Knowledge Graph в Google: разборы патентов
Детальные разборы патентов Google, связанные с графом знаний
Как Google использует Граф Сущностей для определения главных тем страницы и генерации релевантных рекомендаций контента
Патент Google описывает систему анализа веб-страницы для выявления ее главных тем («Центральных Сущностей») с помощью глобального Графа Сущностей, основанного на совместной встречаемости терминов. Система отфильтровывает периферийные и неоднозначные темы, генерирует на основе главных тем поисковые запросы и предлагает пользователю категоризированный дополнительный контент (новости, видео, товары).
- US20160026727A1
- 2011-06-03
Как Google распознает, структурирует и использует данные о сущностях для глубокого понимания контента
Патент Google, раскрывающий фундаментальные принципы обработки сущностей. Описано, как Google индексирует контент, распознает именованные сущности (NER) и структурирует данные о них в две категории: общие (Generic Entity Data) и специальные (Special Entity Data). Это дает ключевое понимание архитектуры Knowledge Graph.
- US9069744B2
- 2012-05-15
Как Google использует Knowledge Graph для генерации коллекций связанных сущностей и облегчения навигации в поиске
Google использует этот механизм для помощи пользователям в изучении тем, связанных с их исходным запросом. Когда пользователь ищет коллекцию сущностей (например, «Романтические фильмы»), система анализирует связи этих сущностей в Knowledge Graph (например, кто режиссер, кто актер). На основе этих связей (триплетов) система генерирует и предлагает пользователю новые коллекции для изучения (например, «Актеры романтических фильмов»).
- US20160063106A1
- 2012-08-08
Как Google использует структурированные данные и логи запросов для создания языковых моделей и исправления орфографии в сложных доменах (например, адресах)
Google решает проблему создания языковых моделей для доменов с огромным количеством комбинаций (например, географических адресов). Система анализирует логи запросов для определения популярных форматов ввода (Template Distribution) и популярности конкретных мест (Location Distribution). Эти данные объединяются для создания вероятностной языковой модели, которая позволяет исправлять орфографические ошибки в запросах пользователей, предлагая более вероятные варианты.
- US8626681B1
- 2011-01-04
Как Google создает временные Графы Знаний для освещения срочных новостей и событий в реальном времени
Google использует механизм для мониторинга «live data streams» (социальные сети, поисковые запросы) для обнаружения «developing events» (срочные новости, происшествия). Для этих событий система создает «Event-Specific Provisional Knowledge Graph» – временный слой поверх основного Графа Знаний, который содержит самую свежую, хотя и потенциально непроверенную информацию. Это позволяет Поиску и Ассистенту быстро предоставлять ответы о событиях, происходящих прямо сейчас.
- US11256992B2
- 2019-06-25
Как Google извлекает списки сущностей из веб-страниц и использует графовый анализ для проверки их достоверности и релевантности
Google использует этот механизм для ответов на запросы, требующие списка элементов (например, «города в Калифорнии»). Система извлекает потенциальные списки из неструктурированных веб-документов, анализирует их взаимосвязи и совпадения в виде графа (Vertex-Edge Graph) и использует методы консенсуса (например, поиск клик) для определения наиболее достоверных и релевантных сущностей.
- US20110106819A1
- 2009-10-29
Как Google извлекает факты из изображений для наполнения Knowledge Graph
Google использует технологию распознавания объектов на изображениях для обогащения своей Базы Знаний (Knowledge Graph). Система анализирует наборы изображений, определяет, какие сущности часто появляются вместе (например, «Медведь Гризли» и «Рыба»), и выводит отношения между ними (например, «ест»). Эти извлеченные факты затем используются для ответов на поисковые запросы.
- US10534810B1
- 2016-02-29
Как Google связывает изображения с семантическими сущностями для устранения неоднозначности в поиске по картинкам
Google использует систему для понимания того, что именно изображено на картинке, связывая её с конкретной семантической сущностью (например, статьей в Wikipedia или Freebase). Это позволяет устранить неоднозначность (понимать разницу между «Ягуаром» машиной и животным) и предоставлять более точные результаты при поиске по изображению (например, в Google Lens).
- US9171018B2
- 2013-01-16
Как Google использует Knowledge Graph для автоматической кластеризации результатов поиска по свойствам сущностей
Google использует Knowledge Graph для организации поисковой выдачи по широким запросам. Система определяет сущность в запросе (например, «Собаки»), находит в Knowledge Graph её наиболее важное свойство (например, «Порода») и автоматически генерирует уточняющие подзапросы. Результаты поиска представляются в виде организованных кластеров, соответствующих этим подзапросам.
- US20150269231A1
- 2012-08-08
Как Google автоматически выбирает и показывает сравнительный контекст для фактов о сущностях в Knowledge Panel
Google анализирует популярность различных списков (например, "Самые высокие горы"). Когда пользователь спрашивает о факте (например, "высота К2"), система находит место этой сущности в самом популярном релевантном списке и добавляет контекст (например, "2-я по высоте гора в мире") в Knowledge Panel или голосовой ответ.
- US10289625B2
- 2016-09-15
Как Google определяет связанные сущности, анализируя их совместное появление в списках и корректируя результат с учетом их глобальной популярности
Google использует алгоритм расширения набора сущностей (Set Expansion). Система анализирует списки, в которых исходные сущности (seeds) появляются вместе с другими. Чтобы найти действительно связанные сущности, а не просто популярные, система корректирует оценку, используя «фоновую вероятность» (глобальную популярность). Это позволяет продвигать нишевые, но тесно связанные сущности.
- US9477758B1
- 2012-07-19
Как Google использует пары «Сущность-Действие» для таргетинга и отображения рекламы в результатах поиска
Google использует механизм показа рекламы, основанный не на ключевых словах, а на парах «Сущность-Действие» (Entity-Action pairs). Система определяет сущность в запросе (например, фильм) и связанные с ней действия (например, «стриминг» или «купить DVD»). Для каждого действия проводятся отдельные аукционы, что позволяет разным типам рекламодателей конкурировать в своих нишах. Формат показа рекламы динамически меняется в зависимости от того, насколько точно запрос соответствует действию.
- US20140258014A1
- 2013-03-05
Как Google использует окружающие слова для исправления опечаток в названиях брендов, продуктов и именах людей в запросах
Google создает базу данных, связывающую имена сущностей (бренды, люди, продукты) со словами, которые часто появляются рядом с ними (контекст). Когда пользователь допускает опечатку в имени, Google использует другие слова в этом запросе как контекстные подсказки, чтобы найти наиболее вероятную подразумеваемую сущность, учитывая её популярность, силу связи с контекстом и вероятность конкретной опечатки.
- US8402032B1
- 2011-03-24
Как Google использует граф сущностей для генерации расширенных географических подсказок в реальном времени
Google использует механизм для генерации расширенных поисковых подсказок (Expanded Query Suggestions), особенно в географическом поиске. Система идентифицирует сущности, соответствующие введенному префиксу, а затем обходит граф связанных сущностей (Entity Graph), чтобы предложить релевантные подсказки, которые не начинаются с этого префикса. Это позволяет предлагать конкретные места или бизнесы (например, «MoMA New York» на запрос «new y»), основываясь на географических, категорийных и популярных связях между сущностями.
- US8694512B1
- 2011-11-16
Как Google объединяет органические результаты, рекламу бренда и контент ритейлеров в единый обогащенный блок выдачи
Google использует механизм для слияния топового органического результата и рекламного объявления, если они относятся к одному и тому же бренду (сущности). Это создает единый обогащенный блок (Combined Content Item). Затем этот блок дополняется контентом от связанных сущностей (например, ритейлеров), который может выбираться через дополнительный аукцион.
- US9298779B1
- 2013-07-16
Как Google использует двухмерный индекс и пре-компьютерные пути для ультрабыстрого поиска в Knowledge Graph
Google использует специализированную архитектуру индекса для Knowledge Graph, отличную от веб-индекса. Патент описывает двумерную структуру индекса, которая позволяет обрабатывать сложные запросы к графу (связи сущностей, диапазоны, геолокация) с очень низкой задержкой. Система интегрирует текстовый поиск с графом, предварительно вычисляет сложные пути и использует специальные структуры для оптимизации локального и диапазонного поиска.
- US9576007B1
- 2013-12-10
Как Google агрегирует данные из разных индексов для создания специализированной выдачи по медиазапросам (Фильмы, Сериалы)
Google использует архитектуру для обработки медиазапросов (фильмы, сериалы). Система определяет, что запрос связан с медиа, и одновременно отправляет запросы в разные корпусы данных (структурированные данные, веб-индекс, картинки, расписания). Затем результаты агрегируются в единый специализированный интерфейс (например, Knowledge Panel или детальная страница сущности), предоставляя пользователю сводную информацию из разных источников.
- US8533761B1
- 2007-04-30
Как Google использует карусели сущностей для навигации и удержания пользователя в контексте поиска
Google использует механизм для поддержания поискового контекста при исследовании связанных тем. Когда пользователь изучает коллекцию сущностей одного типа (например, породы собак или фильмы актера), система отображает постоянный навигационный элемент (карусель). Это позволяет быстро переключаться между сущностями, обновляя результаты поиска и информационные блоки, не покидая исходную страницу выдачи.
- US9965529B2
- 2012-05-02
Как Google автоматически классифицирует сущности в Knowledge Graph с помощью "Коллекций"
Google использует систему для автоматического создания и категоризации групп сущностей ("Коллекций") в Knowledge Graph на основе общих признаков. Патент описывает язык правил для определения принадлежности к коллекции и высокоэффективный механизм, который проверяет сущность на соответствие всем коллекциям за один проход, обеспечивая масштабируемость и актуальность данных.
- US20150100605A1
- 2014-02-21
Как Google использует атрибуты сущностей для генерации «Дополненных запросов» и уточнения поиска
Google использует механизм для помощи в исследовании тем, связанных с сущностями (люди, места, продукты). Система распознает сущность в запросе, определяет ее ключевые атрибуты (анализируя результаты поиска или Knowledge Graph) и автоматически генерирует список предлагаемых «дополненных запросов» (Сущность + Атрибут). Это позволяет пользователю одним кликом запустить новый, более сфокусированный поиск по теме.
- US10055462B2
- 2013-03-15
Как Google выбирает главное изображение для сущности, анализируя тематичность веб-страниц и визуальные характеристики картинки
Google использует многоэтапный процесс для выбора наиболее репрезентативного (evocative) изображения для сущности (например, для Knowledge Panel). Система оценивает, насколько тематически связаны с сущностью как само изображение, так и веб-страницы, на которых оно размещено. Изображения с нерелевантных страниц отфильтровываются. Финальный выбор делается на основе визуальных характеристик, таких как распознавание лиц, логотипов или флагов.
- US9110943B2
- 2013-01-31
Как Google использует краудсорсинг для понимания фактологических запросов и создания шаблонов ответов
Google использует метод масштабирования понимания фактологических запросов. Система показывает пользователям факт (например, «Рост Барака Обамы 6'1"») и просит их предложить запросы, которые ведут к этому факту. Полученные запросы нормализуются, фильтруются и обобщаются в шаблоны (например, «какой рост у [Person]»). Эти шаблоны связываются с базой знаний, позволяя системе отвечать на аналогичные вопросы о других сущностях.
- US9037568B1
- 2013-03-15
Как Google трансформирует табличные данные (фиды, spreadsheets, HTML-таблицы) в структурированный Граф Знаний
Google использует системы для преобразования неструктурированных табличных данных (например, из spreadsheets, HTML-таблиц или продуктовых фидов) в структурированный граф знаний. Патент описывает механизмы импорта таблиц, автоматического создания сущностей и связей, а также процесс сверки (reconciliation) для связи данных с существующими сущностями во внешних графах (Knowledge Graph).
- US9798829B1
- 2013-10-22
Как Google распознает сущности в результатах поиска по описательным запросам и предлагает их для уточнения поиска
Google использует этот механизм для улучшения поиска, особенно по картинкам. Если пользователь вводит описательный запрос (например, «коричневая собака-пловец»), система распознает конкретные сущности в найденных результатах (например, «Чесапик-бей-ретривер») и отображает их названия как кликабельные элементы. Это позволяет пользователю перейти от общего описания к поиску конкретной сущности.
- US9418121B2
- 2013-03-12
Как Google анализирует видеоконтент, прогнозирует поисковые намерения пользователей и динамически показывает поясняющие карточки сущностей
Google использует машинное обучение для анализа транскрипции видео и прогнозирования, какие сущности (термины, концепции, объекты) зрители, скорее всего, захотят поискать. Система автоматически генерирует информационные «Карточки сущностей», используя контент из внешних веб-источников, и синхронно показывает их в интерфейсе плеера в момент упоминания сущности в видео.
- US12072934B2
- 2022-12-30
Как Google распознает, согласовывает и упорядочивает сериализованный контент (книги, фильмы) из разрозненных источников
Google использует алгоритмы для анализа информации о контенте (например, книгах, фильмах, сериалах) из множества источников. Система создает записи, кластеризует их для выявления серий, определяет канонические названия серий и отдельных произведений, а затем упорядочивает их последовательность. Это позволяет структурировать разрозненные и противоречивые данные для улучшения поисковой выдачи и формирования Графа Знаний.
- US9244919B2
- 2013-02-19
Как Google использует коллекции сущностей для определения коммерческого интента запроса
Google анализирует сущности (entities), распознанные в поисковом запросе, и определяет, к каким «коллекциям» (группам связанных сущностей) они принадлежат. Оценивая характеристики этих коллекций, система вычисляет вероятность коммерческого намерения пользователя. Этот механизм используется для разрешения неоднозначностей и принятия решения о показе релевантного коммерческого контента.
- US20150088648A1
- 2013-09-24
Как Google использует машинное обучение для автоматического расширения запросов о фильмах и сериалах и показа связанного контента
Google использует систему для распознавания запросов, связанных с медиа (фильмы, сериалы). Если запрос идентифицирован как медийный, система автоматически расширяет его, добавляя семантически связанные термины (например, похожие шоу, актеров, жанры), найденные с помощью обученной модели машинного обучения. Это позволяет возвращать более широкий и релевантный набор результатов, даже если исходный запрос был узким.
- US8484192B1
- 2007-04-30
Как Google использует контекст документа и данные пользователя для генерации мгновенных ответов (Knowledge Panels, Answer Boxes) при выделении текста
Google анализирует текст, выделенный пользователем на странице, и окружающий контекст (контент документа, язык и местоположение пользователя). Система определяет, является ли выделение сущностью, иностранной валютой или словом, требующим перевода, и динамически генерирует соответствующую информационную карточку (Knowledge Panel или Answer Box) поверх страницы.
- US9613145B2
- 2014-06-18
Как Google извлекает ключевые концепции и сущности, анализируя контекст вокруг повторяющихся цитат и отрывков текста
Google анализирует, как одни и те же отрывки текста (например, цитаты) используются в разных документах. Система собирает весь окружающий текст (контекст) вокруг каждого вхождения отрывка и использует статистический анализ (например, TF-IDF), чтобы определить ключевые термины, сущности и концепции, связанные с этим отрывком. Это позволяет связывать документы по смыслу и улучшать навигацию.
- US9323827B2
- 2008-01-30