Как Google использует распознавание сущностей в тексте (например, в email) для отображения персонализированного медиаконтента и социальных действий

Термины и определения

Referenced Media Entity (Упомянутая медиа-сущность)

Сущность, идентифицированная системой при анализе текста. Примеры включают: песня, книга, автор, актер, артист, альбом, фильм, концерт, шоу, телепрограмма, знаменитость или персонаж.

Content Item (Элемент контента)

Информация или интерактивный интерфейс, предоставляемый пользователю на основе идентифицированной сущности. Может включать виджет воспроизведения, ссылку на покупку у content provider, добавление в wish list, информационный блок, карту или социальные данные (отзывы друзей).

User Information (Информация о пользователе)

Данные, используемые для персонализации и приоритизации Content Items. Включают географическое местоположение, медиа-предпочтения, историю покупок и просмотров, профиль в социальных сетях.

Social Network Connection (Связь в социальной сети)

Другой пользователь, связанный с первым пользователем через социальную сеть. Покупки, отзывы и рейтинги этого пользователя могут влиять на контент, показываемый первому пользователю.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы с сильным акцентом на социальные функции.

1. Система получает текст.
2. Идентифицирует referenced media entity в тексте.
3. Идентифицирует множество content items, связанных с этой сущностью.
4. Получает user information о первом пользователе, включая информацию о его связях в социальной сети (social network).
5. Представляет первому пользователю интерфейс, который включает:
   1. Как минимум один идентифицированный content item, основанный на user information.
   2. Опцию использования этого контента на ограниченной основе (например, прослушивание/превью), если user information указывает, что второй пользователь (социальная связь первого пользователя) приобрел этот контент.
   3. Представление социального комментария, рейтинга или отзыва от этого второго пользователя.

Ядро изобретения — это не просто распознавание сущностей и показ связанной информации, а глубокая интеграция социального графа для предоставления контекста (отзывы друзей) и специфического механизма доступа к контенту на основе покупок друзей.

Claim 5 (Зависимый): Уточняет типы медиа-сущностей (песня, книга, автор, актер, фильм и т.д.).

Claims 6-12 (Зависимые): Детализируют типы content item. Это может быть интерфейс для воспроизведения (Claim 6), ссылка на покупку (Claims 7, 9), ссылка для добавления в wish list (Claim 10), интерфейс с общей (Claim 11) или социальной информацией (Claim 12).

Claim 13 (Зависимый): Уточняет типы user information (геолокация, предпочтения, история покупок/просмотров, социальный профиль).

Где и как применяется

Этот патент не описывает стандартные фазы архитектуры веб-поиска (CRAWLING, RANKING и т.д.). Он описывает функциональность на уровне клиентского приложения (например, Gmail, мессенджера), которое взаимодействует с бэкенд-сервисами Google.

INDEXING / Knowledge Graph (Бэкенд-сервисы)
Система полагается на существование обширной базы знаний (аналогичной Knowledge Graph), содержащей структурированную информацию о медиа-сущностях. Технологии распознавания именованных сущностей (NER), используемые здесь для анализа писем, аналогичны технологиям, используемым на этапе индексирования веб-страниц.

QUNDERSTANDING (Применительно к тексту сообщения)
Система должна проанализировать текст сообщения (используя NLP/NLU), чтобы точно идентифицировать referenced media entity. Это аналогично процессу понимания запроса, но примененному к контенту сообщения.

Application Layer (Клиентское приложение)
Основное место применения изобретения.

• Входные данные: Текст (email, сообщение); User Information (ID, местоположение, социальные данные).
• Процесс: Приложение анализирует текст для идентификации сущностей и запрашивает у бэкенда релевантные и персонализированные Content Items.
• Выходные данные: Обогащенный пользовательский интерфейс, где Content Items отображаются рядом с исходным текстом.

На что влияет

• Конкретные типы контента: В первую очередь патент ориентирован на медиа-контент (музыка, фильмы, книги) и связанную с ними электронную коммерцию (продажа контента, билетов).
• Пользовательский опыт в приложениях: Напрямую влияет на то, как пользователи взаимодействуют с контентом в приложениях Google (например, Gmail), делая его более интерактивным и информативным.

Когда применяется

• Триггеры активации: Обнаружение в анализируемом тексте четко идентифицируемой referenced media entity.
• Условия применения: Для реализации функций персонализации и социальных функций требуется доступ к User Information (включая данные о социальных связях и покупках). Пользователь должен быть авторизован. Патент упоминает, что пользователи должны иметь контроль над сбором и использованием такой информации.

Пошаговый алгоритм

1. Получение текста: Система получает текст, например, электронное письмо, адресованное пользователю.
2. Идентификация сущностей (Parsing): Текст анализируется для поиска referenced media entities. Например, идентификация названия альбома, артиста и места проведения концерта.
3. Сбор информации о пользователе: Система извлекает релевантную User Information: текущее местоположение пользователя, его социальные связи и историю их покупок/взаимодействий с контентом.
4. Поиск и идентификация контента: Выполняется поиск связанного медиаконтента и определяются доступные content items.
5. Персонализация и приоритизация: Content items адаптируются и приоритизируются. Например, если заведение локальное, формируется карта. Система может предложить книги автора, которые пользователь еще не купил, основываясь на его истории покупок.
6. Интеграция социальных данных: Проверяются отзывы и рейтинги друзей пользователя, связанные с сущностью.
7. Проверка прав доступа (Социальный механизм): Проверяется, купил ли кто-то из друзей пользователя данный контент. Если да, активируется возможность ограниченного доступа (например, бесплатного прослушивания).
8. Презентация: Персонализированные Content items отображаются пользователю одновременно и в непосредственной близости от исходного текста.

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст сообщения или электронного письма. Этот текст анализируется для извлечения упоминаний сущностей.
• Географические факторы: Местоположение пользователя используется для показа локально релевантного контента (например, карт, адресов местных мероприятий).
• Пользовательские факторы (User Information):
  • История покупок (media purchase history) и просмотров (media viewing history).
  • Медиа-предпочтения (media preferences).
  • Профиль в социальных сетях (social media profile) и социальные связи.
  • История покупок и действий (отзывы, рейтинги) социальных связей пользователя.
• Данные о сущностях (из базы знаний): Структурированная информация о фильмах, книгах, музыке, артистах (включая свойства, изображения, ссылки на покупку).

Какие метрики используются и как они считаются

• Патент не содержит конкретных формул, метрик ранжирования или весовых коэффициентов для отбора content items.
• Методы анализа текста (NLP, entity extraction): Используются для идентификации referenced media entity в тексте.
• Приоритизация: Упоминается, что презентация content items может быть приоритизирована на основе user information. Например, контент, основанный на местоположении или предпочтениях пользователя, может иметь приоритет.
• Условия срабатывания (Claim 1): Ключевым условием для предоставления ограниченного доступа к контенту является факт покупки этого контента кем-то из социальных связей пользователя (бинарное условие).

1. Патент ориентирован на UI/UX приложений, а не на веб-поиск: Описанные механизмы предназначены для обогащения пользовательского опыта в коммуникационных сервисах (почта, мессенджеры). Прямых рекомендаций для ранжирования в веб-поиске патент не содержит.
2. Ключевая технология – Извлечение Сущностей (Entity Extraction): Патент подтверждает способность Google эффективно извлекать медиа-сущности из неструктурированного текста. Это основополагающая технология (NLP/NLU), которая также используется в веб-поиске на этапах индексирования и понимания запросов.
3. Связывание Сущностей с Действиями: Система не только распознает сущности, но и мгновенно связывает их с конкретными действиями (покупка, предпросмотр, маршрут). Это соответствует стратегии Google по превращению информации в действия.
4. Глубокая интеграция персонализации и социального графа: Патент демонстрирует техническую возможность использования личных данных (геолокация, история покупок) и социальных сигналов (активность друзей) для формирования пользовательского опыта в продуктах Google.
5. Специфический механизм социального доступа (Claim 1): Ключевая часть изобретения описывает предоставление ограниченного доступа к контенту на основе факта покупки этого контента друзьями пользователя. Это требует интеграции данных о покупках и социальных связях.

Best practices (это мы делаем)

Хотя патент не описывает веб-поиск напрямую, понимание лежащих в его основе технологий (извлечение сущностей) критически важно для современного SEO.

• Оптимизация под Entity-Based SEO и Knowledge Graph: Необходимо обеспечить, чтобы Google четко распознавал ваши сущности (продукты, медиа-контент, бренды, локации). Стратегия должна быть направлена на создание, определение и продвижение четких сущностей.
• Использование микроразметки для медиа и событий: Активно внедряйте Schema.org для медиаконтента (Movie, MusicAlbum, Book, Event). Это помогает системам однозначно идентифицировать сущности и связанные с ними атрибуты, что является первым шагом в механизме, описанном в патенте.
• Четкое определение действий (Actions) и предложений (Offers): Используйте свойства Offer для указания цен и доступности, а также разметку действий (например, ListenAction, WatchAction). Это помогает системам Google формировать релевантные и полезные content items (ссылки на покупку).
• Использование стандартных идентификаторов: Используйте стандартные идентификаторы (например, GTIN для продуктов, ISBN для книг), чтобы помочь Google однозначно связать упоминания в тексте с конкретной сущностью в базе знаний.

Worst practices (это делать не надо)

• Неоднозначное упоминание сущностей: Использование жаргона, сокращений или неоднозначных названий медиапродуктов затрудняет их распознавание системами Entity Extraction, подобными описанной в патенте.
• Игнорирование структурированных данных: Отсутствие микроразметки для медиаконтента снижает вероятность того, что система сможет корректно идентифицировать сущность и связать ее с действиями или информацией из Knowledge Graph.
• Фокус только на ключевых словах без контекста сущности: Оптимизация страниц без учета того, как контент связан с реальными сущностями в Knowledge Graph, неэффективна в контексте технологий, ориентированных на понимание сущностей.

Стратегическое значение

Патент подтверждает стратегический приоритет Google в области понимания естественного языка (NLU) и извлечения сущностей ("from strings to things"). Для SEO это означает, что контент должен быть семантически размечен так, чтобы поисковые системы могли легко распознавать объекты реального мира (в данном случае – медиапродукты) и их взаимосвязи. Также патент демонстрирует стремление Google интегрировать контент с действиями и коммерцией в любом контексте.

Практические примеры

Сценарий: Оптимизация страницы с обзором книги для распознавания сущностей

1. Задача: Обеспечить максимальную вероятность того, что Google корректно идентифицирует книгу и автора при упоминании в любом контексте.
2. Действия SEO-специалиста:
   • В тексте обзора четко и недвусмысленно указать название книги, имя автора и издательство.
   • Внедрить детальную микроразметку Schema.org/Book, указав name, author (связав с сущностью Person), isbn, и offers (ссылки на покупку).
   • Обеспечить присутствие книги в авторитетных базах данных (например, Google Books).
3. Ожидаемый результат: Поисковая система легко идентифицирует ключевые медиа-сущности. Если пользователь упомянет книгу в переписке (в экосистеме, где применяется данная технология), система Google точно идентифицирует сущность и покажет пользователю релевантные content items (обложку, информацию об авторе и прямые ссылки на покупку), основанные на данных из Knowledge Graph и микроразметки.