Come Google decide cosa mostrare in Discover: cosa rivela il nuovo sistema di ranking
Google Discover non deve scegliere soltanto quale articolo mostrare a un utente. Deve confrontare, nello stesso feed, contenuti molto diversi tra loro: articoli web, video lunghi e brevi, contenuti generati dagli utenti, card sportive e anche nuovi formati arricchiti dall’intelligenza artificiale.
Google Discover è il feed personalizzato di Google che suggerisce contenuti agli utenti in base ai loro interessi, senza che sia necessario effettuare una ricerca. È disponibile principalmente nell’app Google e su molti dispositivi Android e può mostrare articoli, video e altri contenuti selezionati automaticamente dai sistemi di raccomandazione di Google.
A differenza della Search, quindi, Discover non parte da una query: è Google a decidere quali contenuti potrebbero interessare a ciascun utente e in quale ordine mostrarli. È una differenza importante in una fase in cui anche la ricerca tradizionale sta cambiando profondamente con l’introduzione di AI Overview e delle nuove esperienze basate sull’intelligenza artificiale. Su questo tema abbiamo analizzato anche l’impatto di Google AI Overview sul traffico organico.
Ed è proprio questa varietà a rendere il ranking particolarmente complesso. Come si confrontano, all’interno dello stesso feed, un articolo web, un video, un contenuto UGC o una card generata con l’AI? E come si evita che il formato con più dati disponibili finisca per essere sistematicamente favorito?
Un nuovo paper firmato da ricercatori Google (link in bibliografia) descrive come questa eterogeneità venga affrontata in un sistema di raccomandazione industriale come Discover. Il lavoro introduce una nuova architettura chiamata HA-MoE, progettata per consentire al modello di specializzarsi in funzione del tipo e del contesto del contenuto senza aumentare in modo significativo i costi di elaborazione.
Il paper è particolarmente interessante perché non si limita a proporre un modello teorico: descrive un caso d’uso basato su Google Discover, analizza problemi osservati nel ranking e riporta sia valutazioni offline sia risultati ottenuti attraverso test A/B sul traffico reale.
In breve
- Google Discover utilizza un ranking unificato per confrontare formati di contenuto molto differenti.
- Un unico modello condiviso può favorire i formati dominanti e penalizzare contenuti validi appartenenti a categorie minoritarie.
- HA-MoE utilizza più “esperti” e segnali espliciti sul tipo e sul contesto del contenuto per specializzare il ranking.
- Nel caso analizzato, il nuovo approccio ha ridotto uno squilibrio storico tra articoli web e video e ha prodotto miglioramenti anche nei test condotti sul traffico reale.
Il problema: come confrontare un articolo con un video?
Molti sistemi di raccomandazione operano in ambienti relativamente omogenei. Una piattaforma musicale raccomanda principalmente brani; una piattaforma dedicata ai video brevi confronta oggetti che condividono formato e modalità di fruizione relativamente simili.
Google Discover ha un problema differente: costruisce un unico feed personalizzato partendo dal web aperto e da contenuti con caratteristiche molto diverse.
Anche i segnali utilizzati per interpretare l’interesse degli utenti cambiano in base al formato. Per un articolo il click può rappresentare un’interazione significativa; per un video diventano importanti il consumo e il tempo di visualizzazione; altri formati possono generare permanenza o interazioni senza produrre necessariamente un click.
Articoli web
Il click è uno dei segnali naturali di interazione, ma ottimizzare eccessivamente per il CTR può favorire contenuti capaci di attirare il click senza essere necessariamente i più utili.
Video e UGC
Il valore può emergere da modalità di consumo differenti, come tempo di visualizzazione, interazioni e permanenza.
Nuovi formati
Card sportive, contenuti commerciali e formati arricchiti dall’AI possono avere quantità e tipologie di segnali storici molto differenti.
Secondo gli autori, questa eterogeneità genera due problemi distinti: eterogeneità dei dati, perché i contenuti non dispongono degli stessi metadati e segnali, ed eterogeneità delle interazioni, perché gli utenti non si comportano allo stesso modo davanti a ogni formato.
Quando il formato più diffuso finisce per dominare il ranking
Il precedente modello di produzione descritto nel paper utilizza una rappresentazione condivisa e undici diversi obiettivi di previsione, destinati a stimare interazioni positive e negative degli utenti.
Un approccio di questo tipo è efficiente, ma obbliga la stessa rappresentazione interna a funzionare per contenuti profondamente differenti.
Il rischio è quello che i ricercatori definiscono minority-type collapse: i contenuti appartenenti ai formati con più traffico, più dati o feature più ricche possono condizionare maggiormente il modello, penalizzando formati meno rappresentati.
Un esempio significativo: il clickbait
Gli autori osservano che un modello orientato principalmente all’ottimizzazione globale del click-through rate può finire per favorire articoli web di qualità inferiore ma molto efficaci nel generare click rispetto a video o contenuti UGC di maggiore valore.
È un punto importante: massimizzare un singolo segnale di engagement non equivale necessariamente a costruire il feed migliore per l’utente.
HA-MoE: diversi “esperti” per comprendere contenuti diversi
Per affrontare il problema Google introduce Heterogeneity-Adaptive Multi-gated Mixture-of-Experts, o HA-MoE.
Una Mixture-of-Experts può essere immaginata, semplificando, come un modello composto da più reti specializzate. Un meccanismo di gating decide quanto peso assegnare ai diversi esperti quando deve produrre una previsione.
La particolarità di HA-MoE è che il modello riceve esplicitamente informazioni relative all’eterogeneità del contenuto. Tra gli esempi riportati nel paper ci sono il tipo di contenuto, la relazione con un creator seguito dall’utente, la presenza di contenuti shoppable e le card arricchite dall’intelligenza artificiale.
Questi segnali vengono utilizzati sia per scegliere come combinare gli esperti sia per adattarne dinamicamente le rappresentazioni.
In termini più semplici
Google non chiede necessariamente allo stesso modello di giudicare un articolo, un video e una nuova card AI attraverso una rappresentazione identica. Il sistema può modificare il modo in cui utilizza le proprie capacità interne in funzione del contenuto che sta valutando.
Tre esempi descritti nel paper
Gli autori spiegano il concetto attraverso alcuni scenari particolarmente intuitivi.
- Video: il modello può orientarsi maggiormente verso pattern legati al consumo di contenuti visuali.
- Creator seguito dall’utente: può ridurre il peso della popolarità globale e valorizzare maggiormente l’affinità tra utente e creator.
- Card con contenuti generativi AI: in presenza di pochi dati storici di interazione, il modello può affidarsi maggiormente alle informazioni semantiche disponibili nel contenuto.
L’obiettivo non è quindi applicare una regola diversa scritta manualmente per ogni formato, ma consentire al modello di specializzarsi dinamicamente sulla base del contesto.
Come misurare un ranking che deve confrontare contenuti diversi?
Anche la valutazione del modello presenta un problema. Una metrica globale può mostrare un miglioramento complessivo e contemporaneamente nascondere una penalizzazione sistematica di una particolare categoria di contenuti.
Per affrontare questo aspetto il paper introduce Dual-Level AUC (DL-AUC), una metrica che combina due prospettive:
- la qualità complessiva del ranking;
- la correttezza del confronto tra segmenti e tipologie differenti di contenuto.
Nel deployment descritto dagli autori, la componente globale riceve un peso dell’80%, mentre il restante 20% serve a preservare la correttezza del confronto tra i diversi tipi di contenuto.
L’obiettivo è evitare situazioni nelle quali il miglioramento ottenuto sui contenuti più numerosi nasconda un peggioramento importante sui formati minoritari.
Il caso degli articoli web contro i video
Uno dei risultati più interessanti riguarda un problema storico osservato dagli autori: la tendenza del precedente modello a sottovalutare i video rispetto agli articoli web.
Per verificarlo Google confronta direttamente la capacità del modello di distinguere contenuti positivi e negativi appartenenti ai due formati.
| Modello | Web positivo vs video negativo | Video positivo vs web negativo | Gap |
|---|---|---|---|
| Shared MLP | 0,971 | 0,830 | 0,141 |
| HA-MoE | 0,960 | 0,900 | 0,060 |
Con il precedente modello, il divario tra le due direzioni del confronto raggiungeva 0,141. Con HA-MoE scende a 0,060.
Secondo gli autori, il nuovo approccio riduce quindi la situazione in cui articoli web di scarso valore riescono a superare nel ranking video di qualità maggiore.
Il dato è interessante anche perché mostra quanto una metrica aggregata possa nascondere problemi reali: un sistema può sembrare complessivamente migliore pur continuando a trattare in modo squilibrato categorie differenti di contenuto.
LENS: osservare cosa fanno realmente gli esperti
Un sistema basato su Mixture-of-Experts introduce però un’altra difficoltà: capire se gli esperti stanno realmente sviluppando specializzazioni differenti oppure se il modello sta tornando a utilizzare prevalentemente la stessa parte della rete.
Per questo gli autori introducono LENS, Latent Expert Network Specialization, un framework di osservabilità che permette di analizzare il modo in cui gli esperti vengono utilizzati.
Le visualizzazioni presentate nel paper mostrano un comportamento interessante:
- azioni universali e comuni ai diversi contenuti tendono a utilizzare esperti condivisi;
- azioni universali ma più rare possono distribuire il lavoro su più esperti;
- interazioni fortemente dipendenti dal formato portano invece a una maggiore specializzazione degli esperti.
LENS viene inoltre utilizzato per confrontare diversi snapshot del modello e individuare eventuali anomalie o perdita di specializzazione durante i continui cicli di retraining.
Cosa è successo nei test sul traffico reale di Discover
Il paper non si ferma alla valutazione offline. HA-MoE è stato sperimentato attraverso più test della durata di sette giorni sull’1% del traffico live di Google Discover, confrontandolo con il precedente modello di produzione.
| Metrica | Variazione riportata |
|---|---|
| Daily Active Users | +0,22% |
| Viewed Impressions | +0,48% |
| Scroll Depth | +0,34% |
| Diverse Feed Rate | +0,36% |
| Diverse Engagement Rate | +0,54% |
Le variazioni percentuali possono sembrare piccole, ma sono misurate su un prodotto utilizzato su scala globale.
Particolarmente interessante è il miglioramento delle metriche legate alla diversità del feed e delle interazioni: secondo gli autori, gli utenti hanno esplorato più in profondità il feed, hanno ricevuto una maggiore varietà di contenuti e hanno interagito con una gamma più ampia di formati.
Cosa significa tutto questo per SEO e content strategy?
Il paper non è una guida SEO e non fornisce nuovi fattori di ranking da applicare alle pagine. Sarebbe quindi scorretto concludere che utilizzare un determinato formato, inserire un video o modificare una metrica permetta automaticamente di ottenere maggiore visibilità in Discover.
Fornisce però indicazioni interessanti sulla direzione dei sistemi di raccomandazione e, più in generale, sull’evoluzione della visibilità dei contenuti in un ecosistema nel quale Search, sistemi di recommendation e risposte generate dall’AI convivono sempre di più. È un cambiamento che riguarda anche il rapporto tra SEO, GEO e posizionamento del brand nei sistemi di intelligenza artificiale.
1. Il formato del contenuto conta
Articoli, video e altri oggetti non generano gli stessi segnali e non vengono necessariamente interpretati nello stesso modo. Il sistema descritto da Google cerca esplicitamente di modellare queste differenze.
2. Più click non significa automaticamente contenuto migliore
Il paper evidenzia i limiti di un’ottimizzazione troppo concentrata sul CTR. È un’ulteriore ragione per evitare titoli clickbait e lavorare invece su contenuti capaci di generare interesse senza creare aspettative ingannevoli.
3. Google vuole evitare che un formato dominante soffochi gli altri
La riduzione del gap tra articoli web e video mostra che la diversità non è soltanto un effetto collaterale del feed: è qualcosa che il sistema cerca di preservare anche durante la valutazione del ranking.
4. La qualità deve essere interpretata nel contesto
Un’interazione utile per misurare un articolo non è necessariamente quella più significativa per un video, per un creator seguito o per un nuovo formato AI. Il ranking tende quindi a diventare più contestuale e meno dipendente da una rappresentazione uniforme di tutti i contenuti.
Cosa il paper non ci dice
È importante non attribuire alla ricerca conclusioni che gli autori non formulano.
- Il paper riguarda Google Discover e non dimostra che lo stesso modello venga utilizzato per il ranking delle normali SERP di Google Search.
- Non fornisce una lista di fattori SEO per ottenere maggiore visibilità in Discover.
- Non significa che ogni contenuto di Discover venga classificato esclusivamente attraverso HA-MoE.
- I dati utilizzati per l’addestramento sono proprietari e non vengono resi pubblici.
- Il lavoro descrive un caso di implementazione industriale e non l’intera architettura di Google Discover.
Il valore del documento sta piuttosto nel mostrarci, dall’interno, alcuni dei problemi che Google deve affrontare quando articoli, video, UGC e nuovi formati AI competono per lo stesso spazio all’interno di un feed personalizzato.
Dal ranking del singolo contenuto all’orchestrazione dell’intero feed
La conclusione del paper offre infine un’indicazione interessante sulla possibile evoluzione futura.
Tra le aree di ricerca citate dagli autori figurano meccanismi di gating più sofisticati, nuovi sistemi di routing, una maggiore attenzione al contesto dell’utente e approcci potenziati attraverso i Large Language Model.
L’obiettivo dichiarato è andare progressivamente oltre la valutazione del singolo elemento e arrivare alla feed-level orchestration: non decidere soltanto quanto sia interessante un singolo articolo o video, ma ottimizzare l’insieme dei contenuti mostrati e le loro relazioni nel corso della sessione.
Il cambiamento di prospettiva
La domanda da farsi ora, rispetto a prima, diventa
Come funziona questo contenuto all’interno del feed, rispetto agli altri formati e rispetto a ciò che l’utente ha già visto?
Conclusioni
Il nuovo lavoro di Google su Discover mostra quanto sia diventato complesso classificare contenuti in un ambiente nel quale articoli, video, contenuti generati dagli utenti e formati AI devono convivere nello stesso feed.
HA-MoE affronta il problema permettendo al modello di specializzarsi sulla base del tipo e del contesto del contenuto. I risultati presentati mostrano una riduzione degli squilibri tra formati differenti e miglioramenti sia nell’attività degli utenti sia nella diversità dei contenuti esplorati.
Per chi lavora nella SEO e nella content strategy il messaggio più interessante non è l’esistenza di un nuovo algoritmo da “ottimizzare”, ma il passaggio verso sistemi di ranking capaci di valutare la qualità in modo sempre più contestuale, multimodale ed eterogeneo.
In questo scenario diventa ancora più importante produrre contenuti riconoscibili, utili e coerenti con il formato attraverso il quale vengono fruiti, senza affidarsi esclusivamente a metriche superficiali come il click.
Fonte e approfondimenti
Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study
Di Bai, Jintao Liu, Zhenwei Tang, Peifan Wu, Nada Al-Thawr, Luoshu Wang – Google
Paper dedicato al ranking multi-task di contenuti eterogenei in Google Discover e alla progettazione di HA-MoE, LENS e DL-AUC.
L’articolo interpreta i risultati descritti dagli autori nel contesto della SEO e della content strategy. Il paper non rappresenta una documentazione completa degli algoritmi di Google Discover e non introduce nuovi fattori di ranking dichiarati da Google Search.
Continua a leggere
22 minuti di lettura
28 minuti di lettura
25 minuti di lettura
E fa consumare meno energia.
Per tornare alla pagina che stavi visitando ti basterà cliccare o scorrere.