Как Google динамически формирует Панели Знаний, выбирая блоки информации на основе истории поисковых запросов пользователей

Термины и определения

Candidate Information Types (Кандидаты в типы информации)

Набор всех возможных типов информации, применимых к определенному классу сущностей (Entity Class).

Dynamically Selected Information Types (Динамически выбранные типы информации)

Типы информации, выбранные из списка кандидатов на основе их Relative Importance для конкретной сущности или класса. Они дополняют предопределенный набор.

Entity (Сущность)

Любой отдельный объект или вещь (например, фильм, компания, персона).

Entity Class (Класс сущности)

Категория сущностей (например, Фильмы, Телешоу, Книги, Бизнесы).

Historical User Activity (Историческая активность пользователей)

Данные, зарегистрированные сервером, касающиеся действий пользователей в отношении сущности или класса. Включает историю поисковых запросов (search query histories, search logs, search activity).

Information Card (Информационная карточка)

Предварительный просмотр или краткая версия Structured Information Page, часто содержащая аффорданс (кнопку/ссылку) для перехода к полной странице. Соответствует Панели Знаний в SERP.

Information Type (Тип информации)

Аспект или атрибут сущности (например, «Актерский состав», «Время работы», «Отзывы критиков», «Кассовые сборы»).

Predefined Information Types (Предопределенные типы информации)

Стандартный или базовый набор типов информации, который по умолчанию включается в страницу для данного класса сущностей (например, Название и Актеры для фильмов).

Primary Color / Secondary Color (Основной и Вторичный цвет)

Цвета, связанные с сущностью, которые определяются сервером (например, на основе анализа постера или логотипа) и используются для визуального оформления (accent colors) страницы.

Relative Importance (Относительная важность)

Метрика, определяющая значимость Information Type для пользователей. Вычисляется на основе Historical User Activity.

Search Spikes / Spikes in the user activity (Всплески активности)

Резкое увеличение пользовательской активности (например, поисковых запросов) в отношении определенной темы или сущности. Используется как индикатор важности информации.

Structured Information Page (Структурированная информационная страница)

Сгенерированная страница, представляющая информацию о сущности, организованную по типам. Практический пример – расширенная Панель Знаний (Knowledge Panel).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод генерации страницы сущности.

1. Система получает запрос на информационную страницу для сущности определенного класса.
2. Идентифицируется Historical User Activity, связанная с этой сущностью и/или классом.
3. Система автоматически генерирует и форматирует Structured Information Page. Ключевые характеристики страницы:
   • Она включает два набора типов информации: (a) Predefined Information Types и (b) Dynamically Selected Information Types.
   • Динамически выбранные типы отбираются из набора кандидатов (Candidate Information Types) в соответствии с их Relative Importance.
   • Relative Importance определяется сервером на основе Historical User Activity.
4. Страница автоматически заполняется информацией о сущности.
5. Сгенерированная страница передается на клиентское устройство.

Ядром изобретения является автоматизированный процесс выбора релевантных фактов для отображения на основе анализа поведения пользователей, что заменяет ручное курирование и статические шаблоны.

Claim 2 (Зависимый от 1): Уточняет, что Historical User Activity включает поисковую активность пользователей (search activity by users).

Claim 4 (Зависимый от 1): Уточняет, что Historical User Activity включает анализ всплесков активности (spikes in the user activity). Это позволяет системе реагировать на тренды и новости.

Claim 11 (Зависимый от 8): Описывает механизм визуального оформления.

1. Определяются Primary Color и Secondary Color, связанные с сущностью.
2. Различные регионы страницы конфигурируются с использованием этих цветов в качестве акцентных (accent colors).

Claim 18 (Зависимый от 11): Уточняет, что Primary Color извлекается из изображения, связанного с сущностью (derived from an image associated with the entity).

Где и как применяется

Изобретение применяется в компонентах, отвечающих за генерацию и отображение информации о сущностях (например, Панели Знаний), и затрагивает несколько этапов поиска.

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает и хранит информацию о сущностях и их атрибутах (Entities Information – Граф Знаний), а также определяет возможные Candidate Information Types для разных классов.

QUNDERSTANDING – Понимание Запросов (Офлайн/Фоновые процессы)
Система анализирует логи поисковых запросов (User Activity History) в фоновом режиме. Information Types Module использует эти данные для расчета Relative Importance различных типов информации для сущностей и классов. Это позволяет понять, что пользователи чаще всего ищут.

METASEARCH – Метапоиск и Смешивание (Real-time)
Основное применение патента. Когда пользовательский запрос триггерит показ информации о сущности:

1. Система определяет, какие типы информации должны быть показаны. Это комбинация Predefined и Dynamically Selected типов на основе ранее рассчитанной Relative Importance (и, возможно, учета недавних Search Spikes).
2. Front End Server генерирует Structured Information Page (Панель Знаний) или Information Card.
3. Entity Colors Module может определить цвета сущности для визуального форматирования.
4. Результаты смешиваются в общую выдачу (SERP).

Входные данные:

• Запрос на информацию о сущности.
• Логи Historical User Activity.
• База данных информации о сущностях (Entities Information / Knowledge Graph).
• Списки Candidate Information Types по классам.
• Изображения, связанные с сущностью (для извлечения цвета).

Выходные данные:

• Сгенерированная Structured Information Page или Information Card с динамически подобранным контентом и оформлением.

На что влияет

• Конкретные типы контента: Влияет на отображение структурированных данных о сущностях. В патенте явно упоминаются фильмы, телешоу, книги, бизнесы, организации, музыкальные альбомы, видеоигры.
• Специфические запросы: Наиболее заметно при информационных и навигационных запросах, направленных на известную сущность (например, название бренда, имя персоны или название фильма).
• Форматы контента: Влияет на состав блоков в Панелях Знаний и информационных карточках в выдаче.

Когда применяется

• Условия работы: Алгоритм применяется, когда система идентифицирует запрос о сущности, для которой доступна структурированная информация.
• Триггеры активации: Динамический выбор активен по умолчанию, но его результат меняется в зависимости от изменений в поведении пользователей. Например, всплеск запросов (Search Spike) о наградах компании может привести к добавлению блока «Награды» в её Панель Знаний.
• Условия применения: Динамический выбор применяется, если имеется достаточно данных в historical user activity для определения относительной важности.

Пошаговый алгоритм

Процесс А: Фоновый анализ и расчет важности (Офлайн/Периодически)

1. Сбор данных: Агрегация Historical User Activity (логи запросов) за определенный период времени.
2. Анализ активности: Анализ логов для определения частоты запросов, связанных с различными Information Types для конкретных сущностей и классов (например, как часто ищут "[Сущность] + Атрибут").
3. Идентификация трендов и всплесков: Выявление стабильных трендов и резких Search Spikes.
4. Расчет важности: Вычисление метрики Relative Importance для каждого Candidate Information Type на основе объема и динамики активности.
5. Ранжирование типов: Ранжирование Candidate Information Types по их Relative Importance.

Процесс Б: Генерация страницы в реальном времени

1. Получение запроса: Сервер получает запрос от клиента и идентифицирует сущность и её класс.
2. Выбор типов информации: Система определяет состав страницы:
   • Включаются Predefined Information Types (базовый набор).
   • Включаются Топ-N Dynamically Selected Information Types на основе их Relative Importance (из Процесса А).
3. (Опционально) Определение цветов: Entity Colors Module анализирует связанные изображения и определяет Primary Color и Secondary Color.
4. Генерация и форматирование: Front End Server генерирует структуру страницы, распределяя типы информации по регионам и применяя цветовое оформление.
5. Заполнение данными: Страница заполняется актуальной информацией о сущности из базы данных (Knowledge Graph).
6. Передача клиенту: Отправка сгенерированной страницы пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Historical User Activity является критически важным входом. В патенте явно упоминаются истории поисковых запросов (search activity, query history) пользователей в агрегированном виде. Также упоминается возможность использования логов кликов и активности на веб-сайтах.
• Контентные факторы (Данные о сущностях): Фактическая информация о сущности (атрибуты, факты), хранящаяся в базе данных (Entities Information / Knowledge Graph).
• Мультимедиа факторы: Изображения, связанные с сущностью (постеры, логотипы, фотографии). Они используются для извлечения Primary Color и Secondary Color для оформления.
• Временные факторы: Активность анализируется за определенные периоды времени (predefined time period или rolling time window) для выявления трендов и всплесков (spikes).

Какие метрики используются и как они считаются

• Relative Importance (Относительная важность): Ключевая метрика патента. Она рассчитывается для каждого Candidate Information Type.
• Методы расчета (Критерии важности): Патент указывает, что важность определяется на основе анализа Historical User Activity. Упомянуты следующие критерии:
  • Search popularity (популярность запросов): за все время, за определенный или скользящий временной интервал.
  • Search spikes (наличие всплесков поисковой активности): сильный индикатор текущей актуальности.

1. Поведение пользователей диктует представление сущности: То, что пользователи ищут о сущности, напрямую определяет, какие блоки информации будут показаны в её структурированном описании (Панели Знаний). Google использует коллективный интеллект (данные о поведении) для автоматического курирования контента.
2. Динамическая адаптация к трендам и событиям: Панели Знаний не статичны. Система динамически адаптирует их состав в ответ на изменения в интересах пользователей, включая реакцию на тренды и резкие всплески интереса (Search Spikes), вызванные событиями (например, новости, награды).
3. Гибридная модель контента: Система гарантирует показ базовой информации (Predefined Types), дополняя её тем, что актуально для пользователей в данный момент (Dynamically Selected Types).
4. Автоматизированный визуальный брендинг: Система автоматически определяет цветовую схему для представления сущности путем анализа связанных изображений (логотипов, постеров). Это создает визуально целостный и брендированный опыт без ручного вмешательства.
5. Важность Entity SEO и анализа спроса: Для влияния на представление сущности необходимо не только предоставить данные в Knowledge Graph, но и понимать, какие атрибуты сущности востребованы пользователями.

Best practices (это мы делаем)

• Комплексная оптимизация сущностей (Entity SEO): Обеспечьте Google полными и непротиворечивыми данными о вашей сущности (бренд, продукт, персона) через официальный сайт, структурированные данные (Schema.org), Wikidata и авторитетные отраслевые ресурсы. Чем больше Candidate Information Types заполнено в Knowledge Graph, тем больше у системы возможностей для динамического выбора.
• Мониторинг и понимание спроса вокруг сущности: Регулярно анализируйте поисковые подсказки, Google Trends и данные GSC, связанные с вашей сущностью. Понимание того, какие атрибуты (Information Types) интересуют пользователей (имеют высокую Relative Importance), критически важно для стратегии.
• Создание контента, соответствующего спросу: Если анализ показывает высокий интерес к определенному типу информации (например, «Отзывы сотрудников» о компании или «Экологичность» продукта), создавайте качественный контент на эту тему на вашем сайте. Это подтверждает важность темы и предоставляет авторитетный источник информации.
• Управление визуальными активами (Брендинг в SERP): Предоставляйте высококачественные, репрезентативные изображения (логотипы, обложки, официальные фото). Google автоматически извлекает из них Primary Color и Secondary Color для брендирования Панели Знаний.

Worst practices (это делать не надо)

• Игнорирование пользовательского спроса: Продвижение только тех атрибутов сущности, которые выгодны вам, игнорируя то, что на самом деле ищут пользователи. Система предпочтет показать информацию, имеющую высокую Relative Importance на основе реальных запросов.
• Отношение к Панели Знаний как к статичному элементу: Предположение, что состав блоков в Панели Знаний неизменен. Необходимо учитывать, что он может меняться в ответ на тренды, новости и события (spikes).
• Попытки искусственной накрутки запросов: Создание фейковых поисковых запросов для влияния на Relative Importance. Это неэффективно в масштабах, необходимых для срабатывания системы Google, и может быть классифицировано как спам.
• Использование некачественных изображений: Использование изображений, которые плохо представляют бренд, может привести к нежелательной цветовой схеме в выдаче, так как цвета извлекаются автоматически.

Стратегическое значение

Патент подтверждает важность перехода от ключевых слов к сущностям и намерениям. Он демонстрирует механизм, с помощью которого Google автоматизирует курирование контента на основе данных о поведении пользователей. Для долгосрочной SEO-стратегии критически важно не просто «присутствовать» в Knowledge Graph, но и понимать, как пользователи взаимодействуют с вашей сущностью в поиске, и адаптировать контент-стратегию и управление данными сущности под этот спрос.

Практические примеры

Сценарий: Всплеск интереса к саундтреку фильма

1. Ситуация: Песня из недавно вышедшего фильма становится вирусной в социальных сетях.
2. Действие пользователей: Пользователи начинают массово искать «[Название фильма] саундтрек». В Historical User Activity фиксируется Search Spike.
3. Реакция системы: Information Types Module пересчитывает Relative Importance. Важность типа информации «Саундтрек» резко возрастает.
4. Изменение выдачи: Система динамически добавляет блок «Саундтрек» (Dynamically Selected Information Type) в Панель Знаний фильма, даже если раньше его там не было.
5. Действия SEO/Маркетинга: Убедиться, что на официальном сайте фильма есть качественная страница о саундтреке со списком треков и ссылками на стриминговые сервисы, оптимизированная под этот возросший спрос и размеченная Schema.org.

Сценарий: Обновление Панели Знаний для Локального Бизнеса (Ресторан)

1. Ситуация: Наступает лето.
2. Действие пользователей: Пользователи начинают чаще искать "[Название ресторана] летняя веранда" или "[Название ресторана] меню коктейлей".
3. Реакция системы: Система определяет возросшую Relative Importance для атрибутов, связанных с летним сезоном.
4. Изменение выдачи: В Панели Знаний ресторана (Google Business Profile) динамически могут появиться или стать более заметными блоки или атрибуты, указывающие на наличие летней веранды или специального меню.
5. Действия SEO: Заранее обновить информацию в Google Business Profile, добавить актуальные фотографии веранды и меню, чтобы предоставить Google данные для заполнения этих динамических блоков.