Как Google использует Knowledge Graph для генерации коллекций связанных сущностей и облегчения навигации в поиске

Термины и определения

Entity (Сущность)

Вещь или концепция, которая является единичной, уникальной, четко определенной и различимой (например, человек, место, предмет, идея). В графе представлена узлом (node). В патенте используется взаимозаменяемо с Entity Reference.

Knowledge Graph (Граф знаний)

Структура данных, состоящая из узлов (nodes) и рёбер (edges). Хранит информацию о сущностях и отношениях между ними.

Node (Узел)

Элемент Knowledge Graph. Узлы могут представлять сущности, типы сущностей, свойства или литеральные значения.

Edge (Ребро)

Семантическая связь, определяющая отношение между двумя узлами в Knowledge Graph (например, «Is A», «Has A»).

Triple / 3-tuple (Триплет)

Группа из двух узлов и соединяющего их ребра (Узел 1 - Ребро - Узел 2). Представляет собой факт или утверждение о взаимосвязи (например, «George Washington» - «Is A» - «U.S. President»).

Entity Type (Тип сущности)

Определяющая характеристика сущности (например, «Person», «Movie»). В графе представлен узлом типа сущности (Entity type node).

Related Collection (Связанная коллекция)

Набор связанных результатов поиска (сущностей), сгенерированный системой на основе анализа отношений в Knowledge Graph.

Differentiation (Дифференциация)

Ситуация "многие-к-одному", когда несколько имен (алиасов) связаны с одной сущностью.

Disambiguation (Устранение неоднозначности)

Ситуация "один-ко-многим", когда одно и то же имя связано с несколькими сущностями.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод поиска связанных сущностей с использованием Knowledge Graph.

1. Система получает множество результатов поиска, идентифицирующих сущности из Knowledge Graph.
2. Система идентифицирует одну или более связанных сущностей (related entities) в Knowledge Graph.
3. Определяются рёбра графа (graph edges), которые связывают узлы исходных сущностей с узлами связанных сущностей.
4. Для каждого определенного ребра генерируется триплет (triple).
5. Каждый сгенерированный триплет анализируется для идентификации дополнительных сущностей в Knowledge Graph и связанного множества результатов (related plurality of results).
6. Система предоставляет доступ к этому связанному множеству результатов.

Ядром изобретения является использование структурного анализа Knowledge Graph (в частности, генерация и анализ триплетов) для определения и представления пользователю новых коллекций связанных сущностей. Это не поиск по ключевым словам, а навигация по семантическим связям.

Claim 2 (Зависимый от 1): Уточняет, что предоставление доступа включает предоставление доступа к коллекции результатов, идентифицирующих сущности, которые все относятся к одному и тому же типу (same type).

Это означает, что система стремится создавать однородные коллекции (например, коллекция только актеров или только фильмов).

Claim 3 (Зависимый от 1): Уточняет, что предоставление доступа включает предоставление ссылок на основе релевантности (relevance).

Claim 31 (Зависимый от 1): Описывает расширение метода для генерации текстовых запросов.

1. На основе как минимум одного сгенерированного триплета идентифицируются один или несколько альтернативных текстовых запросов (alternative text queries).
2. Определяются дополнительные результаты на основе этих альтернативных текстовых запросов.
3. Предоставляется доступ к этим дополнительным результатам.

Это важный пункт, который связывает исследование сущностей обратно с традиционным поиском. Система может использовать информацию из триплета для формулирования нового текстового запроса.

Где и как применяется

Изобретение применяется на нескольких этапах поиска, интегрируя данные из Knowledge Graph в процесс генерации SERP.

INDEXING – Индексирование и извлечение признаков
На этом этапе формируется и обновляется Knowledge Graph. Система извлекает сущности, определяет их типы и устанавливает связи (edges) между ними, формируя триплеты. Эти данные являются основой для работы механизма.

QUNDERSTANDING – Понимание Запросов
Система интерпретирует запрос пользователя и идентифицирует связанные с ним сущности или коллекции сущностей в Knowledge Graph.

RANKING – Ранжирование
Основная система ранжирования генерирует первичный набор результатов, которые могут включать сущности, идентифицированные из Knowledge Graph.

METASEARCH – Метапоиск и Смешивание
Основное применение патента. После того как исходные результаты получены, система активирует механизм Related Entity Search:

1. Анализируются сущности, присутствующие в результатах.
2. Система обращается к Knowledge Graph для поиска связанных сущностей и анализа триплетов.
3. Генерируются связанные коллекции (Related Collections).
4. Алгоритмы смешивания интегрируют эти коллекции в SERP в виде специальных блоков (карусели, меню "Explore", панели).

Входные данные:

• Поисковый запрос пользователя.
• Исходный набор результатов поиска (идентифицирующих сущности).
• Данные из Knowledge Graph (узлы, рёбра, типы сущностей).

Выходные данные:

• Доступ к связанным коллекциям сущностей.
• Альтернативные текстовые запросы (согласно Claim 31).
• Элементы пользовательского интерфейса (UI), представляющие эти коллекции.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на тематики, которые хорошо структурированы в Knowledge Graph: развлечения (фильмы, музыка, книги), биографии, наука, история, география, e-commerce.
• Специфические запросы: Влияет на запросы, которые явно или неявно относятся к коллекциям сущностей (например, "романтические фильмы", "книги Шекспира") или к отдельным сущностям, имеющим богатые связи в Knowledge Graph.
• Форматы контента: Способствует отображению структурированных данных в SERP, таких как карусели, списки сущностей и панели знаний.

Когда применяется

Алгоритм применяется при следующих условиях:

• Триггеры активации: Когда исходный поисковый запрос приводит к результатам, которые могут быть идентифицированы как набор сущностей в Knowledge Graph.
• Наличие данных: Когда для этих исходных сущностей существуют значимые связи (edges) с другими сущностями в Knowledge Graph, позволяющие сформировать релевантные и однородные (Claim 2) связанные коллекции.

Пошаговый алгоритм

Процесс генерации связанных коллекций сущностей:

1. Получение исходных сущностей: Система получает запрос и извлекает из Knowledge Graph множество результатов, идентифицирующих исходные сущности (например, список фильмов по запросу «Романтические фильмы»).
2. Идентификация связанных сущностей: Система обходит Knowledge Graph для идентификации сущностей, связанных с исходным набором (например, актеров, режиссеров этих фильмов).
3. Определение отношений (Рёбер): Система определяет конкретные рёбра графа (graph edges), которые соединяют узлы исходных сущностей с узлами связанных сущностей.
4. Генерация триплетов: Для каждой найденной связи формируется триплет, состоящий из исходного узла, ребра и связанного узла (например, Фильм А - [Актер] -> Персона X).
5. Анализ и кластеризация триплетов: Система анализирует сгенерированные триплеты для выявления общих паттернов. Триплеты кластеризуются на основе типа связанной сущности или типа отношения (ребра).
6. Формирование связанных коллекций: На основе анализа триплетов система формирует связанные коллекции. Система отдает предпочтение коллекциям, где все сущности одного типа (Claim 2).
7. Ранжирование коллекций: Сформированные коллекции могут ранжироваться на основе релевантности (Claim 3).
8. (Опционально) Генерация альтернативных запросов: Система может идентифицировать альтернативные текстовые запросы на основе триплетов (Claim 31).
9. Предоставление доступа (UI): Система предоставляет доступ к выбранным коллекциям через пользовательский интерфейс (например, меню, панель или горизонтально прокручиваемый дисплей).

Какие данные и как использует

Данные на входе

Патент сосредоточен исключительно на использовании структурированных данных из Knowledge Graph. Он не упоминает традиционные факторы ранжирования веб-страниц (контентные, ссылочные, поведенческие и т.д.) для этого механизма.

• Структурные факторы (Knowledge Graph Data):
  • Entities (Сущности): Исходные и связанные сущности, представленные как узлы (nodes).
  • Entity Types (Типы сущностей): Классификация сущностей. Используется для формирования однородных коллекций.
  • Relationships (Отношения): Связи между сущностями, представленные как рёбра (edges).
  • Properties/Values (Свойства/Значения): Литеральные значения, связанные с сущностями.

Какие метрики используются и как они считаются

Патент не детализирует конкретные формулы для расчета метрик, но упоминает следующие концепции, используемые в процессе:

• Анализ триплетов (Triple Analysis): Основной метод вычисления. Система анализирует структуру triples для идентификации паттернов связей.
• Однородность типа (Type Homogeneity): Используется для обеспечения однородности коллекций (Claim 2). Система проверяет, принадлежат ли сущности в коллекции к одному типу.
• Relevance (Релевантность): Упоминается в Claim 3. Конкретный метод расчета релевантности не указан, но он используется для выбора и упорядочивания предлагаемых коллекций.

1. Knowledge Graph как навигационная структура: Патент подтверждает роль Knowledge Graph не просто как источника фактов, а как инструмента для исследования темы (Topic Exploration). Google использует связи между сущностями для проактивного предложения пользователю путей дальнейшего исследования.
2. Структурный анализ связей (Триплеты): Ключевым механизмом является генерация и анализ триплетов. Понимание того, как сущности связаны (предикат в триплете), позволяет Google создавать осмысленные и релевантные связанные коллекции.
3. Приоритет однородных коллекций: Система предпочитает генерировать коллекции, состоящие из сущностей одного типа (например, список Актеров). Это улучшает пользовательский опыт и структурирует выдачу.
4. От сущностей к текстовым запросам: Механизм (Claim 31) позволяет системе преобразовывать семантические связи обратно в альтернативные текстовые запросы. Это демонстрирует глубокую интеграцию между Knowledge Graph и традиционной системой поиска.
5. Критичность Entity SEO: Для SEO это подтверждает необходимость оптимизации под сущности и их взаимосвязи. Видимость контента зависит от того, насколько хорошо он связан с сущностями, которые Google использует для генерации этих коллекций.

Best practices (это мы делаем)

• Оптимизация присутствия в Knowledge Graph (Entity SEO): Ключевая задача — обеспечить, чтобы ваши основные сущности (бренд, продукты, авторы, ключевые лица) были точно представлены и хорошо связаны в Knowledge Graph. Используйте согласованные данные (NAP) и поддерживайте актуальность официальных профилей.
• Использование полной и точной разметки Schema.org: Внедряйте структурированные данные для определения сущностей и, что критически важно, для определения связей между ними. Используйте свойства, которые явно указывают на отношения (например, brand, author, director, actor, isPartOf). Это помогает Google формировать точные триплеты.
• Построение Topical Authority через кластеры сущностей: Организуйте контент вокруг ключевых сущностей и тем. Создавайте контент, который покрывает связанные сущности и явно описывает отношения между ними (в тексте и через внутреннюю перелинковку).
• Устранение неоднозначности (Disambiguation): Активно работайте над тем, чтобы ваши сущности были отличимы от других сущностей с похожими названиями. Используйте точные идентификаторы (например, через sameAs в Schema.org) и контекст.

Worst practices (это делать не надо)

• Фокус только на ключевых словах (Strings, not Things): Игнорирование сущностной оптимизации. Если ваш контент не связан с четко определенными сущностями, он не будет участвовать в механизмах исследования, описанных в патенте.
• Неполная или противоречивая разметка Schema.org: Внедрение разметки без учета семантической точности связей. Противоречивые данные могут помешать формированию корректных триплетов.
• Создание изолированного контента: Публикация статей, которые не связаны семантически с другими материалами на сайте или с общепринятыми сущностями в нише. Изолированные сущности сложнее включить в коллекции.

Стратегическое значение

Этот патент подтверждает стратегию Google по превращению поисковой системы в систему исследования и открытий, основанную на индексе сущностей (Knowledge Graph). Для долгосрочной SEO-стратегии это означает, что инвестиции в Entity SEO и структурированные данные становятся критически важными. Способность Google генерировать связанные коллекции напрямую влияет на то, как пользователи перемещаются по контенту и открывают для себя новые бренды или продукты.

Практические примеры

Сценарий 1: Оптимизация сайта с обзорами книг

1. Задача: Повысить видимость сайта по запросам, связанным с авторами и жанрами.
2. Применение патента: Необходимо помочь Google связать сущности "Книга", "Автор" и "Жанр", чтобы контент сайта попадал в связанные коллекции.
3. Действия:
   • На странице обзора книги (например, "Ромео и Джульетта") внедрить микроразметку Book.
   • Четко указать свойство author, ссылающееся на сущность "William Shakespeare" (используя Person разметку и sameAs ссылку на его идентификатор в KG/Wikipedia).
   • Указать свойство genre.
4. Ожидаемый результат: Google распознает отношения (триплеты): (Romeo and Juliet) -[Has Author]-> (Shakespeare). Когда пользователь ищет "Romeo and Juliet", система может сгенерировать связанные коллекции "Shakespeare Plays". Сайт, как авторитетный источник для этих сущностей, имеет больше шансов ранжироваться в этих коллекциях.

Сценарий 2: Оптимизация E-commerce сайта

1. Задача: Увеличить видимость аксессуаров при поиске основного продукта.
2. Действия: На странице смартфона (Основной продукт) внедрить разметку Product. Использовать свойство isAccessoryOrSparePartFor или isRelatedTo для связи с чехлами и зарядками (Аксессуары).
3. Ожидаемый результат: При поиске смартфона Google может идентифицировать связь "имеет аксессуар" и сгенерировать Related Collection: "Аксессуары для этого смартфона", увеличивая видимость ваших товаров в этой коллекции.