Как Google использует Knowledge Graph для выбора формата отображения и ранжирования ответов на запросы с модификаторами (например, «лучший», «самый высокий»)

Термины и определения

Entity (Сущность)

Уникальный, четко определенный объект или концепция (человек, место, предмет, идея). В контексте патента часто взаимозаменяем с Entity Reference.

Entity Reference (Ссылка на сущность)

Идентификатор или данные, которые ссылаются на конкретную сущность в Knowledge Graph.

Entity Type (Тип сущности)

Категория или классификация сущности (например, «Человек», «Небоскреб», «Фильм»). Определяет набор свойств, применимых к сущности.

Knowledge Graph (Граф знаний)

Структура данных, состоящая из узлов (сущностей, типов, значений) и ребер (отношений/свойств между ними). Используется как источник структурированных данных.

Modifying Concept (Модифицирующий концепт)

Элемент запроса (явный или неявный), который указывает на необходимость сортировки или фильтрации результатов. Включает суперлативы («лучший», «самый высокий»), ограничения диапазона («после 1950») и неявные порядки.

Phrase Tree (Фразовое дерево)

Промежуточное представление запроса, где поисковые единицы (слова/фразы) организованы в древовидную структуру на основе синтаксических и семантических зависимостей.

Presentation Technique (Техника представления)

Формат отображения результатов поиска (например, список, карта, временная шкала, галерея, диаграмма).

Property (Свойство)

Атрибут сущности или отношение между сущностями в Knowledge Graph (например, «Высота», «Дата рождения»).

Query Tree (Дерево запроса)

Структурированное представление запроса, где узлы и ребра Phrase Tree заменены соответствующими элементами (сущностями, типами, свойствами) из Knowledge Graph. Используется для извлечения данных.

Ranking Property (Свойство ранжирования)

Конкретное свойство сущности, выбранное на основе Modifying Concept, которое используется для сортировки результатов.

Soft Properties (Мягкие свойства)

Субъективные характеристики (например, «смешной», «влиятельный»). Значения для них могут вычисляться через анализ совместной встречаемости (co-occurrence).

Ключевые утверждения (Анализ Claims)

Важно отметить, что предоставленные Claims (1-30) в тексте патента фокусируются исключительно на механизме выбора техники представления результатов. Механизм ранжирования по модификаторам подробно описан в теле патента (Description), но не покрывается этими конкретными Claims (1-30).

Claim 1 (Независимый пункт): Описывает метод выбора формата представления результатов поиска на основе Knowledge Graph.

1. Система парсит запрос для идентификации слов и определяет ссылку на сущность (Entity Reference).
2. Определяется тип этой сущности (Type of entity reference).
3. Из Knowledge Graph идентифицируется список свойств, связанных с этим типом сущности.
4. Этот список свойств ранжируется (формируется Ranked list of properties).
5. Из этого списка выбирается конкретное свойство, которое будет использоваться для генерации представления. Выбор основан на самом запросе и типе сущности.
6. Определяется техника представления (Presentation Technique), ассоциированная с выбранным свойством.
7. Результаты поиска представляются с использованием этой техники.

Claim 11 (Независимый пункт): Описывает систему для реализации метода, аналогичного Claim 1 (выбор формата представления).

Claim 21 (Независимый пункт): Описывает компьютерно-читаемый носитель, реализующий метод, аналогичный Claim 1 (выбор формата представления).

Зависимые Claims (например, 26-30, зависимые от 21): Уточняют детали реализации Claim 1:

• (Claim 26): Ранжирование списка свойств основано на предварительно обработанной таблице схемы (preprocessed schema table).
• (Claim 27/28): Ранжирование списка свойств может основываться на популярности (popularity) или совместной встречаемости (co-occurrence).
• (Claim 30): Перечисляет возможные техники представления: галерея, временная шкала, карта, список, диаграмма, аудио.

Где и как применяется

Изобретение применяется на нескольких этапах обработки запроса, связывая понимание запроса с извлечением данных и финальным представлением.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит построение и обновление Knowledge Graph. Также офлайн рассчитываются ранжированные списки свойств для каждого типа сущности и ассоциации между свойствами и техниками представления. Происходит анализ веб-корпуса для расчета co-occurrence.

QUNDERSTANDING – Понимание Запросов
Основной этап применения. Система выполняет NLP-анализ запроса для:

• Идентификации сущностей (Entity References) и их типов.
• Распознавания модифицирующих концептов (Modifying Concepts) – явных и неявных.
• Построения Phrase Tree и преобразования его в Query Tree путем сопоставления с элементами Knowledge Graph.

RANKING – Ранжирование
На этом этапе (в рамках поиска по Knowledge Graph) происходит:

• Извлечение результатов из Knowledge Graph с использованием Query Tree.
• Определение Ranking Property на основе Modifying Concept.
• Сортировка извлеченных сущностей по значению этого свойства.

METASEARCH – Метапоиск и Смешивание
На этом этапе система определяет, как представить отранжированные результаты:

• Выбор свойства для генерации представления из ранжированного списка.
• Определение соответствующей Presentation Technique.
• Формирование специализированного блока результатов (например, карусели, карты, диаграммы) для встраивания в основную выдачу.

Входные данные:

• Поисковый запрос.
• Данные Knowledge Graph (сущности, типы, свойства, значения).
• Предварительно рассчитанные ранжированные списки свойств для типов сущностей.
• Корпус веб-документов (для анализа co-occurrence).

Выходные данные:

• Набор сущностей, отранжированных по определенному свойству.
• Выбранная техника представления для этого набора.

На что влияет

• Специфические запросы: Наибольшее влияние на запросы, ориентированные на сущности, особенно содержащие сравнения («лучшие рестораны»), суперлативы («самый высокий небоскреб»), временные или географические ограничения («президенты после 1950», «города Калифорнии»).
• Конкретные типы контента: Влияет на отображение структурированных данных о продуктах, организациях, персоналиях, событиях, местах в специальных блоках SERP.
• Форматы контента: Определяет генерацию SERP-функций, таких как карусели, интерактивные карты, временные шкалы.

Когда применяется

Алгоритм активируется при следующих условиях:

• Идентификация сущности: В запросе распознана одна или несколько сущностей, присутствующих в Knowledge Graph.
• Идентификация модификатора (для ранжирования): В запросе присутствует явный или неявный Modifying Concept, указывающий на необходимость сортировки по определенному свойству.
• Наличие структурированных данных: Для сущностей и их типов в Knowledge Graph существуют релевантные свойства и значения, позволяющие осуществить сортировку или специализированное представление.

Пошаговый алгоритм

Процесс А: Выбор техники представления (На основе Claims)

1. Парсинг запроса: Получение запроса и идентификация слов/фраз.
2. Идентификация сущности: Определение Entity Reference в запросе и ее типа (Entity Type).
3. Получение и ранжирование свойств: Извлечение списка свойств для данного Entity Type из Knowledge Graph и его ранжирование (например, на основе популярности или предопределенных схем).
4. Выбор свойства для представления: Идентификация наиболее подходящего свойства из списка на основе его ранга и релевантности запросу.
5. Определение техники представления: Определение Presentation Technique (карта, список, шкала и т.д.), ассоциированной с выбранным свойством.
6. Генерация представления: Отображение результатов с использованием выбранной техники.

Процесс Б: Ранжирование по модификаторам (На основе Description)

1. Получение запроса.
2. Идентификация модификатора: Определение Modifying Concept (явного или неявного) в запросе. Классификация его как объективного или субъективного.
3. Генерация Query Tree (Детализированный подпроцесс):
   1. Парсинг запроса для идентификации поисковых единиц (Search Units).
   2. Идентификация соответствующих элементов Knowledge Graph.
   3. Генерация топологии и создание Phrase Tree.
   4. Создание Query Tree путем замены поисковых единиц элементами Knowledge Graph.
4. Извлечение результатов: Получение набора сущностей из Knowledge Graph с использованием Query Tree.
5. Определение свойства ранжирования: Определение Ranking Property на основе Modifying Concept.
   • Если объективный: используется фактическое свойство из KG.
   • Если субъективный: используется Quality Score или рассчитывается Soft Property на основе co-occurrence.
6. Ранжирование: Сортировка извлеченных результатов по значению Ranking Property.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании структурированных данных и анализе запроса.

• Данные Knowledge Graph: Критически важные данные. Система использует узлы (сущности, типы сущностей, литералы/значения) и ребра (свойства, отношения).
• Контентные факторы (Косвенно): Текст запроса используется для NLP-анализа. Текстовый корпус (веб-страницы) используется для расчета Co-occurrence для Soft Properties.
• Структурные факторы (Внутренние): Используются предопределенные схемы, которые определяют ранжированные списки свойств для каждого типа сущности и связи между свойствами и техниками представления.
• Внешние данные (Quality Scores): Могут использоваться данные о качестве (рейтинги, отзывы) для ранжирования по субъективным модификаторам.

Какие метрики используются и как они считаются

• Ранжирование свойств (для выбора представления): Метрики для определения порядка свойств в Ranked list of properties. Патент упоминает:
  • Популярность (Popularity).
  • Совместная встречаемость (Co-occurrence).
  • Предварительно заданные схемы (Preprocessed schema table).
• Ранжирование результатов (по модификаторам): Метрики зависят от типа модификатора (Modifying Concept):
  • Объективные модификаторы: Используются прямые значения свойств из Knowledge Graph (например, высота, дата).
  • Субъективные модификаторы:
    • Quality Score: Для модификаторов типа «лучший».
    • Soft Properties: Для модификаторов типа «смешной», «влиятельный». Рассчитываются на основе совместной встречаемости (Co-occurrence) термина и сущности в текстовом корпусе. Патент предлагает формулы для расчета, например:

Формула 1 (Условная вероятность):
$C(E, RE_j) = P(E, RE_j) / P(E)$

Формула 2 (На основе количества упоминаний):
$C(E, RE_j) = N(E, RE_j) / (N(E) + N(RE_j) - N(E, RE_j))$

1. Приоритет структурированных данных и Knowledge Graph: Патент подтверждает, что для ответа на многие типы запросов (особенно содержащие сущности и модификаторы) Google напрямую использует Knowledge Graph как источник истины, минуя или дополняя традиционный веб-индекс.
2. Автоматический выбор представления SERP: Google не просто ранжирует контент, но и автоматически определяет наилучший способ его визуализации (карта, шкала, галерея) на основе доминирующих свойств типа сущности. Это определяет внешний вид SERP-функций.
3. Интерпретация модификаторов определяет ранжирование: Система активно интерпретирует явные («лучший») и неявные модификаторы для выбора конкретного свойства (Ranking Property), по которому будет производиться сортировка. Это критично для сравнительных и коммерческих запросов.
4. Субъективные оценки через Co-occurrence: Для субъективных модификаторов («смешной», «влиятельный») Google может рассчитывать оценки на основе анализа совместной встречаемости термина и сущности в веб-документах (Soft Properties). Это подчеркивает важность текстового контекста и упоминаний бренда/сущности в связке с желаемыми характеристиками.
5. Entity Type определяет правила игры: То, как сущность классифицирована в Knowledge Graph (ее тип), определяет, какие свойства будут учитываться при ранжировании и какие форматы представления будут использованы.

Best practices (это мы делаем)

• Оптимизация под Knowledge Graph (Entity Optimization): Ключевая стратегия. Необходимо обеспечить присутствие ключевых сущностей (бренд, продукты, персоналии) в Knowledge Graph с максимально полным и точным набором свойств (атрибутов). Это фундамент для работы описанных механизмов.
• Использование полной и точной микроразметки Schema.org: Предоставляйте Google явные данные о свойствах сущностей, которые могут служить Ranking Properties (например, цена, рейтинг, размеры, даты). Это увеличивает вероятность того, что Google будет использовать ваши данные при ранжировании по запросам с модификаторами.
• Анализ свойств сущностей в KG: Изучайте, какие свойства связаны с вашим типом сущности в Knowledge Graph и какие из них Google использует для ранжирования и представления по умолчанию. Убедитесь, что ваши сущности имеют заполненные значения для этих приоритетных свойств.
• Работа над репутацией и ассоциациями (для субъективных модификаторов): Для ранжирования по субъективным запросам («лучший», «влиятельный») работайте над тем, чтобы ваша сущность часто упоминалась в авторитетных источниках в связке с этими терминами. Это повышает метрику Co-occurrence, которую система может использовать для расчета Soft Properties.
• Создание контента под сравнительные и superlative запросы: Создавайте контент, который явно адресует запросы с модификаторами, используя структурированное представление данных (таблицы, списки), подкрепленное соответствующей разметкой.

Worst practices (это делать не надо)

• Игнорирование структурированных данных: Полагаться только на текстовую релевантность недостаточно. Если данные о сущности отсутствуют в Knowledge Graph или не размечены, система не сможет применить описанные механизмы ранжирования и представления.
• Предоставление неточных или противоречивых данных: Попытки манипулировать свойствами (например, указывать неверные даты, рейтинги или характеристики) могут привести к игнорированию данных системой или пессимизации, если данные противоречат авторитетным источникам.
• Фокус только на общих запросах: Игнорирование запросов с модификаторами (long-tail запросы с уточнениями по времени, месту, качеству) лишает сайт возможности ранжироваться через описанные механизмы точной сортировки.

Стратегическое значение

Этот патент подчеркивает переход от поиска по ключевым словам к поиску, основанному на сущностях и их атрибутах (Entity-Attribute-Value). Стратегический приоритет в SEO смещается в сторону управления представлением сущностей в Knowledge Graph. Важно не просто быть релевантным запросу, но и обладать наиболее конкурентоспособными значениями ключевых свойств (цена, рейтинг, характеристики), так как именно они используются для финальной сортировки при наличии модификаторов в запросе. Также патент объясняет, как Google формирует разнообразные SERP-функции, адаптируя представление под интент пользователя.

Практические примеры

Сценарий 1: Оптимизация карточки товара под запрос с объективным модификатором

• Задача: Ранжироваться по запросу «смартфон с самой большой батареей».
• Действия (на основе патента):
  1. Убедиться, что сущность «Смартфон Модель X» присутствует в Knowledge Graph (через Merchant Center, разметку Product).
  2. В микроразметке и на странице явно указать свойство «Емкость батареи» (batteryCapacity в Schema.org) и его значение (например, «7000 mAh»).
• Как работает система: Google идентифицирует Modifying Concept («самая большая») и Entity Type («смартфон»). Определяет Ranking Property как «Емкость батареи». Извлекает смартфоны из KG и сортирует их по этому свойству.
• Результат: Смартфон Модель X появляется в топе выдачи (вероятно, в карусели товаров или блоке ответов), так как его значение свойства используется для ранжирования.

Сценарий 2: Улучшение представления для локального бизнеса

• Задача: Добиться отображения результатов в виде карты для запроса «рестораны в Сохо».
• Действия (на основе патента):
  1. Оптимизировать профиль Google Business Profile, убедившись, что тип сущности («Ресторан») и свойство «Локация» (адрес) указаны точно.
• Как работает система: Google определяет Entity Type («Ресторан»). В ранжированном списке свойств для ресторанов «Локация» имеет высокий приоритет. Система определяет, что для свойства «Локация» оптимальная Presentation Technique — это Карта.
• Результат: Google автоматически генерирует карту с отмеченными ресторанами вместо стандартного списка ссылок.