Wenn du schon einmal darüber nachgedacht hast, wie Google Discover eigentlich funktioniert, bist du nicht allein. Viele Publisher und SEOs rätseln, warum manche Inhalte dort auftauchen und andere nicht. Dabei lässt sich einiges ableiten, wenn man versteht, wie Empfehlungssysteme – also „Recommender Systems“ – im Kern funktionieren. Ich erkläre dir das anhand eines technischen Grundprinzips, das ursprünglich für YouTube entwickelt wurde, aber vieles erklärt, was auch bei Google Discover passiert.
Was sind Empfehlungssysteme eigentlich?
Empfehlungssysteme gibt es schon seit Jahrzehnten. Eines der ersten war MovieLens aus dem Jahr 1997. Damals konnten Nutzer Filme bewerten, und das System „lernte“, welche Filme zusammenpassen. Wenn du zum Beispiel gerne Science-Fiction schaust, empfiehlt es dir automatisch ähnliche Titel – ganz nach dem Muster „Leute, die das mochten, mögen auch jenes“. Dieses Prinzip ist einfach, funktioniert aber nur, solange das Datenvolumen überschaubar bleibt.
Sobald es Millionen oder gar Milliarden von Inhalten gibt, stößt diese Logik an ihre Grenzen. Hier braucht es Systeme, die riesige Mengen personalisiert verwalten können – und genau das ist die Aufgabe von modernen Recommender-Systemen wie bei YouTube oder eben Discover.
Die Zwei-Turm-Architektur – Herzstück moderner Empfehlungen
Eine Schlüsselidee in diesem Zusammenhang ist das sogenannte Two-Tower-Modell. Diese Architektur wurde aus YouTubes Empfehlungssystem heraus entwickelt – und obwohl im ursprünglichen Forschungspapier der Begriff nicht verwendet wurde, beschreibt er ziemlich genau, was passiert.
Es gibt zwei parallele „Türme“, die unabhängig voneinander arbeiten, sich aber aufeinander beziehen: einer steht für den Nutzer, der andere für die Inhalte. Das Ziel ist, beide Seiten in denselben „Raum“ zu übersetzen, damit das System schnell erkennt, was zusammenpasst.
Der Nutzerturm
In diesem Turm wird dein Verhalten analysiert – also, was du konsumierst, suchst oder wo du dich befindest. All diese Informationen werden in eine numerische Darstellung übersetzt, den sogenannten Vektor. Dieser Vektor spiegelt deinen Geschmack wider: deine Interessen, Präferenzen und manchmal auch deinen „aktuellen Modus“ (zum Beispiel: eher Nachrichten über Technik oder lieber Unterhaltung).
Der Inhaltsturm
Hier bekommen alle Inhalte ebenfalls einen mathematischen Fingerabdruck. Ein KI-Modell lernt, wie jeder Artikel, jedes Video oder jedes Thema sich in diesem Raum anordnen lässt. Dadurch kann das System blitzschnell berechnen, welcher Inhalt deinem Profil am nächsten liegt – ohne jedes Mal komplette Analysen durchführen zu müssen. Das ist der Grund, warum YouTube innerhalb von Millisekunden personalisierte Empfehlungen liefern kann – und wahrscheinlich funktioniert Google Discover ähnlich.
Das Problem mit neuen Inhalten
Eines der größten Herausforderungen solcher Systeme ist die Frische von Inhalten. Wie bringt man dem Algorithmus bei, dass Nutzer neue Themen mögen, wenn neue Daten logischerweise noch keine Historie haben? YouTube (und vermutlich Google Discover) muss hier eine Balance finden: einerseits möchte man Bewährtes („exploitation“), andererseits Neues ausprobieren („exploration“).
Die Ingenieure haben dafür einen cleveren Trick gefunden: Auch wenn das Modell auf älteren Daten trainiert ist, bekommt es beim Berechnen der Empfehlungen ein Signal, dass der aktuelle Zeitpunkt „jetzt“ ist – also null Tage alt. So lernt das System, Frische zu berücksichtigen, ohne dabei Qualität und Relevanz aus den Augen zu verlieren.
Spannend finde ich, dass die Forscher damals feststellten, dass Maschinenlernen von Natur aus eine „Vergangenheitsverzerrung“ zeigt: Es bevorzugt Dinge, die sich in der Vergangenheit bewährt haben. Wenn man nicht aktiv gegensteuert, werden neue Ideen, Artikel oder Videos unterdrückt – nicht aus bösem Willen, sondern wegen des Trainings auf alten Daten.
Was das für dich bedeutet
Wenn man das auf Google Discover überträgt, wird klar: Frischer Content hat Vorteile. Nutzer klicken häufiger auf Neues, und das System weiß das. Daher ist regelmäßiges Publizieren ein echter Vorteil. Je öfter du Inhalte zu Themen bringst, die für dein Publikum gerade im Trend sind, desto eher wirst du auch dort sichtbar.
Allerdings darf man nicht vergessen: Qualität und Relevanz bleiben entscheidend. Nur weil etwas neu ist, heißt das noch lange nicht, dass es ankommt. Der Trick liegt darin, neue Inhalte zu erstellen, die gleichzeitig echten Mehrwert bieten.
Klickdaten – kein perfektes Signal
In den Studien wird deutlich, dass Klicks kein perfekter Indikator für Zufriedenheit sind. Ein Klick sagt nur, dass jemand etwas interessant fand – nicht, ob der Inhalt wirklich den Erwartungen entsprach. Deswegen müssen solche Systeme viele weitere Faktoren berücksichtigen, z. B. wie lange jemand bleibt, ob er später zurückkehrt oder ähnliche Inhalte anschaut.
Die Forscher nennen das „implizites Feedback“ – ein indirektes Signal, das man interpretieren muss. Und das ist alles andere als trivial. Deshalb arbeitet man mit riesigen Datenmengen, um ein verlässliches Bild davon zu bekommen, was echte Zufriedenheit bedeutet.
Was wir daraus über Google Discover lernen können
Auch wenn YouTube und Discover auf unterschiedlichen Plattformen laufen, teilen sie viele Prinzipien. Beide wollen Inhalte anbieten, die individuell relevant sind, aber gleichzeitig eine gewisse Neuheit bieten. Ich bin überzeugt, dass Discover ebenfalls stark auf ein solches „Zwei-Turm“-System oder eine weiterentwickelte Variante setzt, bei der Nutzerinteressen und Content-Eigenschaften ständig neu aufeinander abgestimmt werden.
Das erklärt, warum deine Inhalte manchmal hervorragend performen – und dann wieder verschwinden. Der Algorithmus „lernt“ dauerhaft weiter und reagiert auf Trends, Orte, Saisons oder Themenstimmungen. Im Grunde ist Discover ein lebendes System, das neugierig bleiben muss, um Nutzer bei Laune zu halten.
Mein Fazit dazu
Wenn du Inhalte für Discover optimieren willst, konzentriere dich nicht auf „Tricks“. Setze lieber auf:
- Konsistenz – regelmäßig veröffentlichen, damit du im „Frische“-Zyklus bleibst
- Qualität – relevante, gut strukturierte Inhalte mit Nutzwert
- Klarheit – Google analysiert Kontexte, Themencluster und Nutzerinteressen; verwässere das also nicht
- Datenbewusstsein – achte darauf, wie Nutzer mit deinen Inhalten agieren; Verweildauer und Interaktionen sind wichtigere Signale als bloße Klicks
Aus meiner Sicht ist Google Discover letztlich ein „Personalisierungssystem“ mit starker Betonung auf aktuellen Themen und individuellen Interessen. Die Grundlagen stammen aus Forschung, die Google selbst schon vor über zehn Jahren für YouTube gelegt hat – und die bis heute relevant ist: Machine Learning, Vektoren, neuronale Netzwerke und die Balance zwischen Vergangenheit und Gegenwart.
Ein letztes Wort
Ehrlich gesagt finde ich es faszinierend, wie elegant diese Systeme arbeiten. Was früher reine Magie schien, ist heute nachvollziehbar: Es ist Mathematik, Statistik, maschinelles Lernen – und ja, ein bisschen Psychologie. Die Empfehlungssysteme von Google zeigen, wie sehr Technologie heute im Hintergrund denkt, statt nur zu reagieren. Für uns bedeutet das: Wir müssen lernen, in Strukturen zu denken, nicht in Schlagzeilen.
Wenn du das nächste Mal durch Google Discover scrollst, kannst du dir vorstellen, dass irgendwo im Hintergrund dein persönlicher digitales Profil gerade mit Millionen von Inhaltsvektoren abgeglichen wird – um genau den Beitrag zu finden, der dich in diesem Moment am meisten interessiert. Und genau das macht diese Technologie so mächtig – und, wenn man ehrlich ist, ziemlich spannend.
