Как Google использует коллекции сущностей для определения коммерческого интента запроса

Термины и определения

Annotator (Аннотатор)

Компонент системы, который анализирует запрос, идентифицирует термины, относящиеся к сущностям, и связывает их с конкретными идентификаторами сущностей, часто с оценкой уверенности (confidence score).

Collection (Коллекция)

Группа сущностей, которые имеют общую характеристику. Например, коллекция «Фильмы» или «Производители автомобилей». Сущность может принадлежать к нескольким коллекциям.

Commercial Intent (Коммерческое намерение)

Намерение пользователя совершить покупку товара или услуги.

Commercial Intent Identifier (Идентификатор коммерческого намерения)

Компонент системы, который анализирует аннотированные сущности и их коллекции для генерации оценки, отражающей вероятность коммерческого намерения пользователя.

Entity (Сущность)

Человек, место, продукт, услуга, вертикаль, концепция или абстрактная идея. Идентифицируемый объект в базе знаний.

Entity Engines (Движки сущностей)

Набор специализированных алгоритмов (например, Generic, Collection-Based, Product, Local Store, Flight Trip Entity Engine), которые оценивают вероятность коммерческого интента на основе различных данных (связанные сущности, коллекции, география, поведение пользователей).

Blacklist Collection (Черный список коллекций)

Коллекция, принадлежность к которой указывает на отсутствие коммерческого намерения.

Human Evaluation Data (Данные человеческой оценки)

Данные о поведенческих паттернах пользователей, которые используются для определения коммерческого интента (например, клики на рекламу, связанную с сущностью).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт, Метод): Описывает основной метод определения коммерческого интента.

1. Система получает запрос, состоящий из терминов или фраз.
2. Идентифицируются сущности (entities), связанные с этими терминами.
3. Для каждой идентифицированной сущности определяются одна или несколько коллекций (collections of entities), членом которых она является.
4. Определяется коммерческое намерение (commercial intent) пользователя. Ключевой шаг: это определение включает оценку (evaluating) выявленных коллекций.
5. На основе определенного коммерческого намерения принимается решение о том, когда доставлять дополнительные единицы контента (additional content items, например, рекламу) вместе с результатами поиска.

Claim 2 (Зависимый от 1): Уточняет процесс определения коллекций.

Система может определить коллекцию, которая включает в себя *все* идентифицированные в запросе сущности. Это помогает установить общий контекст и разрешить неоднозначность.

Claim 3 (Зависимый от 1): Уточняет механизм определения интента.

Определение коммерческого намерения включает оценку критериев включения в коллекцию и использование этих критериев для вывода о коммерческом намерении. Это означает, что система анализирует, почему сущность находится в коллекции, и является ли эта причина коммерческой.

Claim 8 (Зависимый от 1): Вводит понятие черного списка.

Если одна из коллекций идентифицирована как blacklist collection, система делает вывод, что намерение пользователя не является коммерческим (не направлено на покупку товара или услуги).

Claim 19 (Независимый пункт, Система): Описывает архитектуру системы.

Система включает Annotator, Commercial intent identifier для генерации оценок коммерческого интента и Content item matcher для использования этих данных при предоставлении контента.

Где и как применяется

Изобретение является ключевой частью этапа понимания запросов и напрямую влияет на формирование выдачи.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента.

1. Аннотирование (Entity Recognition): Annotator работает на этом этапе, распознавая сущности в запросе.
2. Классификация Интента (Intent Classification): Commercial Intent Identifier анализирует сущности и их коллекции для определения контекста и классификации интента как коммерческого или некоммерческого. Это помогает разрешить неоднозначности.
3. Режимы работы: Патент описывает два режима. Offline Process используется для предварительного анализа логов и построения карты соответствий (Query-to-Entity Targeting Data Mappings). Real-time Process используется для обработки запроса пользователя на лету.

METASEARCH – Метапоиск и Смешивание
Результаты работы системы используются на этом этапе для триггеринга (Triggering) вертикалей. Если определен коммерческий интент, система принимает решение активировать вертикаль коммерческого контента (например, Реклама или Товарные блоки) и доставить additional content items.

Входные данные:

• Поисковый запрос (текст).
• База данных сущностей и коллекций (Knowledge Graph).
• Данные для Entity Engines: связанные сущности (Related Entities), данные о поведении пользователей (Human Evaluation Data), географические данные (Geographic Data).

Выходные данные:

• Аннотированный запрос (термины, связанные с сущностями).
• Оценка коммерческого интента запроса.
• Решение о доставке дополнительного контента.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы, где один и тот же термин может относиться как к коммерческим, так и к некоммерческим сущностям (например, «Apple», «Jaguar»). Также влияет на все явно коммерческие запросы.
• Конкретные ниши или тематики: Критически важно для E-commerce, локального бизнеса (Local SEO, за счет Local Store Entity Engine) и путешествий (за счет Flight Trip Entity Engine).
• Разрешение неоднозначности: Помогает системе выбрать правильную интерпретацию запроса, основываясь на контексте, заданном коллекциями.

Когда применяется

Алгоритм применяется при обработке большинства поисковых запросов в рамках этапа Query Understanding.

• Триггеры активации: Активируется, когда Annotator идентифицирует одну или несколько сущностей в запросе.
• Условия работы: Система ищет контекст для этих сущностей, проверяя их принадлежность к различным коллекциям.
• Исключения: Если сущности принадлежат к blacklist collection, система делает вывод об отсутствии коммерческого интента.

Пошаговый алгоритм

Процесс обработки запроса и определения коммерческого интента

1. Получение запроса: Система получает запрос, состоящий из терминов или фраз.
2. Аннотирование и идентификация сущностей: Annotator анализирует термины запроса. Он определяет, какие термины относятся к сущностям, и связывает их с идентификаторами сущностей, присваивая confidence scores.
3. Определение коллекций: Для каждой идентифицированной сущности система определяет одну или несколько коллекций, членом которых является эта сущность. Может также искаться коллекция, включающая все идентифицированные сущности запроса (для определения контекста).
4. Анализ коммерческого интента (Commercial Intent Identifier):
   1. Параллельная обработка движками: Различные Entity Engines (Product, Local Store, Collection-Based и т.д.) параллельно обрабатывают сущности, используя специализированные источники данных.
   2. Генерация оценок: Каждый движок генерирует пары «сущность-оценка» (entity-score pairs), где оценка отражает вероятность коммерческого интента, вычисленную этим движком.
5. Объединение и взвешивание оценок: Модуль Merge and Entity Scorer собирает и взвешивает оценки от разных движков (например, оценка от Product Engine может иметь больший вес, чем от Generic Engine).
6. Фильтрация и вывод интента: Система оценивает критерии включения в коллекции. Если сущности принадлежат к коммерческим коллекциям, интент признается коммерческим. Если сущности принадлежат к blacklist collection, интент признается некоммерческим.
7. Принятие решения о контенте: На основе определенного интента система решает, следует ли доставлять additional content items (рекламу).
8. Выбор контента: Если решение положительное, Content Item Matcher использует идентифицированные коммерческие сущности и коллекции для выбора релевантного контента для показа.

Какие данные и как использует

Данные на входе

Патент описывает использование следующих ключевых данных для определения коммерческого интента:

• Данные о Сущностях (Entity Data): Идентификаторы сущностей, распознанных в запросе.
• Структурные данные (Collections): Данные о коллекциях, к которым принадлежат сущности, и критерии включения в эти коллекции. Включает whitelist и blacklist коллекции.
• Данные о связях (Related Entities): Информация об ассоциациях между сущностями (например, связь между брендами-конкурентами).
• Поведенческие факторы (Human Evaluation Data): Данные о поведении пользователей, связанные с сущностями. Например, если пользователи часто кликают на рекламу, связанную с сущностью, это повышает вероятность ее коммерческого интента.
• Географические факторы (Geographic Data): Информация о местоположении сущностей. Типы локаций (например, торговый центр, ресторан) могут указывать на коммерческий интент, в отличие от других (например, общественный парк).

Какие метрики используются и как они считаются

• Confidence Score (Оценка уверенности): Метрика, генерируемая Annotator, указывающая на вероятность того, что данный термин в запросе действительно относится к данной сущности.
• Entity-Score Pairs (Пары Сущность-Оценка): Оценки, генерируемые каждым Entity Engine. Они отражают вероятность коммерческого интента с точки зрения специфики движка.
• Engine Independent Score (Агрегированная оценка): Итоговая оценка, вычисляемая Merge and Entity Scorer. Она объединяет оценки от разных движков, возможно, с применением весовых коэффициентов для разных движков.
• Критерии включения в коллекцию: Качественные характеристики коллекций, которые оцениваются системой для вывода об интенте.

1. Коллекции сущностей определяют контекст и интент: Ключевой вывод — Google не просто идентифицирует сущности, но и активно анализирует, к каким группам (collections) они принадлежат. Именно характеристики этих коллекций позволяют системе классифицировать интент как коммерческий или некоммерческий.
2. Разрешение неоднозначности через коммерческий интент: Система использует вероятность коммерческого интента для выбора правильной сущности при неоднозначности. Если контекст запроса указывает на коммерцию, будет выбрана коммерческая сущность (Jaguar автомобиль), а не некоммерческая (Jaguar животное).
3. Многофакторная оценка коммерциализации: Определение коммерческого интента — это сложный процесс, использующий несколько движков (Entity Engines). Учитываются связи между сущностями, категоризация, поведение пользователей (Human Evaluation Data) и география (Geographic Data).
4. Черные списки коллекций для подавления коммерции: Система активно использует blacklist collections для идентификации некоммерческого интента. Принадлежность к такой коллекции может подавить показ коммерческого контента.
5. Фундамент для Query Understanding: Механизмы, описанные в патенте, дают глубокое понимание того, как работает базовое понимание запросов в Google. SEO-специалистам необходимо работать над тем, чтобы их контент и сайты были четко ассоциированы с правильными сущностями и коммерческими коллекциями.

Best practices (это мы делаем)

• Укрепление ассоциации сайта с коммерческими коллекциями: Необходимо обеспечить, чтобы Google четко понимал, к каким коммерческим категориям (коллекциям) относятся ваши продукты или услуги. Используйте структурированные данные (Schema.org Product, Service, Organization), четкую таксономию сайта и контент, который явно связывает ваши сущности с соответствующими коммерческими вертикалями.
• Построение связей с релевантными сущностями: Создавайте контент, который связывает ваши основные сущности (продукты, бренд) с другими сущностями в той же коллекции (например, сравнения с конкурентами, упоминание связанных аксессуаров). Патент показывает, что Related Entities используются для определения коммерческого контекста.
• Оптимизация под локальный коммерческий интент: Для локального бизнеса критически важно укреплять связь между брендом, услугой и географической сущностью. Убедитесь, что Google классифицирует вашу локацию как коммерческую (используя данные из Google Business Profile), так как Local Store Entity Engine использует эти данные для подтверждения коммерческого интента.
• Создание контента для разрешения неоднозначности: Если ваш бренд или продукт имеет название, которое может быть неоднозначным, создавайте контент, который явно задает коммерческий контекст. Используйте в контенте термины, которые помогут системе поместить вашу сущность в правильную коммерческую коллекцию, а не в blacklist collection.

Worst practices (это делать не надо)

• Изолированная оптимизация под ключевые слова: Фокус только на вхождении ключевых слов без учета того, как они связываются с сущностями и коллекциями, неэффективен. Система ищет контекст через коллекции, а не просто совпадения текста.
• Игнорирование таксономии и структуры сайта: Хаотичная структура сайта затрудняет для Google определение основных коллекций, к которым относится ваш бизнес. Это может привести к неверной классификации интента при запросах, связанных с вашим сайтом.
• Смешивание коммерческого и некоммерческого контента без четкого разделения: Если на сайте смешивается контент, относящийся к разным типам коллекций, это может запутать систему при определении основного интента, особенно если некоммерческий контент (потенциально связанный с blacklist collections) доминирует.

Стратегическое значение

Патент подтверждает стратегическую важность Entity-First подхода и использования Knowledge Graph для понимания запросов. Для SEO это означает, что стратегия должна строиться вокруг оптимизации сущностей и их контекста (коллекций). Долгосрочный успех зависит от того, насколько точно Google ассоциирует ваш сайт с релевантными коммерческими коллекциями. Понимание интента является первым и главным шагом в обработке запроса, определяющим дальнейшую логику ранжирования и формирования SERP.

Практические примеры

Сценарий: Оптимизация неоднозначного названия продукта «Puma»

Задача: Убедиться, что запросы, связанные с брендом спортивной одежды Puma, классифицируются как коммерческие и не путаются с животным.

1. Анализ коллекций: Определить целевые коммерческие коллекции («Бренды спортивной одежды», «Кроссовки») и нежелательные blacklist collections («Семейство кошачьих»).
2. Укрепление связей (Related Entities): Активно упоминать в контенте и метаданных связанные сущности из коммерческих коллекций: конкурентов (Nike, Adidas), типы продуктов (Suede, RS-X), спортсменов-амбассадоров.
3. Структурированные данные: Внедрить разметку Organization и Product, используя category и brand для явного указания на коммерческий контекст. Использовать sameAs для связи с узлом в Knowledge Graph, относящимся именно к бренду.
4. Ожидаемый результат: Система распознает сущность «Puma» (бренд). Анализируя ее принадлежность к коллекции «Бренды спортивной одежды» и связи с Nike/Adidas, Commercial Intent Identifier уверенно классифицирует интент как коммерческий, триггерит показ товарных блоков и ранжирует релевантные страницы интернет-магазинов.