Вакансия Google раскрыла ключевые компоненты работы Discover
В описании вакансии инженера по ранжированию Discover перечислены четыре ключевых элемента системы: retrieval, prediction, ranking и embedding. Наблюдения за реальной выдачей подтверждают, что эти компоненты действительно работают.
- В требованиях к кандидату на должность Staff Software Engineer, Discover Ranking перечислены retrieval, prediction, ranking и embedding
- Мониторинг 42 млн карточек Discover за два года подтверждает наличие всех этих слоёв в реальной работе системы
- Аффинити между читателем и издателем оказалось более сильным фактором amplification, чем явная подписка через Follow
Google редко объясняет, как именно работает Discover, но иногда раскрывает больше, чем планировал, — например, в описании вакансии. Как сообщает Search Engine Land, компания разместила вакансию Staff Software Engineer, Discover Ranking для офиса в Маунтин-Вью. В минимальных требованиях к кандидату указан пятилетний опыт построения и развёртывания моделей рекомендательных систем, включая retrieval (поиск кандидатов), prediction (прогнозирование), ranking (ранжирование) и embedding (векторные представления).
Сама по себе вакансия описывает лишь набор навыков, но её ценность — в пересечении с реальными данными. Авторы мониторили выдачу Discover в течение двух лет, проанализировав 42 млн карточек. Три из четырёх упомянутых в вакансии компонентов совпадают со слоями, которые уже были отслежены извне.
Что показывает наблюдение за выдачей
Retrieval: до ранжирования система решает, какие статьи и видео вообще могут попасть в ленту. В ходе мониторинга было обнаружено около 20 конвейеров, которые питают Discover, причём некоторые из них содержат слово retrieval в внутренних названиях. Отдельно выделяется генеративный retrieval-канал, появившийся в сентябре 2025 года примерно в 0,03% французской выдачи Discover, что указывает на тестирование отбора кандидатов с помощью LLM на небольшой аудитории.
Prediction: каждая карточка в Discover несёт набор прогнозных оценок — вероятностей от 0 до 1. Они распадаются на два почти независимых измерения: ось внимания (остановится ли пользователь на карточке) и ось вовлечённости (кликнет ли конкретный пользователь и будет ли читать глубоко). Корреляция между ними близка к нулю, поэтому заголовок может привлечь внимание, но не удержать его. Измерения показывают, что прогнозы Google действительно соответствуют последующему поведению пользователей.
Embedding: судя по наблюдениям, Google поддерживает несколько семейств векторных представлений для каждого пользователя с разными временными окнами: интересы Discover, трендовое семейство, real-time семейство и shopping-related семейство, которое также появляется за AI-карточками в финансовых и технологических новостях.
Аффинити между читателем и издателем — это прямой рычаг дистрибуции. При равном тематическом потенциале аффинити, которое модель уже выучила между читателями и источником, увеличивало amplification примерно в 8 раз в тестах авторов, причём это outweighed явный сигнал подписки Follow.
Внимание и вовлечённость — это отдельные диагностики, которые почти независимо варьируются. Улучшение одного не обязательно улучшает другое: издателям стоит разделять метрики кликабельности и глубины чтения при анализе эффективности контента в Discover.
Оригинал публикации: searchengineland.com. Разбор и выводы — редакции «SEO-зоны».