Как Google использует Knowledge Graph для ответа на запросы о пространственной и временной близости сущностей (например, «банки рядом с ресторанами»)

Термины и определения

Attribute Value (Значение атрибута)

Конкретное значение свойства сущности, используемое для сравнения. В контексте патента это чаще всего географические координаты (широта/долгота) или временные метки (дата/время).

Compositional Query (Композиционный запрос)

Запрос, который включает как минимум два типа сущностей (Entity Types), связанных относительным отношением (Relative Relationship). Например, [Банки рядом с ресторанами].

Criterion (Критерий)

Условие, определяемое отношением в запросе (например, максимальное расстояние или временной интервал), которому должны удовлетворять пары сущностей.

Entity Reference (Ссылка на сущность)

Идентификатор или информация, которая ссылается на уникальную сущность. В Knowledge Graph узлы представляют собой Entity References.

Entity Type (Тип сущности)

Категоризация или классификация сущности (например, "Ресторан", "Банк", "Финансовый кризис").

Knowledge Graph (Граф знаний, KG)

База данных, организованная в виде графа, где узлы представляют сущности, а ребра — взаимосвязи. Используется как источник данных о сущностях и их атрибутах.

Pre-generated table (Предварительно сгенерированная таблица)

Структура данных, созданная офлайн (до получения запроса) для оптимизации. Может хранить информацию о ближайшей сущности Типа 2 для каждой сущности Типа 1, что ускоряет обработку запросов в реальном времени.

Relationship Type (Тип отношения)

Характер связи между сущностями. В патенте фокусируется на пространственных (spatial, расстояние) и временных (temporal, временной интервал) отношениях.

Ключевые утверждения (Анализ Claims)

Важно отметить, что хотя общее описание патента охватывает как пространственные, так и временные отношения, финальные утвержденные Claims (Формула изобретения) сфокусированы исключительно на пространственных отношениях и их визуализации на географическом интерфейсе.

Claim 1 (Независимый пункт): Описывает метод ответа на композиционный запрос через географический пользовательский интерфейс (GUI).

1. Система получает compositional query через текстовое поле GUI.
2. Определяются первый тип сущности (T1), второй тип сущности (T2) и пространственное отношение (spatial relationship), которое задает критерий расстояния (distance criterion).
3. Идентифицируются узлы в Knowledge Graph, соответствующие ссылкам на сущности T1 и T2.
4. Из KG определяется местоположение (location) для каждой сущности T1 и T2.
5. Сравниваются местоположения для определения расстояния между каждой сущностью T1 и каждой сущностью T2.
6. Определяются результирующие сущности (из T1 и T2), которые удовлетворяют критерию расстояния.
7. Результаты отображаются как локационные аннотации (locational annotations) на карте в GUI. При этом для T1 используется первое представление (например, иконка), а для T2 — второе, отличное от первого.
8. Предоставляется меню фильтра (filter menu), позволяющее пользователю интерактивно корректировать результаты на карте путем изменения критерия расстояния.

Claim 3 (Независимый пункт): Описывает метод интерактивного отображения результатов с динамической фильтрацией.

1. Система получает compositional query через текстовое поле GUI, указывающий T1, T2 и пространственное отношение, определяющее критерий расстояния.
2. Из Knowledge Graph определяются пары сущностей (T1, T2), которые удовлетворяют критерию расстояния.
3. Система отображает представления сущностей:
   • Изначально отображается карта GUI с локационными аннотациями для сущностей T1 и T2 из найденных пар, используя различные представления.
   • На основе взаимодействия пользователя с меню фильтра (filter menu), которое изменяет критерий расстояния, система удаляет с карты представления сущностей, которые больше не удовлетворяют новому критерию.

Где и как применяется

Изобретение применяется на нескольких этапах поиска для обработки сложных запросов, основанных на сущностях.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит наполнение Knowledge Graph: извлечение сущностей, их классификация и определение атрибутов (местоположение, даты). Также на этом этапе (офлайн) могут генерироваться pre-generated tables, хранящие данные о ближайших сущностях разных типов для оптимизации.

QUNDERSTANDING – Понимание Запросов
Система распознает запрос как compositional query. Происходит идентификация запрашиваемых Entity Types и типа отношения (пространственное или временное).

RANKING – Ранжирование (Этап Retrieval)
Происходит извлечение кандидатов (экземпляров сущностей) из Knowledge Graph. Система выполняет сравнение атрибутов (вычисления в реальном времени или поиск по pre-generated tables) для поиска пар, удовлетворяющих критериям.

METASEARCH – Метапоиск и Смешивание (Визуализация)
Основное применение патента. Система генерирует специализированную выдачу — карту или временную шкалу, аннотированную найденными сущностями. Реализуется интерактивный интерфейс (filter menu) для уточнения результатов.

Входные данные:

• Композиционный запрос пользователя.
• Данные из Knowledge Graph: Entity References, Entity Types, Attribute Values (координаты, даты).
• (Опционально) Pre-generated tables с расстояниями/временными интервалами.

Выходные данные:

• Набор пар сущностей, удовлетворяющих критериям.
• Визуализированное представление результатов (карта или временная шкала).

На что влияет

• Локальный поиск (Local Search): Наибольшее влияние. Механизм напрямую используется для поиска объектов инфраструктуры относительно друг друга (например, [отели рядом с конференц-центрами]).
• Информационные запросы о событиях: Влияет на запросы, требующие хронологического сопоставления (например, [Компании, обанкротившиеся во время экономического кризиса]).
• Специфические запросы: Информационные или транзакционные запросы с локальным интентом, требующие анализа взаимосвязей.
• Конкретные ниши: Туризм, недвижимость, локальный ритейл, финансы, история.

Когда применяется

Алгоритм применяется, когда запрос пользователя интерпретируется как поиск относительной связи между различными типами сущностей.

• Триггеры активации: Наличие в запросе двух или более идентифицируемых Entity Types и термина, указывающего на относительную связь (пространственную: рядом, около; временную: во время, до, после).
• Условие применения: Запрашиваемые сущности должны присутствовать в Knowledge Graph и обладать необходимыми сравнимыми атрибутами (местоположением или датой).

Пошаговый алгоритм

Процесс А: Обработка запроса в реальном времени

1. Получение и парсинг запроса: Система получает compositional query. Идентифицируются Тип Сущности 1 (T1), Тип Сущности 2 (T2) и Критерий (C) (например, расстояние < 10 миль).
2. Извлечение кандидатов и атрибутов: Из Knowledge Graph извлекаются экземпляры сущностей T1 и T2 и их релевантные атрибуты (координаты или даты).
3. Сравнение и вычисление:
   • Вариант 1 (Прямое вычисление): Для каждой пары сущностей (E1 из T1, E2 из T2) вычисляется разница между их атрибутами (расстояние или временной интервал). Сложность $O(N*M)$.
   • Вариант 2 (Оптимизация): Система обращается к pre-generated table, чтобы быстро найти для E1 ближайшие сущности E2 и соответствующие разницы.
4. Фильтрация: Выбираются пары (E1, E2), у которых вычисленная разница удовлетворяет Критерию (C).
5. Визуализация и отображение: Генерируется интерфейс (карта или временная шкала). Результирующие сущности отображаются в виде аннотаций (с различными иконками для T1 и T2, согласно Claims).
6. Интерактивная корректировка: Пользователю предоставляется интерфейс (filter menu, например, слайдер расстояния) для изменения Критерия (C), что динамически обновляет отображаемые результаты.

Процесс Б: Офлайн-генерация таблицы (Оптимизация)

1. Определение типов сущностей: Выбираются пары типов сущностей, которые часто запрашиваются вместе (например, Аэропорты и Отели).
2. Итерация по сущностям: Для каждой сущности (E1) основного типа (T1).
3. Вычисление разниц: Вычисляются разницы атрибутов (расстояние/время) между E1 и всеми сущностями вторичного типа (T2).
4. Выбор ближайшей сущности: Определяется сущность T2 с минимальной разницей к E1 (целевая сущность).
5. Сохранение данных: В pre-generated table сохраняется запись для E1, содержащая идентификатор ближайшей сущности T2 и значение разницы.

Какие данные и как использует

Данные на входе

Система полагается исключительно на структурированные данные, хранящиеся в Knowledge Graph.

• Географические факторы (Spatial Attributes): Атрибуты местоположения сущностей. Используются точные координаты (широта/долгота) для мест, бизнесов или локаций событий.
• Временные факторы (Temporal Attributes): Атрибуты времени для событий. Используются конкретные даты или временные интервалы (даты начала/окончания, продолжительность).
• Данные о сущностях (KG Data): Идентификаторы сущностей (Entity References) и их классификация (Entity Types), необходимые для идентификации кандидатов.
• Другие атрибуты: В описании патента упоминается, что механизм может применяться к любым сравнимым атрибутам (например, высота зданий, доход супругов).

Какие метрики используются и как они считаются

• Расстояние (Distance): Метрика для пространственных отношений. Вычисляется на основе разницы между географическими координатами двух сущностей.
• Временной интервал (Time Interval): Метрика для временных отношений. Вычисляется как разница между датами или временными метками двух сущностей.
• Критерий/Порог (Criterion): Значение, заданное в запросе или через интерфейс фильтрации, которое определяет максимальное допустимое расстояние или временной интервал для включения пары в результаты.

1. Переход от ключевых слов к атрибутам сущностей: Патент демонстрирует механизм обработки запросов, основанный исключительно на сравнении атрибутов сущностей (время, место), а не на совпадении ключевых слов в документах.
2. Knowledge Graph как источник истины: Система полностью зависит от данных в Knowledge Graph. Наличие сущности в KG, её правильная типизация и точность атрибутов являются обязательными условиями для видимости по композиционным запросам.
3. Фокус на визуализации и интерактивности: Результаты предназначены для отображения в структурированном, визуальном формате (карты, временные шкалы). Система позволяет пользователю интерактивно уточнять критерии связи (например, регулировать расстояние) прямо в выдаче.
4. Оптимизация через офлайн-вычисления: Для решения сложной задачи сравнения множества сущностей (O(N*M)) Google использует предварительные вычисления и pre-generated tables, что обеспечивает быстрый отклик системы.
5. Специфичность утвержденных Claims: Хотя описание патента широко, финальные утвержденные Claims сосредоточены конкретно на пространственных отношениях (расстоянии) и их отображении на географическом интерфейсе (карте) с интерактивной фильтрацией.

Best practices (это мы делаем)

• Обеспечение точности данных в Knowledge Graph: Критически важно, чтобы ваша сущность была корректно представлена в KG. Для локального бизнеса это означает активное управление Google Business Profile (GBP) с максимально точными координатами и правильной категоризацией (Entity Type).
• Использование структурированных данных (Schema.org): Внедряйте микроразметку для помощи Google в извлечении и верификации атрибутов.
  • Для локальных сущностей: используйте LocalBusiness и обязательно указывайте точные координаты в свойстве geo (latitude/longitude).
  • Для событий: используйте Event, точно указывая startDate, endDate и location.
• Согласованность NAP и Дат: Убедитесь, что информация о названии, адресе, телефоне (NAP) и датах событий абсолютно согласована на вашем сайте, в GBP и авторитетных каталогах. Несоответствия могут привести к ошибкам в атрибутах KG, что критично для этого механизма.
• Построение авторитетности сущности: Работайте над укреплением позиций сущности в KG через упоминания в авторитетных источниках, чтобы подтвердить её атрибуты и связи.

Worst practices (это делать не надо)

• Игнорирование оптимизации сущностей (Entity SEO): Фокусироваться только на традиционной оптимизации веб-страниц под ключевые слова, игнорируя работу с представлением сущности в KG. Это приведет к потере видимости по всем композиционным запросам.
• Предоставление неточных или неполных атрибутов: Указание неточного адреса, отсутствие координат в разметке или неверные даты событий сделают невозможным включение вашей сущности в результаты, так как система не сможет корректно рассчитать расстояние или временной интервал.
• Отсутствие микроразметки: Не использовать Schema.org для описания ключевых атрибутов сущности, полагаясь на то, что Google самостоятельно извлечет данные из неструктурированного текста.

Стратегическое значение

Этот патент подтверждает стратегию Google по переходу к "Entity-First" подходу для обработки значительной части запросов, особенно в локальном и событийном поиске. Видимость все больше зависит от качества структурированных данных, которые Google связывает с сущностью. Долгосрочная SEO-стратегия должна включать управление представлением сущности в Knowledge Graph как приоритетное направление, фокусируясь на точности её атрибутов.

Практические примеры

Сценарий: Оптимизация сети ресторанов для локального композиционного запроса

Задача: Обеспечить видимость ресторанов сети по запросу [рестораны рядом со станциями метро] в интерфейсе Google Maps.

1. Анализ сущностей: Идентифицируются два типа: T1="Ресторан" (наш бизнес) и T2="Станция метро". Связь: Пространственная (расстояние).
2. Оптимизация KG (Рестораны): Для каждой точки сети верифицируется Google Business Profile. Проверяется точность установки пина на карте (координаты) и основная категория "Ресторан".
3. Внедрение Schema на сайте: На странице каждого ресторана внедряется разметка Restaurant, включающая точные geo координаты, идентичные координатам в GBP.
4. Механизм работы: Когда пользователь вводит запрос, Google сравнивает координаты всех ресторанов (T1) и всех станций метро (T2) из своего KG.
5. Ожидаемый результат: Если ресторан находится достаточно близко к станции метро (удовлетворяет критерию расстояния, который пользователь может настроить через слайдер, как описано в патенте), он будет показан на карте в виде аннотации.