinen zusätzlichen Informationsgewinn bietet, wird es nicht priorisiert.

Wie helfen Nutzersignale, den Informationsgewinn eines Dokuments zu berechnen?

Nutzersignale, wie das Verhalten eines Nutzers auf Suchergebnisseiten und die bereits betrachteten Dokumente, werden verwendet, um zu berechnen, wie viel neues Wissen in einem weiteren Dokument enthalten ist. Diese Signale helfen, die relevantesten Dokumente für den Nutzer auszuwählen.

Wie trägt maschinelles Lernen zur Bestimmung des Informationsgewinns bei?

Das System verwendet maschinelles Lernen, um die semantische Ähnlichkeit von Dokumenten zu analysieren und zu bestimmen, welche Informationen neu und wertvoll für den Nutzer sind. Diese Analyse hilft dabei, die Suchergebnisse dynamisch zu priorisieren.

Was passiert, wenn ein Dokument sowohl neue als auch redundante Informationen enthält?

Das System bewertet den Gesamtinformationsgewinn eines Dokuments und priorisiert es nur, wenn der Anteil der neuen Informationen groß genug ist, um dem Nutzer zusätzlichen Nutzen zu bieten.

Wie werden Dokumente gerankt, wenn mehrere als relevant eingestuft werden?

Dokumente werden basierend auf ihrem Informationsgewinn-Score gerankt. Der Score berücksichtigt, wie viel neues Wissen das Dokument im Vergleich zu den bereits angesehenen Dokumenten bietet.

Kann der Nutzer das System beeinflussen, indem er weitere Dokumente ansieht?

Ja, das System aktualisiert kontinuierlich die Informationsgewinn-Scores, während der Nutzer neue Dokumente betrachtet. Dadurch wird die Liste der angezeigten Dokumente dynamisch angepasst, um den größten Nutzen zu bieten.

Wie hilft der Informationsgewinn bei der Verbesserung der Suchergebnisse?

Der Informationsgewinn sorgt dafür, dass Nutzer stets neue und relevante Informationen erhalten, ohne sich durch redundante Inhalte zu arbeiten. Dies verbessert das Sucherlebnis erheblich.