Information gain - co to jest zysk informacyjny w SEO?
Information gain (zysk informacyjny) to miara z teorii informacji pokazująca, ile nowej wiedzy wnosi treść. Sprawdź wzór i zastosowanie w SEO oraz AI Overviews.
Jako konsultant SEO, Paweł Wołoszyn, przy audycie treści konfrontuję nowy artykuł klienta z tym, co już rankuje na daną frazę, i sprawdzam, czy dokłada choć jeden fakt, dane czy kąt, którego nie ma konkurencja, zamiast liczyć wyłącznie słowa kluczowe. Najczęstszy błąd, jaki widzę, to przepisanie tych samych czterech punktów innymi słowami i nazwanie tego unikalną treścią, bo test na duplikaty wychodzi czysto, a realny zysk informacyjny zostaje na zerze. Information gain to jednak nie jest potwierdzony przez Google osobny czynnik rankingowy ani gotowy wzór do wklejenia w brief, to sposób myślenia o tym, czy treść w ogóle ma rację bytu obok tego, co już istnieje w wynikach. Zanim zaplanuję kolejny artykuł w klastrze tematycznym, sprawdzam więc najpierw, jakie pytania i encje są już dobrze pokryte przez istniejące strony, żeby nowy tekst ich nie dublował. Przy większych serwisach pomagam klientom układać taką mapę pokrycia tematycznego, tak żeby każdy kolejny tekst faktycznie coś wnosił, a nie tylko powiększał liczbę stron w serwisie.
Information gain - co to jest zysk informacyjny w SEO?
Information gain (zysk informacyjny, czasem przyrost informacji) to miara z teorii informacji pokazująca, o ile nowa obserwacja zmniejsza niepewność względem tego, co już wiadomo. W SEO i przy pisaniu pod wyszukiwarki oraz asystentów AI terminu tego używa się do opisania, ile realnie nowej wiedzy dana strona wnosi ponad to, co już znajduje się w wynikach wyszukiwania na dane zapytanie.
Co to jest information gain?
Pojęcie information gain wywodzi się z teorii informacji, którą w 1948 roku opisał Claude Shannon w pracy „A Mathematical Theory of Communication”. Shannon zdefiniował entropię jako miarę niepewności zmiennej losowej, wyrażoną wzorem H(X) = -Σp(x)log p(x). Im rzadsze i mniej przewidywalne jest zdarzenie, tym więcej informacji ono niesie, a im wyższa entropia zbioru, tym trudniej przewidzieć jego stan.
Information gain to różnica entropii przed i po uwzględnieniu dodatkowej informacji: IG(T, a) = H(T) - H(T|a). Innymi słowy, to liczba mówiąca, o ile bardziej przewidywalny staje się system po otrzymaniu nowej zmiennej a. Wartość oczekiwana zysku informacyjnego odpowiada matematycznie wzajemnej informacji (mutual information) między zmiennymi, a sam zysk informacyjny to szczególny przypadek dywergencji Kullbacka-Leiblera między rozkładem prawdopodobieństwa przed obserwacją i po niej.
Jak liczy się information gain w uczeniu maszynowym?
Najczęściej information gain spotyka się przy budowie drzew decyzyjnych. Algorytm ID3, opracowany przez Rossa Quinlana i opisany w jego pracy z 1986 roku „Induction of Decision Trees”, przy każdym podziale danych wybiera atrybut, który najbardziej redukuje entropię zbioru, czyli daje największy zysk informacyjny. Kolejne atrybuty do podziału wybiera się dokładnie na tej podstawie: im wyższy information gain danej cechy, tym wcześniej trafia ona do drzewa.
Sam information gain ma jednak wadę: premiuje atrybuty o dużej liczbie unikalnych wartości, nawet jeśli nie mają one realnej wartości predykcyjnej. Dlatego w kolejnym algorytmie, C4.5, Quinlan wprowadził information gain ratio, czyli zysk informacyjny podzielony przez tzw. informację wewnętrzną atrybutu, co ogranicza tę stronniczość.
Information gain w wyszukiwarkach: patent Google o indeksowaniu frazowym
Google od lat wykorzystuje information gain jako metrykę w swoim systemie indeksowania frazowego (phrase-based indexing). W patencie „Phase-based personalization of searches in an information retrieval system” (US9037573B2, zgłoszonym w czerwcu 2013 roku, opublikowanym 19 maja 2015 roku, autorstwa Anny L. Patterson), Google definiuje information gain jako stosunek rzeczywistej częstości współwystępowania dwóch fraz w korpusie tekstów do częstości oczekiwanej. Gdy ten stosunek przekracza określony próg (patent podaje wartość 1,5, w przedziale 1,1–1,7), jedna fraza „przewiduje” drugą, czyli ich wspólne występowanie mówi systemowi coś więcej niż zwykły przypadek.
Ten sam mechanizm pojawia się w powiązanych patentach Google z tej samej rodziny, między innymi „Multiple index based information retrieval system” (US9817825B2) i wcześniejszym „Automatic taxonomy generation in search results using phrases” (US7426507B1). Wszystkie wykorzystują information gain do wykrywania fraz, które statystycznie powinny występować razem, co pomaga budować powiązane frazy, kategorie wyników wyszukiwania i wykrywać strony ze sztucznie upchanymi słowami kluczowymi.
Ważne zastrzeżenie: żaden z tych patentów nie mówi wprost, że Google nagradza oryginalne treści wyższą pozycją. Google nigdy publicznie nie potwierdził information gain jako osobnego, jawnego czynnika rankingowego strony. Patenty opisują mechanikę analizy fraz w korpusie tekstów, nie deklarację polityki rankingowej.
Information gain a treść, EEAT i wyniki generowane przez AI
Mimo że Google nie potwierdza wprost information gain jako czynnika rankingowego, ten sam sens przebija przez oficjalne wytyczne dotyczące treści. W dokumentacji „Creating helpful, reliable, people-first content” Google pyta wprost, czy treść unika kopiowania lub przepisywania innych źródeł i zamiast tego dostarcza istotną dodatkową wartość oraz oryginalność, a jako sygnał ostrzegawczy wymienia strony, które głównie streszczają to, co mówią inni, nie dodając wiele wartości. To praktyczne przełożenie tej samej idei co information gain: strona, która nie wnosi nic ponad to, co już jest w wynikach, ma niską wartość zarówno dla użytkownika, jak i dla systemu oceniającego treść, niezależnie od tego, jak dobrze wygląda w checkliście EEAT.
Znaczenie tej zasady rośnie wraz z AI Overviews i AI Mode, gdzie Google mechanizmem query fan-out rozsyła jedno pytanie użytkownika jako wiele powiązanych zapytań, żeby zebrać szerszy zestaw źródeł do jednej odpowiedzi. System w takim procesie musi wybrać, które źródła dokładają coś nowego do już zebranych fragmentów, a które się powtarzają, dokładnie tak jak w klasycznym RAG, gdzie model dobiera fragmenty z bazy wektorowej na podstawie embeddingów, zamiast pobierać kolejne kopie tej samej informacji.
Jak wykorzystać information gain w praktyce SEO?
W audytach treści sprawdzam information gain, konfrontując artykuł klienta z już rankującymi stronami na daną frazę: jeśli nowy tekst powtarza te same punkty w tej samej kolejności, bez dodatkowych danych czy perspektywy, jego realny zysk informacyjny jest bliski zeru, niezależnie od długości.
Kilka sposobów na podniesienie information gain strony:
- Dane pierwotne: własne badania, statystyki z narzędzi klienta, obserwacje z rozmów z klientami, czyli coś, czego nie da się skopiować od konkurencji.
- Głębsza struktura tematyczna: rozbicie tematu na encje i podtematy, których konkurencja nie porusza, zamiast powielania tych samych czterech akapitów w innej kolejności.
- Jednoznaczny kontekst: powiązanie treści z konkretną encją i jej atrybutami tak, by graf wiedzy i systemy wyszukiwania rozumiały, o czym dokładnie jest tekst, a nie tylko jakich słów kluczowych użyto.
- Mapa tematyczna klastra: planowanie mapy tematycznej tak, żeby każdy artykuł odpowiadał na inne pytanie, zamiast kilku tekstów kanibalizujących tę samą frazę tą samą treścią.
Ten sposób myślenia to jeden z fundamentów SEO semantycznego: zamiast optymalizować pod pojedynczą frazę, buduje się treść, która faktycznie dokłada coś do tego, co system już wie o temacie.
Information gain a information gain ratio: różnice
| Kryterium | Information gain | Information gain ratio |
|---|---|---|
| Co mierzy | Redukcję entropii po podziale zbioru według atrybutu | Information gain podzielony przez informację wewnętrzną atrybutu |
| Skąd się wzięło | Wprost z entropii Shannona, zastosowane w algorytmie ID3 (Quinlan, 1986) | Wprowadzone przez Quinlana w C4.5 jako poprawka do ID3 |
| Słaba strona | Premiuje atrybuty o wielu unikalnych wartościach | Koryguje tę stronniczość |
| Typowe zastosowanie | Proste drzewa decyzyjne, szybka selekcja cech | Algorytmy odporniejsze na przeuczenie na rzadkich wartościach |
Information gain a duplikacja i podobieństwo treści: różnice
Information gain i podobieństwo treści, liczone choćby jako cosine similarity na embeddingach, to dwie różne miary, które łatwo pomylić. Cosine similarity odpowiada na pytanie, jak bardzo dwa teksty są do siebie podobne pod względem znaczenia, i dobrze sprawdza się do wykrywania duplikatów albo treści niemal identycznych. Information gain odpowiada na inne pytanie: ile nowej informacji wnosi dany tekst względem tego, co system już zna, niezależnie od tego, jak bardzo różni się stylistycznie od innych źródeł.
Tekst może mieć niskie podobieństwo kosinusowe do konkurencji, inne słowa, inna struktura zdań, i jednocześnie zerowy information gain, jeśli opisuje dokładnie te same fakty w innej formie. Może być też odwrotnie: fragment stylistycznie zbliżony do istniejących treści, a mimo to wnoszący nową daną albo liczbę, której nigdzie indziej nie ma. Dlatego do wykrywania duplikatów lepiej sprawdza się podobieństwo wektorowe, a do oceny głębokości i pokrycia tematu, różnica wektorowa względem tego, co już opisano w klastrze.
Najczęstsze błędy przy myśleniu o information gain w SEO
- Traktowanie information gain jako potwierdzonego czynnika rankingowego. Google nigdy oficjalnie nie ogłosił information gain jako osobnego, mierzalnego elementu algorytmu rankującego strony, mimo że mechanizm o tej nazwie realnie działa w jego patentach dotyczących analizy fraz.
- Mylenie parafrazy z nowością. Przepisanie tekstu konkurencji innymi słowami, bez dodania nowych faktów, danych czy przykładów, nie zwiększa zysku informacyjnego, nawet jeśli tekst przechodzi testy na duplikaty.
- Ignorowanie kontekstu encji. Sama długość tekstu i liczba podtematów nic nie znaczą, jeśli treść nie jest jasno powiązana z konkretną encją i jej atrybutami, bo wtedy trudno w ogóle ocenić, co dokładnie nowego ona wnosi.
- Pisanie bez sprawdzenia, co już rankuje. Bez analizy istniejących wyników trudno stwierdzić, czy planowany tekst cokolwiek dokłada, czy tylko powiela to, co użytkownik i tak już znajdzie wyżej.
Źródła
- Information gain in decision trees – Wikipedia – https://en.wikipedia.org/wiki/Information_gain_(decision_tree)
- ID3 algorithm – Wikipedia – https://en.wikipedia.org/wiki/ID3_algorithm
- Entropia (teoria informacji) – Wikipedia (PL) – https://pl.wikipedia.org/wiki/Entropia_(teoria_informacji)
- US9037573B2, Phase-based personalization of searches in an information retrieval system – Google Patents – https://patents.google.com/patent/US9037573B2/en
- Creating helpful, reliable, people-first content – Google Search Central – https://developers.google.com/search/docs/fundamentals/creating-helpful-content
- AI features in Search – Google Search Central – https://developers.google.com/search/docs/appearance/ai-features
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis i in., 2020) – arXiv – https://arxiv.org/abs/2005.11401
Najczęściej zadawane pytania (FAQ)
Czym information gain różni się od zwykłej unikalności treści?
Unikalność (np. brak duplikatów wykrywany przez porównanie tekstu) mówi tylko, że treść nie jest kopią. Information gain idzie dalej: pyta, czy ta unikalna treść faktycznie dokłada nową informację względem tego, co już wiadomo z innych źródeł. Tekst może być w stu procentach unikalny językowo i jednocześnie nie wnosić nic nowego merytorycznie.
Czy Google oficjalnie potwierdził information gain jako czynnik rankingowy?
Nie, Google nigdy nie ogłosił information gain jako osobny, jawny element algorytmu rankującego strony. Termin i mechanizm o tej nazwie pojawiają się za to w patentach Google dotyczących indeksowania frazowego, gdzie służą do analizy współwystępowania fraz w korpusie tekstów, a nie do deklarowanej oceny oryginalności treści.
Jak sprawdzić information gain własnego artykułu przed publikacją?
Najprostszy sposób to porównanie planowanego tekstu z artykułami, które już rankują wysoko na daną frazę, punkt po punkcie. Jeśli każdy akapit ma swój odpowiednik w konkurencyjnym tekście, bez nowych danych, przykładów czy kąta spojrzenia, realny zysk informacyjny jest bliski zeru, niezależnie od długości tekstu.
Co to jest information gain ratio i czym różni się od information gain?
Information gain ratio to information gain podzielony przez tzw. informację wewnętrzną atrybutu, wprowadzony przez Rossa Quinlana w algorytmie C4.5. Sam information gain premiuje atrybuty o wielu unikalnych wartościach, nawet jeśli słabo przewidują wynik, a gain ratio tę stronniczość koryguje.
Jak information gain wiąże się z AI Overviews i odpowiedziami generowanymi przez AI?
Systemy takie jak AI Overviews zbierają fragmenty z wielu źródeł i muszą zdecydować, które z nich dokładają coś nowego do budowanej odpowiedzi, a które się powtarzają. To ten sam problem co przy klasycznym RAG: model retrievalu nie potrzebuje kolejnej kopii tej samej informacji, tylko fragmentu, który realnie poszerza odpowiedź.
Czy dłuższy tekst zawsze ma wyższy information gain?
Nie, długość i zysk informacyjny to dwie różne rzeczy. Tekst może być bardzo obszerny i w całości powtarzać to, co już opisano gdzie indziej, mając realny information gain bliski zeru, podczas gdy krótszy tekst z jedną nową daną czy obserwacją może wnosić więcej.