Как Google использует свежесть и популярность для ранжирования сущностей в блоках ответов (Answer Boxes)

Термины и определения

Answer Box (Блок ответов)

Специальный формат представления результатов поиска, который содержит информацию о сущностях отдельно от стандартных синих ссылок. Используется для прямого ответа на запрос.

Entity (Сущность)

Вещь или понятие, которое является единичным, уникальным и различимым (например, человек, место, событие, продукт). Представлена узлом в Knowledge Graph.

First Entity (Первичная сущность)

Сущность, идентифицированная на основе исходного запроса пользователя (например, категория «Фильмы» или организация «NBA»).

Freshness Score (Оценка свежести)

Показатель новизны информации, связанной с сущностью. Рассчитывается на основе дат, ассоциированных с сущностью (например, даты релиза, даты событий).

Knowledge Graph (Граф Знаний)

База данных, организованная в виде графа, где узлы представляют сущности, а ребра — отношения между ними. Используется как основной источник данных о сущностях и их связях.

Popularity Score (Оценка популярности)

Показатель популярности сущности. Рассчитывается на основе внешних сигналов: объема поисковых запросов, взаимодействий в социальных сетях и количества упоминаний в документах.

Relevancy Score (Оценка релевантности)

Итоговая оценка, представляющая релевантность вторичной сущности исходному запросу. Определяется на основе комбинации Freshness Score и Popularity Score.

Second Entity (Вторичная сущность)

Сущность, связанная с Первичной сущностью в Knowledge Graph (например, конкретный фильм или конкретная спортивная команда).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения релевантности сущностей.

1. Система получает запрос от клиентского устройства.
2. На основе данных графа (Knowledge Graph) определяется первый узел (представляющий First Entity), соответствующий запросу.
3. Идентифицируются вторые сущности (Second Entities), представленные вторыми узлами, которые связаны с первым узлом ребром в графе.
4. Для каждой второй сущности:
   1. Определяется показатель популярности (measure of popularity).
   2. Определяется показатель свежести (measure of freshness). Ключевая деталь: Механизм свежести, защищенный этим пунктом, включает: (i) идентификацию множества дат в узлах, связанных со вторым узлом; (ii) вычисление среднего значения (average) этих дат; (iii) определение показателя свежести на основе того, насколько недавним является это среднее значение.
   3. На основе показателей свежести и популярности определяется Relevancy Score.
5. Определяется, удовлетворяет ли Relevancy Score пороговому значению.
6. Если ДА, вторая сущность предоставляется в ответ на запрос для отображения на клиентском устройстве.

Claim 2 (Зависимый от 1): Детализирует расчет показателя популярности.

Показатель популярности определяется на основе одного или нескольких сигналов:

• Количество запросов, связанных со второй сущностью.
• Количество взаимодействий пользователей социальных сетей со второй сущностью в одной или нескольких социальных сетях.
• Количество документов, ссылающихся на вторую сущность.

Claim 4 (Зависимый от 1): Детализирует способ предоставления результата.

Предоставление второй сущности включает предоставление ее и связанной с ней информации для отображения в Answer Box.

Где и как применяется

Изобретение применяется для генерации и ранжирования контента для специализированных блоков выдачи (SERP Features).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит сбор и обработка данных, необходимых для работы системы. Это включает построение Knowledge Graph (связи между сущностями, ассоциированные даты для Freshness Score). Также обрабатываются внешние данные: журналы запросов, данные социальных сетей и веб-индекс для оценки Popularity Score.

QUNDERSTANDING – Понимание Запросов
Система интерпретирует запрос пользователя и сопоставляет его с First Entity в Knowledge Graph.

METASEARCH – Метапоиск и Смешивание
Основное применение патента. Система функционирует как специализированный движок ранжирования для связанных сущностей.

1. Извлечение кандидатов: Система извлекает Second Entities, связанные с First Entity.
2. Ранжирование кандидатов: Кандидаты ранжируются с использованием рассчитанных Relevancy Scores (Freshness + Popularity).
3. Формирование SERP Feature: Топовые сущности, прошедшие порог, используются для заполнения Answer Box или аналогичного блока (например, карусели).
4. Смешивание: Сформированный блок предоставляется вместе с основными результатами поиска.

Входные данные:

• Запрос пользователя.
• Данные Knowledge Graph (сущности, связи, свойства, даты).
• Журналы поисковых запросов (Query Logs).
• Данные о взаимодействиях в социальных сетях.
• Данные веб-индекса (количество ссылающихся документов).

Выходные данные:

• Отсортированный список релевантных Second Entities и связанная с ними информация.
• Сформированный Answer Box или аудиоответ.

На что влияет

• Конкретные ниши и тематики: Наибольшее влияние оказывается на ниши, где актуальность и трендовость имеют критическое значение: медиа (фильмы, музыка), события (концерты, спортивные матчи), новости, продукты (на основе дат запуска и текущего интереса).
• Специфические запросы: Влияет на запросы, которые могут быть интерпретированы как поиск сущности или категории сущностей (информационные, событийные).
• Форматы контента: Влияет на заполнение Answer Boxes, Панелей Знаний и каруселей сущностей.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система идентифицирует запрос как поиск First Entity, для которой имеет смысл предоставить список связанных актуальных сущностей (Second Entities).
• Условия применения: Применяется при наличии достаточного количества связанных сущностей, для которых можно рассчитать Freshness Score и Popularity Score, и когда эти оценки превышают установленные пороги.

Пошаговый алгоритм

Этап 1: Обработка запроса и идентификация сущностей

1. Получение запроса: Система получает запрос от пользователя (например, «фильмы»).
2. Идентификация Первой Сущности: Запрос сопоставляется с узлом в Knowledge Graph (First Entity).
3. Идентификация Вторых Сущностей: Система обходит Knowledge Graph для поиска связанных узлов (Second Entities), например, напрямую связанных ребром.

Этап 2: Расчет оценок для Вторых Сущностей

Для каждой идентифицированной Второй Сущности система рассчитывает оценки:

1. Расчет Оценки Популярности (Popularity Score):
   • Сбор сигналов: Система собирает данные о количестве поисковых запросов, взаимодействий в социальных сетях и документов в вебе, упоминающих сущность.
   • Взвешивание и Вычисление: Сигналы могут взвешиваться по новизне и агрегируются для получения итоговой оценки популярности.
2. Расчет Оценки Свежести (Freshness Score):
   • Сбор дат: Система идентифицирует даты, связанные с сущностью в Knowledge Graph.
   • Обработка дат: Если дат несколько, система вычисляет среднее значение (average) этих дат (согласно Claim 1).
   • Вычисление: Оценка свежести определяется тем, насколько недавней является обработанная дата.
3. Расчет Оценки Релевантности (Relevancy Score):
   • Комбинирование: Система комбинирует Popularity Score и Freshness Score, возможно с применением масштабирования или взвешивания.

Этап 3: Фильтрация и предоставление результатов

1. Применение порога: Система проверяет, превышает ли Relevancy Score установленный порог.
2. Ранжирование: Сущности, прошедшие порог, сортируются по убыванию Relevancy Score.
3. Формирование и Предоставление ответа: Система формирует ответ (например, Answer Box или аудиоответ) и отправляет его пользователю.

Какие данные и как использует

Данные на входе

Система использует данные из Knowledge Graph и внешние сигналы для оценки актуальности сущностей.

• Структурные факторы (Knowledge Graph):
  • Связи между сущностями (ребра графа). Определяют, какие сущности связаны между собой.
• Временные факторы (Knowledge Graph):
  • Даты, ассоциированные с сущностями. Являются основой для Freshness Score.
• Поведенческие факторы (Внешние сигналы):
  • Журналы запросов (Query Logs): Количество поисковых запросов, связанных с сущностью.
  • Взаимодействия в социальных сетях: Количество действий пользователей, связанных с сущностью (тегирование, комментирование, репосты, лайки и т.д.).
• Ссылочные/Контентные факторы (Внешние сигналы):
  • Количество документов в веб-индексе, которые ссылаются (упоминают) сущность.

Какие метрики используются и как они считаются

• Popularity Score: Агрегированная метрика, рассчитываемая на основе объема поисковых запросов, социальных взаимодействий и упоминаний в вебе. Может рассчитываться за определенный период времени и взвешиваться по новизне сигналов.
• Freshness Score: Метрика, рассчитываемая на основе дат, связанных с сущностью. Чем новее дата, тем выше оценка. Ключевой особенностью, защищенной патентом (Claim 1), является метод расчета при наличии нескольких дат: вычисление среднего значения (average) дат.
• Relevancy Score: Комбинированная метрика, полученная из Popularity Score и Freshness Score. Используется для финального ранжирования сущностей.
• Пороговое значение (Threshold): Минимальное значение Relevancy Score, необходимое для того, чтобы сущность была предоставлена в ответе.

1. Релевантность сущностей динамична (Актуальность + Трендовость): Патент демонстрирует, что релевантность сущности не статична. Она постоянно пересчитывается на основе времени (Freshness) и текущего интереса пользователей (Popularity). Статического наличия в Knowledge Graph недостаточно для показа в приоритетных блоках.
2. Измеримые источники Популярности: Популярность определяется конкретными сигналами: поисковый интерес, активность в социальных сетях и упоминания в вебе. Это подчеркивает важность внешних сигналов для SEO сущностей.
3. Свежесть основана на датах в Knowledge Graph: Freshness Score напрямую зависит от наличия точных и полных дат, связанных с сущностями (события, релизы).
4. Специфический метод обработки дат: Патент особо выделяет (в Claim 1) метод усреднения множества дат, связанных с сущностью, для расчета свежести. Это важно для сущностей с несколькими временными метками.
5. Ориентация на прямые ответы: Механизм явно разработан для наполнения Answer Boxes и предоставления ответов в голосовом поиске, подтверждая стратегию Google на предоставление готовой информации.

Best practices (это мы делаем)

• Обеспечение точности дат для расчета свежести: Убедитесь, что ключевые даты, связанные с вашими сущностями (даты выпуска продуктов, даты мероприятий), четко представлены на сайте и в микроразметке (Schema.org). Это данные, которые Google использует для расчета Freshness Score.
• Использование структурированных данных: Внедряйте разметку Schema.org (например, Event, Product, Movie) для четкой передачи атрибутов сущностей и их связей. Это помогает Google корректно интерпретировать данные для Knowledge Graph.
• Стимулирование Популярности (Integrated Marketing): Поскольку Popularity Score напрямую зависит от количества поисковых запросов, взаимодействий в социальных сетях и упоминаний в вебе, необходимо применять интегрированный подход. SEO-стратегия должна поддерживаться PR и SMM для повышения узнаваемости и обсуждаемости сущности.
• Синхронизация маркетинговых активностей: Координируйте маркетинговые усилия для создания концентрированного всплеска популярности вокруг запуска продукта или события, чтобы максимизировать Relevancy Score в период максимальной свежести.

Worst practices (это делать не надо)

• Игнорирование внешних сигналов популярности: Полагаться только на техническую оптимизацию недостаточно. Если о сущности никто не ищет и не говорит в соцсетях, ее Popularity Score будет низким.
• Предоставление устаревших дат: Использование старых дат или отсутствие дат для актуальных событий приведет к низкому Freshness Score и снизит шансы на попадание в блоки ответов.
• Манипуляции с датами или популярностью: Попытки искусственно завысить Freshness Score путем изменения дат без реального инфоповода или накрутка социальных сигналов рискованны и могут быть отфильтрованы.

Стратегическое значение

Этот патент подтверждает стратегическую важность Entity SEO и переход к «Entity Marketing». Стратегия должна включать не только оптимизацию сайта, но и продвижение самих сущностей во внешней среде. Патент показывает, что Google рассматривает Knowledge Graph не как статичную энциклопедию, а как динамическую структуру, актуальность элементов которой постоянно оценивается на основе реальных сигналов времени и интереса.

Практические примеры

Сценарий: Оптимизация видимости нового продукта (например, смартфона)

1. Цель: Попасть в Answer Box по категории (запрос «новые смартфоны») и повысить видимость в Панели Знаний бренда.
2. Действия (Freshness): Убедиться, что информация о продукте передается с корректной датой релиза (releaseDate) через Schema.org и авторитетные источники (пресс-релизы).
3. Действия (Popularity):
   • Скоординировать PR-кампанию для генерации максимального количества упоминаний в СМИ (сигнал: упоминания в документах).
   • Запустить кампанию в социальных сетях для стимулирования обсуждений и репостов (сигнал: социальные взаимодействия).
   • Запустить медийную рекламу для стимулирования поискового интереса к названию модели (сигнал: объем запросов).
4. Ожидаемый результат: Комбинация недавней даты релиза (высокий Freshness Score) и всплеска внешних сигналов (высокий Popularity Score) максимизирует Relevancy Score. Это повышает вероятность того, что смартфон будет показан в приоритетных блоках выдачи.