O Google divulgou uma pesquisa detalhando como pretende deixar o Discover ainda mais afiado na hora de identificar e descartar conteúdo ultrapassado. O nome do sistema é Supersession-Decay Filtering, ou simplesmente SDF, e a parte mais curiosa é que ele já está rodando por baixo dos panos há um bom tempo, moldando o que aparece — ou deixa de aparecer — na tela dos usuários.
O que é o algoritmo do Google Discover chamado SDF
O nome do sistema entrega bastante coisa sobre o que ele faz. “Supersession” vem de “supersede”, ou seja, substituir: é a capacidade de identificar quando um conteúdo mais novo tomou o lugar de um mais antigo sobre o mesmo assunto. Já “decay” (decaimento) se refere à outra função do sistema, que é prever quando um conteúdo perde utilidade simplesmente porque o tempo passou, mesmo sem ninguém ter escrito nada mais recente sobre o tema.
E aqui vem o detalhe que pode pegar muita gente de surpresa: esse algoritmo do Google Discover não é novidade de agora, ele está em uso há dois anos. Ou seja, editores, donos de site e profissionais de SEO já estão lidando com ele há tempos, mesmo sem saber exatamente como funciona — e agora é hora de se atualizar, porque os detalhes revelados têm peso direto nas estratégias de conteúdo e de links internos.
- O sistema usa dois filtros para remover conteúdo desatualizado de forma proativa, antes mesmo de ele chegar à etapa de ranqueamento.
- Depois que esse conteúdo velho é descartado, os sistemas de ranqueamento que vêm na sequência — baseados em engajamento do usuário e sensíveis a tendências — conseguem organizar melhor o que aparece no Discover.
O artigo científico descreve a lógica da seguinte forma:
“Nós tratamos os dois mecanismos com o SDF (Supersession-Decay Filtering), um sistema unificado de filtragem de obsolescência implantado no Google Discover, um feed personalizado de conteúdo da web aberta dentro do app do Google Search, que atende centenas de milhões de usuários diários e bilhões de usuários ativos mensais. Enquanto os sistemas de ranqueamento seguem baseados em engajamento e sensíveis a tendências, o SDF atua como uma camada de filtragem proativa. Ele elimina conteúdo fundamentalmente ultrapassado antes que entre na etapa de ranqueamento, que exige muito processamento, entregando um conjunto de candidatos mais refinado. O SDF faz isso decompondo o problema em dois componentes complementares…”
Por que mecanismos de recomendação precisam de conteúdo fresco
Todo mundo conhece um buscador tradicional, mas existe outra categoria de ferramenta chamada mecanismo de recomendação — e é nela que o Discover e o YouTube se encaixam. Além de cruzar o conteúdo com os interesses de cada usuário, esse tipo de sistema também precisa priorizar o que é novo. Afinal, frescor é um dos fatores de ranqueamento mais valorizados pelo público do Discover. Por isso, os pesquisadores desenvolveram uma forma de antecipar quais conteúdos já perderam validade e cortá-los antes que cheguem até o leitor.
Data de publicação e engajamento não resolvem mais
Até então, os métodos mais comuns para detectar conteúdo velho dependiam de cortes por data de publicação e de métricas de engajamento que sinalizavam quando as pessoas haviam perdido o interesse em determinado assunto. No entanto, segundo os próprios pesquisadores, a data de publicação isoladamente não é um indicador confiável de relevância.
- Um conteúdo pode ficar obsoleto pouco depois de publicado, caso surja informação mais nova sobre o mesmo tema.
- Também pode perder relevância aos poucos, por decaimento natural, mesmo sem ter sido “superado” por nada mais recente.
- Usar apenas datas de corte ainda tem o efeito colateral de barrar conteúdos evergreen que continuam úteis e relevantes.
- Ou seja, a data só diz quando algo foi publicado — não diz se aquilo ainda importa ou se já foi ultrapassado.
As métricas de engajamento também falham
Já as métricas de engajamento pecam por serem reativas: os sinais só aparecem depois que os usuários já decidiram, na prática, que aquele conteúdo está velho — quando o estrago já foi feito.
Como o algoritmo do Google Discover funciona na prática
Foi justamente para resolver essas duas lacunas que nasceu o SDF, capaz de antecipar tanto a substituição por conteúdo mais novo quanto o declínio natural de relevância. O sistema trabalha com dois filtros:
- Supersessão: o primeiro filtro identifica conteúdo que ficou defasado porque uma informação mais recente surgiu. A inteligência artificial avalia a relação entre o material antigo e o novo para checar se a versão anterior ainda tem alguma utilidade.
- Decaimento de relevância: o segundo filtro, também baseado em IA, avalia o conteúdo para prever quando ele vai perder a utilidade por conta própria, mesmo sem nada mais novo tendo surgido para substituí-lo.
Juntos, esses dois filtros removem recomendações ultrapassadas antes que cheguem ao sistema de ranqueamento, o que melhora o frescor geral do feed e, de quebra, ainda reduz custo de processamento.
Quando um filtro barra, o conteúdo fica fora do jogo
Os dois filtros — supersessão e decaimento de relevância — atuam como um sistema único. Basta um deles identificar que o conteúdo está velho para que ele se torne inelegível para aparecer no Discover. Por outro lado, o material que passa pelos dois crivos segue apto a competir normalmente pelo ranqueamento.
O que os testes mostraram
Segundo a pesquisa, o SDF reduziu as recomendações de conteúdo desatualizado em comparação aos métodos tradicionais. O engajamento dos usuários teve ganhos modestos, com melhora tanto no envolvimento quanto na diversidade de conteúdo exibido. Ao longo dos dois anos de uso, as reclamações de usuários sobre conteúdo obsoleto caíram 54,9%. Além disso, o sistema também diminuiu os custos computacionais, já que passou a descartar material ultrapassado antes mesmo da etapa de ranqueamento.
O que fica de lição para quem produz conteúdo
O estudo foi publicado sob o título “Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay”. Diante desse cenário, Plustag IA avalia que esse algoritmo do Google Discover torna ainda mais urgente que editores e produtores de conteúdo tenham respostas claras para algumas perguntas:
- Qual percentual do site é composto por conteúdo evergreen, aquele que sustenta tráfego de forma consistente ao longo do tempo?
- Qual parcela tem janela de relevância limitada — e existe um plano para atualizar esse material assim que ele começar a ficar velho?
- Qual fatia é notícia pura, com prazo de validade curto, e que precisa cobrir com agilidade os fatos relevantes para o público?
Saber por quanto tempo um conteúdo permanece relevante também pesa nas decisões de interlinkagem entre artigos. Muitos plugins e sistemas baseados em IA para sugerir links internos ainda se apoiam apenas em relevância semântica — e agora, com o SDF, o Google adiciona o frescor como mais uma camada dessa equação, o que deve obrigar o mercado a repensar como organiza e atualiza seus arquivos de conteúdo.
Com informações de searchenginejournal.com.
