Google发布最新研究，介绍用于改善Discover信息流体验的“取代-衰减过滤”（SDF）系统。该系统旨在更精准地识别并移除过时内容，目前已在实际业务中运行两年，对出版商的内容策略及内部链接建设产生深远影响。
SDF系统运行机制与核心逻辑
SDF是一个部署在Google Discover中的统一陈旧性过滤系统。作为主动过滤层，它在进入计算密集的排名阶段前修剪根本性的陈旧内容，为下游基于用户参与度和趋势感知的排名系统提供精炼候选集。
“我们通过SDF来解决这两种机制……尽管下游排名系统仍然基于参与度和趋势感知，但SDF作为一个主动的过滤层发挥作用。它在进入计算密集的排名阶段之前修剪根本性的陈旧内容，提供一个精炼的候选集。”
该系统通过两个互补过滤器协同工作：若任一过滤器判定内容陈旧，该内容即被取消Discover排名资格；仅当同时通过两项检测时，内容才保留推荐资格。
传统时效性评估指标的局限性
传统方法依赖发布日期截止线和用户参与度指标，但在推荐引擎场景下存在明显不足：
- 发布日期不可靠：内容可能在发布后不久即因新信息出现而过时，或因相关性自然衰减而失效；单纯的时间戳无法衡量内容是否仍具实用性或已被取代。
- 误伤常青内容：硬性截止日期可能导致相关且持久的优质内容被错误拦截。
- 参与度指标滞后：基于用户行为的信号属于反应式机制，仅在用户已判定内容陈旧后才被捕捉，无法实现事前预防。
双过滤器框架详解
SDF将陈旧性问题分解为“取代”与“衰减”两个维度，利用AI模型进行主动预测：
- 取代检测：识别因新信息出现而变得过时的旧内容。AI评估新旧内容关系，判断早期信息是否仍具实用价值。
- 相关性衰减预测：针对未被新内容直接取代、但随时间推移自然失去相关性的内容进行评估，预测其丧失实用性的时间点。
两者结合不仅提升了推荐内容的新鲜度，还通过在排名前移除无效内容降低了计算成本。
实测效果与运营启示
数据显示，SDF上线两年间，关于陈旧内容的用户投诉下降了54.9%，用户参与度适度增长，内容多样性得到改善。面对这一算法变革，网站运营者需重新审视内容架构：
- 优化常青内容比例：确保有足够比例的查询支持型内容具备长期价值，维持稳定流量。
- 规划有限窗口期内容：明确哪些内容具有特定相关性周期，并制定过时后的更新或归档计划。
- 调整新闻类内容策略：针对短生命周期内容，应聚焦突发新闻覆盖，避免投入过多维护资源。
此外，内容互链策略也需升级。现有的语义相关性插件或AI工具应纳入“时效性”维度，以适应SDF系统对内容新鲜度的动态要求。