Как Google использует атрибуты сущностей для генерации «Дополненных запросов» и уточнения поиска

Описание

Какую задачу решает

Патент решает проблему неэффективности и неоднозначности поиска информации о сущностях (Entities). Часто запросы, содержащие ссылку на сущность (Entity Reference, например, имя человека или название продукта), являются слишком общими или могут относиться к разным объектам. Пользователям сложно вручную формулировать точные запросы для изучения конкретных аспектов (Attributes) этой сущности. Изобретение призвано облегчить навигацию и исследование темы.

Что запатентовано

Запатентована система для автоматической генерации и предоставления «Дополненных поисковых запросов» (Augmented/Additional Search Queries). Когда пользователь ищет сущность, система идентифицирует ее ключевые атрибуты, анализируя первоначальный набор результатов или структурированные данные. Затем она формирует список уточняющих запросов в формате [Сущность + Атрибут] и предлагает их пользователю в интерфейсе (например, в виде кликабельных «пилюль» или фильтров) для быстрого перехода к более сфокусированной выдаче.

Как это работает

Механизм работает следующим образом:

• Распознавание и Дизамбигуация: Система получает запрос с Entity Reference. Если он неоднозначен, система различает отдельные сущности (Distinct Entities) и может предложить пользователю выбрать нужную.
• Идентификация Атрибутов: Для выбранной сущности определяются ключевые атрибуты. Источники: анализ контента из первоначальных результатов поиска (с помощью NLP) или данные из Knowledge Graph.
• Ранжирование Атрибутов: Идентифицированные атрибуты ранжируются по важности (например, по частоте или расположению в результатах).
• Генерация Дополненных Запросов: Автоматически создаются запросы путем комбинирования сущности и топовых атрибутов.
• Отображение и Выбор: Эти запросы отображаются пользователю в виде выбираемого списка (selectable list).
• Обновление Выдачи: При выборе дополненного запроса система предоставляет новый набор результатов, который содержит информацию, отсутствовавшую в первоначальной выдаче.

Актуальность для SEO

Высокая. Описанный механизм напрямую соответствует функциям исследования тем в SERP, таким как «Search Pills» (кнопки уточнения/фильтры), блоки «People Also Ask» и элементы навигации в Knowledge Panel. Учитывая фокус Google на сущностях и участие Emily Moxley (ключевого менеджера по продуктам, связанным с поисковыми функциями и Knowledge Panel), патент крайне актуален для понимания современных поисковых интерфейсов.

Важность для SEO

Патент имеет высокое значение (8.5/10) для SEO-стратегии, особенно в контексте Entity SEO. Он описывает механизм, который активно направляет трафик от общих запросов о сущности к более специфическим запросам, основанным на ее атрибутах. Понимание того, как Google идентифицирует и ранжирует эти атрибуты, критически важно для оптимизации контента и обеспечения видимости на всех этапах исследования темы пользователем.

Детальный разбор

Термины и определения

Entity (Сущность)

Объект или концепция, которая является единичной, уникальной и различимой (человек, место, продукт, идея).

Entity Reference (Ссылка на сущность)

Идентификатор (например, текстовая строка в запросе), который может соответствовать одной или нескольким Distinct Entities. Может быть неоднозначным.

Distinct Entities (Различные сущности)

Конкретные сущности, на которые может указывать неоднозначная Entity Reference (например, разные люди с одинаковым именем).

Attribute (Атрибут)

Характеристика, особенность или связанная тема сущности, идентифицированная системой. Примеры для сущности «Кейт Миддлтон»: [свадьба], [сестра].

Additional/Augmented Search Queries (Дополнительные/Дополненные поисковые запросы)

Автоматически сгенерированные запросы в формате [Сущность + Атрибут]. Предлагаются пользователю для уточнения поиска.

Knowledge Graph (Граф знаний)

Структурированная база данных (граф с узлами и ребрами), описывающая сущности и отношения между ними. Упоминается как источник структурированных данных.

Natural Language Processing (NLP)

Технологии обработки естественного языка, используемые для парсинга запросов и анализа контента с целью извлечения сущностей и атрибутов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод обновления результатов поиска.

1. Система получает первый запрос с Entity Reference (который может соответствовать нескольким Distinct Entities).
2. Предоставляется набор результатов, который разграничивает эти сущности.
3. Идентифицируются атрибуты (Attributes) как минимум одной сущности, основываясь (хотя бы частично) на этом наборе результатов.
4. В ответ на первый запрос автоматически генерируется выбираемый список (selectable list) дополнительных запросов. Они основаны на первом запросе, но отделены от него, и включают комбинации [Сущность + Атрибут].
5. Список предоставляется для отображения в UI.
6. Система получает ввод, выбирающий один из этих запросов.
7. Предоставляется обновленный набор результатов. Критическое условие: этот набор содержит хотя бы один результат, которого не было в первоначальном наборе.

Ядро изобретения — автоматизация исследования темы путем предложения уточнений, которые гарантированно расширяют информационное поле, а не просто фильтруют текущую выдачу.

Claim 4 (Зависимый от 1): Детализирует генерацию запросов.

Идентифицированные атрибуты ранжируются (ranking). Генерация дополнительных запросов основывается на этом ранжировании. Это подтверждает, что система определяет наиболее важные атрибуты.

Claim 5 (Зависимый от 1): Описывает процесс дисамбигуации.

Если сущностей несколько, система предоставляет их список в UI и получает выбор пользователя. Атрибуты и дополнительные запросы генерируются только для выбранной сущности.

Claims 6 и 7 (Зависимые от 1): Указывают источники атрибутов.

Атрибуты могут быть идентифицированы из структурированных источников данных (Claim 6) или из неструктурированных данных (Claim 7).

Где и как применяется

Изобретение затрагивает несколько этапов поиска, обеспечивая интерфейс для исследования сущностей.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит извлечение сущностей и атрибутов из контента с использованием NLP и наполнение Knowledge Graph. Это база для последующей идентификации атрибутов.

QUNDERSTANDING – Понимание Запросов
Система распознает Entity Reference в запросе и определяет потенциальную неоднозначность.

RANKING – Ранжирование
Генерируется первоначальный набор результатов.

METASEARCH – Метапоиск и Смешивание (Формирование SERP Features)
Основное применение патента. На этом этапе система формирует финальный вид SERP:

1. Анализ результатов и KG: Система анализирует результаты этапа RANKING и/или обращается к Knowledge Graph для идентификации и ранжирования атрибутов сущности.
2. Генерация UI элементов: Система генерирует Augmented Search Queries и внедряет их в интерфейс SERP (например, в виде «пилюль», PAA или элементов Knowledge Panel). При необходимости отображается интерфейс для дисамбигуации.
3. Обработка взаимодействия: При выборе дополненного запроса процесс возвращается на этап RANKING с новым, уточненным запросом.

Входные данные:

• Исходный поисковый запрос.
• Первоначальный набор результатов поиска.
• Структурированные данные (Knowledge Graph).
• Неструктурированные данные (контент веб-страниц).

Выходные данные:

• Интерфейс SERP с интегрированным списком Augmented Search Queries.
• Обновленный набор результатов для выбранного дополненного запроса.

На что влияет

• Специфические запросы: Наибольшее влияние на информационные и исследовательские запросы, связанные с сущностями (люди, бренды, продукты, места).
• Конкретные типы контента: Влияет на видимость контента, который фокусируется на специфических атрибутах сущности (детальные обзоры, биографии, страницы характеристик).

Когда применяется

• Триггеры активации: В запросе идентифицировано Entity Reference.
• Условия применения: Система способна идентифицировать и ранжировать значимые атрибуты для этой сущности на основе анализа выдачи или структурированных данных.

Пошаговый алгоритм

Процесс обработки запроса и генерации дополнений

1. Получение запроса: Система получает запрос, содержащий Entity Reference.
2. Генерация первичных результатов: Формируется первый набор результатов.
3. Дисамбигуация (При необходимости): Определяется, соответствует ли Entity Reference нескольким Distinct Entities.
   Если ДА: Отображается интерфейс для выбора сущности. Система получает выбор пользователя.
   Если НЕТ: Выбирается доминирующая сущность.
4. Идентификация Атрибутов: Для выбранной сущности идентифицируются атрибуты. Источники: парсинг первичных результатов (NLP) и/или запрос к Knowledge Graph.
5. Ранжирование Атрибутов: Идентифицированные атрибуты ранжируются. Критерии могут включать:
   • Частоту упоминания (Frequency of occurrence).
   • Расположение и близость к сущности в тексте (Location/Proximity).
   • Качество/популярность/свежесть документа-источника.
6. Генерация Дополненных Запросов: Формируются Augmented Search Queries путем комбинирования сущности и высокоранжированных атрибутов.
7. Отображение Списка в UI: Список дополненных запросов отображается в SERP.
8. Обработка Выбора Пользователя: Пользователь выбирает один из запросов.
9. Обновление Результатов: Выполняется поиск по выбранному дополненному запросу. Отображается обновленный набор результатов, включающий новые документы.

Какие данные и как использует

Данные на входе

• Контентные факторы (Неструктурированные данные): Текст, заголовки, подписи на веб-страницах из результатов поиска. Анализируются с помощью NLP для извлечения атрибутов и оценки их частоты/расположения.
• Структурные факторы (Структурированные данные): Данные из Knowledge Graph (узлы сущностей, ребра отношений, типы). Используются для идентификации атрибутов и дисамбигуации.
• Факторы качества/авторитетности (Косвенно): Патент упоминает, что ранжирование атрибутов может учитывать метрики документа, из которого они извлечены (например, популярность, свежесть, качество страницы).

Какие метрики используются и как они считаются

Система вычисляет ранжирование атрибутов (Ranking of Attributes) для выбора топовых дополненных запросов. Ключевые метрики:

• Frequency of Occurrence (Частота встречаемости): Количество упоминаний атрибута в документе или во всем наборе результатов (абсолютное или нормализованное).
• Location/Proximity (Расположение/Близость): Местоположение атрибута в документе (заголовок, начало страницы) и его близость к упоминанию целевой сущности.
• Document Metrics (Метрики документа): Показатели качества, свежести или популярности страниц-источников. Могут использоваться как весовые коэффициенты при агрегации рангов атрибутов.

Выводы

1. Переход от Поиска к Исследованию (Search to Exploration): Патент демонстрирует стратегию Google по превращению SERP в интерактивную среду для изучения сущностей. Система активно предсказывает и направляет следующий шаг пользователя, предлагая релевантные атрибуты для исследования.
2. Автоматическое определение и Ранжирование Атрибутов: Google динамически определяет, какие аспекты (атрибуты) сущности наиболее важны. Это ранжирование основано не только на Knowledge Graph, но и на анализе контента, который уже ранжируется в ТОПе (частота, расположение, авторитетность источника).
3. Критичность связки «Сущность + Атрибут»: Комбинации [Сущность + Атрибут] рассматриваются как ключевые информационные потребности. Augmented Queries напрямую нацелены на удовлетворение этих потребностей.
4. Расширение, а не фильтрация: Ключевым требованием патента (Claim 1) является то, что дополненный запрос должен привести к появлению новых результатов. Это не просто фильтр текущей выдачи, а полноценный новый поиск для углубления в тему.
5. Важность Структуры Контента для NLP: То, как информация структурирована на странице (близость атрибутов к сущности, использование заголовков), напрямую влияет на способность системы извлекать и высоко ранжировать эти атрибуты.

Практика

Best practices (это мы делаем)

• Построение Тематического Авторитета (Topic/Entity Authority): Стратегия должна фокусироваться на полном охвате сущности и всех ее ключевых атрибутов (модель Topic Clusters). Это гарантирует релевантность вашего контента для автоматически сгенерированных Augmented Queries.
• Четкая ассоциация Сущность-Атрибут в контенте: Убедитесь, что ключевые атрибуты упоминаются в непосредственной близости (Proximity) от основной сущности и на заметных позициях (Prominence) – в заголовках, подзаголовках, списках. Это повышает их ранг в системе ранжирования атрибутов.
• Мониторинг и Оптимизация под Дополненные Запросы: Регулярно анализируйте, какие Augmented Queries (пилюли, фильтры, PAA) Google генерирует для ваших ключевых сущностей. Рассматривайте их как целевые запросы и убедитесь, что у вас есть качественный контент, оптимизированный под них.
• Использование Структурированных Данных (Schema.org): Активно используйте микроразметку для явного определения сущностей и их атрибутов. Это предоставляет Google надежный источник данных (Structured Data Source), который может использоваться для генерации дополненных запросов.

Worst practices (это делать не надо)

• Фокус только на основном запросе сущности: Игнорирование атрибутов и оптимизация только под общий запрос (например, имя бренда) приведет к потере трафика от пользователей, использующих механизмы уточнения.
• Поверхностный контент без глубины: Создание контента, который упоминает сущность, но не раскрывает ее атрибуты. Система не сможет извлечь полезные данные для генерации дополненных запросов из такого контента.
• Неструктурированный текст и слабые семантические связи: Текст, в котором связь между сущностью и атрибутами неявная или размытая, затрудняет работу NLP-алгоритмов по извлечению и ранжированию атрибутов.

Стратегическое значение

Патент подтверждает стратегический сдвиг к семантическому поиску, основанному на сущностях. Успех в SEO зависит от способности сайта предоставить лучшую информацию не только о самой сущности, но и о всем спектре ее значимых атрибутов. Долгосрочная стратегия должна быть направлена на построение контент-хабов вокруг сущностей, которые покрывают все автоматически генерируемые Augmented Queries, которые Google использует для ведения пользователя по теме.

Практические примеры

Сценарий: Оптимизация страницы продукта (E-commerce)

1. Сущность: Смартфон «Pixel 9 Pro».
2. Анализ SERP: SEO-специалист вводит запрос и видит, что Google генерирует Augmented Queries (пилюли): [цена], [дата выхода], [характеристики камеры], [обзоры], [сравнение с iPhone].
3. Стратегия Контента: На странице продукта создаются четко выделенные разделы для каждого атрибута.
4. Техническая реализация:
   • Используются заголовки H2/H3 для разделов «Характеристики камеры Pixel 9 Pro» и «Цена и доступность».
   • Информация о камере представлена в виде структурированной таблицы или списка (легко для NLP-извлечения).
   • Внедряется разметка Schema.org (Product), указывающая атрибуты (price, releaseDate).
5. Результат: Google легче идентифицирует и высоко ранжирует эти атрибуты. Сайт получает высокую видимость, когда пользователи кликают на сгенерированные пилюли (например, [Pixel 9 Pro характеристики камеры]), так как контент оптимизирован под эти дополненные запросы.

Вопросы и ответы