Surgen detalles sobre el algoritmo de frescura SDF de Google Discover
Google publicó una nueva investigación sobre cómo mejorar Google Discover con un sistema más preciso para identificar y eliminar contenido obsoleto. Google ya utiliza el nuevo sistema, Supersession-Decay Filtering (SDF), y está afectando el contenido que se muestra a los usuarios.
El filtrado de supersesión-desintegración (SDF) ya está en uso
La palabra “reemplazar” se deriva de la palabra “reemplazar” e identificar cuándo el contenido más nuevo ha reemplazado el contenido anterior es una de las dos cosas que hace este sistema. La palabra “decaimiento” se relaciona con la otra cosa que hace el sistema, que es predecir cuándo se pierde la utilidad del contenido debido a la disminución de la relevancia.
Lo que puede resultar impactante para la comunidad editorial y de SEO es que este sistema lleva dos años en uso. Eso significa que los editores, los propietarios de sitios y los SEO deben ponerse al día. Los detalles de este sistema tienen implicaciones para el contenido y las estrategias de interconexión.
Las conclusiones clave son:
- Utiliza dos filtros para eliminar proactivamente contenido obsoleto.
- Una vez que se elimina el contenido obsoleto, los sistemas de clasificación posteriores, que incluyen señales de participación del usuario y sistemas “conscientes de las tendencias”, pueden clasificar las páginas web en Google Discover.
El artículo de investigación explica:
“Abordamos ambos mecanismos con SDF (Supersession-Decay Filtering), un sistema unificado de filtrado de obsolescencia implementado en Google Discover, una fuente personalizada de contenido web abierto en la aplicación de búsqueda de Google, que sirve a cientos de millones de usuarios diarios y miles de millones de usuarios activos mensuales. Si bien los sistemas de clasificación posteriores siguen estando basados en la participación y atentos a las tendencias, SDF actúa como una capa de filtrado proactivo. Elimina contenido fundamentalmente obsoleto antes de que entre en la etapa de clasificación de cálculo pesado, proporcionando un candidato refinado set. SDF logra esto descomponiendo el problema en dos componentes complementarios…”
El artículo de investigación continúa describiendo dos filtros que están en el corazón del SDF.
Motores de recomendación y frescura
La mayoría de la gente sabe qué es un motor de búsqueda. Hay otros tipos de motores y uno de ellos se llama motor de recomendación. Google Discover y YouTube son ejemplos de motores de recomendación.
Además de hacer coincidir el contenido con los intereses de los usuarios, un motor de recomendaciones muestra contenido nuevo. La frescura es un factor de clasificación clave para Google Discover, es lo que prefieren los usuarios. Los investigadores descubrieron una forma de predecir de forma proactiva qué contenido ya no está actualizado y utilizar esa información para eliminar el contenido obsoleto antes de que llegue a los usuarios.
Por qué fallan las métricas de participación del usuario y la fecha de publicación
Los métodos tradicionales para identificar contenido obsoleto se basan en fechas límite de publicación y métricas de participación del usuario que indican que las personas dejaron de interactuar con un tema.
Los investigadores explicaron que la fecha de publicación no indica de manera confiable si el contenido sigue siendo relevante o útil para los usuarios.
- El contenido puede quedar obsoleto poco después de su publicación cuando es reemplazado por información más nueva.
- El contenido también puede volverse obsoleto debido a la decadencia de relevancia, que es cuando su utilidad disminuye con el tiempo, incluso cuando no es reemplazado por contenido más nuevo.
- Otro problema con el uso de fechas límite es que se puede impedir la visualización de contenido imperecedero relevante y útil.
- Las fechas de publicación solo miden cuándo se publicó algo y no si es relevante o si ha sido reemplazado.
Métricas de participación del usuario
Las métricas de participación del usuario se quedan cortas porque los sistemas basados en la participación son reactivos. Las señales se interpretan mucho después de que los usuarios ya hayan decidido que el contenido está obsoleto.
Filtrado de supersesión-decaimiento (SDF)
La palabra “reemplazar” se deriva de la palabra “reemplazar” y reemplazar contenido obsoleto con contenido más nuevo es de lo que se trata este sistema. Los investigadores desarrollaron el filtrado de supersesión-decaimiento (SDF) como una forma de detectar de forma proactiva cuándo el contenido está obsoleto debido a información más nueva y para predecir cuándo el contenido pierde relevancia de forma natural.
- Supersesion
El primer filtro identifica el contenido que ha quedado obsoleto porque la información más nueva lo ha reemplazado (sustitución). La IA evalúa la relación entre el contenido más antiguo y el más nuevo para detectar si la información anterior sigue siendo útil. - Decaimiento de relevancia
El segundo filtro impulsado por IA evalúa el contenido para predecir cuándo perderá su utilidad, incluso si nada nuevo lo ha reemplazado. Otro filtro impulsado por IA predice cuándo el contenido perderá relevancia.
Juntos, eliminan recomendaciones obsoletas antes de que lleguen al sistema de clasificación, lo que mejora la actualización del contenido y al mismo tiempo reduce los costos informáticos.
SDF bloquea el contenido de la clasificación
Los dos filtros (Supersession y Relevance Decay) funcionan juntos como un solo sistema. Si cualquiera de los filtros identifica contenido obsoleto, ese contenido no será elegible para clasificarse en Google Discover. El contenido que puede pasar ambos filtros sigue siendo elegible.
Los resultados de las pruebas
Los investigadores descubrieron que SDF reducía las recomendaciones de contenido obsoleto en comparación con los métodos tradicionales. La participación de los usuarios mostró ganancias modestas, mejorando la participación de los usuarios y la diversidad de contenido. Durante dos años de implementación, las quejas de los usuarios sobre contenido obsoleto disminuyeron en un 54,9%. El sistema también redujo los costos informáticos al eliminar el contenido obsoleto antes de clasificar.
Comidas para llevar
El artículo de investigación se titula Descomponer el estancamiento en los sistemas de recomendación: un marco de doble filtro para la sustitución y el deterioro. Creo que el SDF de Google hace que sea imperativo que los editores tengan respuestas para:
- ¿Qué porcentaje del contenido debería ser imperecedero?
Este es el contenido que mantendrá el sitio con tráfico para consultas que sean útiles e informativas para los usuarios. - ¿Qué porcentaje tiene una ventana de relevancia limitada? ¿Existe un plan para actualizar el contenido cuando queda obsoleto?
- ¿Qué porcentaje del contenido es noticia y tiene una breve ventana de relevancia?
Idealmente, es importante cubrir todas las noticias de última hora que sean relevantes para una audiencia.
Es importante saber cuánto tiempo el contenido seguirá siendo relevante porque puede utilizarse para tomar decisiones sobre la interconexión de artículos. Muchos complementos y sistemas basados en inteligencia artificial para interconectar contenido se basan en la relevancia semántica. El nuevo sistema SDF de Google añade la dimensión de frescura a ese cálculo.
Imagen destacada de Shutterstock/JHVEPhoto
