概要
Googleの求人情報が、同社の「Discover」推薦システムの仕組みについて貴重な洞察を与えました。この求人情報は、以前から研究者が外部から追跡してきたDiscoverの層と一致していることが確認されました。具体的には、「Staff Software Engineer, Discover Ranking」の職務記述に、プロダクション環境での推薦システムモデル（Retrieval、Prediction、Ranking、Embedding）構築・デプロイ経験が必須とされています。Retrieval（候補選定）の層では、システムがフィードに表示する対象となる記事や動画を選定します。Discoverには約20のパイプラインがあり、その中には「retrieval」を含むものが複数存在します。2025年9月には、フランスのDiscoverフィードの約0.03%に生成型Retrievalチャネルが出現したことが確認されています。これは、GoogleがLLM駆動の候補選定を小規模なテストから開始している可能性を示唆しています。Prediction（予測）の層では、各Discoverカードに0から1の間の予測スコアが付与されます。これらのスコアは、主に「アテンション軸」（ユーザーがカードで足を止めるか）と「エンゲージメント軸」（ユーザーがクリックして深く読むか）という2つのほぼ独立した次元に分かれます。これらの予測スコアは実際のユーザー行動と密接に一致しており、パーソナライゼーションが最大の効果をもたらします。テストでは、読者と情報源の間でモデルが学習した読者との親和性が、明示的なフォローシグナルよりも増幅効果が大きいことが示されました。テーマがほぼ同じでも、モデルがよりエンゲージメントが高いと予測したパブリッシャーは、約2倍高い深層エンゲージメント予測スコアと、最終的に約8倍強い増幅効果を得ました。Embedding（埋め込み）の層では、ユーザーとコンテンツのコンパクトな表現が必要とされます。Googleはユーザーごとに複数の埋め込みファミリー（例：Discoverインタレスト、トレンド志向、リアルタイム、ショッピング関連）を維持していると見られます。これらのベクトルは、ツータワーRetrievalシステムに供給され、共有ベクトル空間内の近接性に基づいて推薦が行われると考えられます。
解説
今回のGoogleの求人情報から得られた知見は、Discoverでコンテンツを配信するパブリッシャーにとって非常に実践的な示唆を与えます。求人情報がRetrieval、Prediction、Ranking、Embeddingという中核要素を明示したことで、長年の研究結果が「公式に」裏付けられました。最も重要な点は、読者との親和性 (Reader affinity)がDiscoverにおけるコンテンツ配信の直接的なレバーであるということです。テスト結果が示すように、モデルが学習した読者とソース間の親和性によって、同じトピックのコンテンツでも約8倍もの表示増に繋がる可能性があります。これは、単に「多くの人にフォローされる」こと以上に、特定の読者層と「深く信頼され、繰り返し消費される関係性」を築くことの重要性を示しています。パブリッシャーは、フォロワー数だけでなく、読者のエンゲージメントの深さや、ブランドに対する信頼を育むコンテンツ戦略を優先すべきです。また、アテンション (Attention)とエンゲージメント (Engagement)が独立した診断指標である点も重要です。魅力的な見出しやサムネイルでクリックを誘っても、内容が伴わなければユーザーはすぐに離脱します。クリックを促すだけでなく、読者がコンテンツを最後まで消費し、さらに深く関わるような質の高い体験を提供することが不可欠です。最後に、求人情報が「より魅力的で、有用なコンテンツ」と述べている点も注目すべきです。エンゲージメント予測スコアだけでは捉えきれない「有用性」が、Discoverにおける最終的な評価基準の一つである可能性があります。単に目を引く情報だけでなく、読者の課題解決や知識欲を満たす「価値ある」情報提供を意識することが、長期的な成功に繋がるでしょう。
- 掲載元: Search Engine Land
- 公開日: 2026-08-26T14:30:00+00:00
Google’s Discover job posting confirms what the feed already shows
