Как Google создает и использует Персональный Граф Знаний (User-Specific Knowledge Graph) для гиперперсонализации поиска и рекомендаций

Описание

Какую задачу решает

Патент решает задачу агрегации и структурирования разрозненных данных, связанных с активностью конкретного пользователя в различных сервисах (поиск, электронная почта, социальные сети, календари, геолокация и т.д.). Цель — создать единое, каноническое представление (single canonical representation) знаний о мире пользователя. Это позволяет системе отвечать на сложные, контекстуальные запросы и проактивно предоставлять релевантную информацию (прогнозы/рекомендации).

Что запатентовано

Запатентована система для создания, поддержания и использования User-Specific Knowledge Graph (USKG) — Персонального Графа Знаний. Система обрабатывает контент пользователя (user-specific content), извлекает сущности и отношения на основе предопределенных схем (schemas) и строит граф. Ключевой механизм — динамическое взвешивание связей (edges): вес (weight) увеличивается при подтверждении связи в новом контенте (reinforcement) и может уменьшаться при его отсутствии (decay). Этот граф используется поисковой службой для предоставления персонализированных результатов.

Как это работает

Система функционирует следующим образом:

• Сбор данных: Агрегируется user-specific content из различных источников (поисковые запросы, письма, посты, данные локации).
• Обработка и парсинг: Контент обрабатывается парсерами (parsers), специфичными для определенных schemas, для извлечения сущностей (entities) и отношений (relationships).
• Построение графа: Создается или обновляется USKG, где узлы (nodes) представляют сущности, а ребра (edges) — отношения.
• Динамическое взвешивание: Каждому ребру присваивается weight. При получении нового контента, подтверждающего существующую связь, ее вес увеличивается (Reinforcement). Со временем, при отсутствии подтверждения, вес может уменьшаться (Decay).
• Применение: Поисковая система использует обновленный граф для интерпретации запросов в личном контексте пользователя и для генерации персонализированных результатов поиска (user-specific search results) или рекомендаций (predictions).

Актуальность для SEO

Высокая. Гиперперсонализация и проактивные рекомендации (например, Google Discover, Google Assistant) являются ключевыми направлениями развития поиска. Построение детального, структурированного профиля интересов пользователя на основе его активности критически важно для современных поисковых систем. Патент описывает фундаментальную инфраструктуру, лежащую в основе этих процессов.

Важность для SEO

Влияние этого патента на SEO является значительным и стратегическим (75/100). Он не описывает алгоритмы ранжирования публичного веб-индекса. Однако он детально описывает механизм, который критически влияет на финальную выдачу, которую видит конкретный пользователь (Reranking), и на трафик из рекомендательных систем (Discover). Патент подчеркивает переход к гиперперсонализации, основанной на сущностях и личном контексте. Для SEO это означает, что видимость контента все больше зависит от того, насколько бренд или тема интегрированы в персональный граф знаний пользователя.

Детальный разбор

Термины и определения

User-Specific Knowledge Graph (USKG) (Персональный Граф Знаний пользователя)

Структурированный граф, специфичный для конкретного пользователя. Состоит из узлов (Nodes) и ребер (Edges). Представляет собой каноническое представление знаний о мире пользователя.

User-Specific Content (Контент, специфичный для пользователя)

Данные, связанные с активностью пользователя в различных сервисах (поиск, электронная почта, социальные сети, календари, геолокация и т.д.).

Node (Узел) и Entity (Сущность)

Узел графа представляет сущность — объект реального мира (человек, место, вещь, активность, концепция), извлеченный из контента пользователя.

Edge (Ребро) и Relationship (Отношение)

Ребро графа представляет отношение между двумя сущностями.

Weight (Вес)

Числовое значение, связанное с ребром, указывающее на релевантность или меру силы (measure of strength) отношения. Вес динамичен.

Reinforcement (Подкрепление/Усиление)

Процесс, при котором новый контент пользователя подтверждает существующее отношение, что приводит к увеличению его веса (Claim 1).

Decay (Затухание)

Процесс уменьшения веса отношения со временем при отсутствии подкрепления (lack of reinforcement).

Schema (Схема)

Описание структуры данных в графе. Определяет типы сущностей и отношений. Граф может быть построен на основе одной или нескольких схем.

Parser (Парсер)

Компонент, который обрабатывает User-Specific Content для извлечения сущностей и отношений. Каждый парсер специфичен для определенной Schema.

Compound User-Specific Knowledge Graph (Составной персональный граф знаний)

Единое представление нескольких USKG, основанных на разных схемах. Может содержать несколько ребер между одними и теми же узлами, если связь определена в разных схемах.

Ключевые утверждения (Анализ Claims)

Патент US11397784B2 является продолжением (continuation) более ранней заявки и фокусируется на динамическом обновлении графа для целей поиска.

Claim 1 (Независимый пункт): Описывает метод генерации персонализированных результатов поиска с использованием динамического обновления USKG.

1. Поисковая служба получает доступ к User-Specific Knowledge Graph (USKG) пользователя. Граф содержит узлы (сущности) и ребра (отношения с весами, отражающими силу связи).
2. Система получает новый элемент контента, связанный с идентификатором пользователя (user identifier).
3. Система определяет, что этот контент содержит пару сущностей, которые уже представлены в USKG как пара узлов, соединенных ребром.
4. В ответ на это (т.е. при обнаружении подкрепления связи), система обновляет (увеличивает) weight этого ребра, создавая обновленный USKG.
5. Система получает поисковый запрос от пользователя.
6. Система предоставляет персонализированные результаты поиска (user-specific search results), основанные на запросе и обновленном USKG.

Ядро изобретения — механизм динамического обновления весов связей (Reinforcement) на основе текущей активности пользователя и использование этого актуализированного графа для персонализации поиска.

Claim 3 (Зависимый): Детализирует процесс генерации USKG с использованием множества схем (plurality of schemas).

USKG создается путем генерации отдельных графов для каждой схемы (schema-specific graph) и их последующего объединения (комбинирования).

Claim 6 (Зависимый): Описывает использование USKG для интерпретации и ответа на запрос.

При получении запроса, ссылающегося на сущность, система генерирует результаты, ссылающиеся на другие сущности, которые связаны с узлом этой сущности в USKG. Это механизм использования персонального контекста.

Где и как применяется

Изобретение описывает инфраструктуру обработки персональных данных, которая влияет на несколько этапов поиска.

CRAWLING & INDEXING (Персональные данные)
Система непрерывно собирает и индексирует User-Specific Content из различных сервисов Google (Gmail, Search History, Location data, Social activity). На этом этапе происходит парсинг контента, извлечение сущностей и отношений, построение и обновление User-Specific Knowledge Graph. Это инфраструктура для хранения личного контекста пользователя.

QUNDERSTANDING – Понимание Запросов
Система использует USKG для интерпретации запроса. Запрос обогащается контекстом из персонального графа (Claim 6). Например, запрос [что мне делать с детьми] будет интерпретирован с учетом того, какие активности (сущности) в графе пользователя связаны с сущностью «Дети» и имеют высокий weight.

RERANKING – Переранжирование (Персонализация)
Основное применение в поиске. Результаты, полученные от основных систем ранжирования, переупорядочиваются с учетом данных из USKG (Claim 1). Документы, соответствующие сущностям и отношениям с высоким весом в графе пользователя, получают повышение.

METASEARCH (Прогнозирование/Рекомендации)
Система использует USKG для прогнозирования (predictions) — проактивного предоставления информации без явного запроса (например, Google Discover). Система анализирует USKG для выявления актуальных интересов на основе сильных и недавно усиленных связей.

Входные данные:

• User-Specific Content (история запросов, письма, посты, данные геолокации).
• Идентификатор пользователя (User Identifier).
• Предопределенные схемы (Schemas).
• Входящий поисковый запрос.

Выходные данные:

• Обновленный USKG с пересчитанными весами.
• User-specific search results.
• Прогнозы/Рекомендации.

На что влияет

• Специфические запросы: Наибольшее влияние на неоднозначные, широкие или контекстно-зависимые запросы, где для уточнения интента необходим личный контекст пользователя (например, запросы о хобби, путешествиях, локальные запросы).
• Типы контента: Влияет на все типы контента, которые могут быть связаны с сущностями в персональном графе пользователя (новости, статьи, товары, локальные места).
• Рекомендательные системы: Критически влияет на контент, отображаемый в Google Discover и других проактивных сервисах.

Когда применяется

• Триггеры активации: Обновление графа происходит постоянно при получении нового User-Specific Content. Использование графа активируется при получении поискового запроса или при генерации рекомендаций.
• Условия работы: Требуется наличие данных о пользователе и его согласие на их использование (как указано в патенте: «users may be given an opportunity to control whether the user information […] is collected»).

Пошаговый алгоритм

Процесс А: Обновление User-Specific Knowledge Graph (Фоновый процесс)

1. Получение контента: Система получает новый элемент user-specific content, связанный с User ID.
2. Обработка контента: Контент обрабатывается парсерами, специфичными для одной или нескольких schemas.
3. Идентификация сущностей и отношений: Из контента извлекаются сущности и отношения.
4. Проверка наличия в графе: Система проверяет, существуют ли эти узлы и ребра в текущем USKG пользователя.
5. Обновление существующих элементов (Reinforcement):
   • Если узел и ребро существуют: Система увеличивает Weight существующего ребра (Claim 1).
6. Добавление новых элементов:
   • Если узел и/или ребро отсутствуют: Система добавляет их в граф и присваивает начальный вес.
7. Затухание весов (Decay): Периодически веса ребер, которые долго не получали подкрепления (lack of reinforcement), могут быть уменьшены.
8. Сохранение графа: Обновленный USKG сохраняется.

Процесс Б: Использование USKG в поиске (Реальное время)

1. Получение запроса: Пользователь отправляет поисковый запрос.
2. Интерпретация запроса: Система анализирует запрос, используя USKG для извлечения персонального контекста.
3. Запрос к графу: Система может выполнить подзапросы к USKG для поиска связанных сущностей с высоким весом.
4. Генерация результатов: Система генерирует или переранжирует (Reranking) результаты поиска, отдавая предпочтение тем, которые соответствуют контексту из USKG.
5. Отображение: Персонализированные результаты предоставляются пользователю.

Какие данные и как использует

Данные на входе

Система использует исключительно данные, связанные с активностью пользователя (User-Specific Content). В патенте упоминаются:

• Поведенческие факторы: Поисковые запросы (search queries), история поиска.
• Контентные факторы (Личный контент): Содержимое электронных писем (electronic mail messages), посты в социальных сетях (posts), чаты, документы, календари, фото и видео.
• Географические факторы: Данные геолокации (geo-location data), связанные с постами или действиями; текущее местоположение (current location), чекины.
• Социальные факторы: Социальные связи (social connections), контакты, члены семьи, с кем пользователь взаимодействует.

Какие метрики используются и как они считаются

Основная метрика — вес связи.

• Weight (Вес ребра): Метрика, отражающая силу или релевантность отношения между двумя сущностями для пользователя.
  • Расчет: Конкретные формулы не приводятся. Вес может быть в диапазоне (например, от 0 до 1).
  • Увеличение (Reinforcement): Вес увеличивается каждый раз, когда система обнаруживает новый контент, подтверждающий это отношение (Claim 1). Например, если пользователь часто ищет информацию о бренде X, вес связи с этим брендом растет.
  • Уменьшение (Decay): Вес уменьшается со временем при отсутствии подкрепления (lack of reinforcement).
• Threshold weight (Пороговый вес): Система может использовать пороговые значения веса при генерации результатов. Включаются только те сущности, вес связи которых превышает порог, чтобы отсеять нерелевантные или устаревшие интересы.

Выводы

1. Гиперперсонализация на основе Персонального Графа Знаний: Google строит детализированные структурированные профили (User-Specific Knowledge Graphs) для пользователей, анализируя их личный контент (почта, история поиска, социальные взаимодействия) из всех доступных сервисов.
2. Динамическая оценка интересов (Reinforcement и Decay): Значимость интересов не статична. Вес (Weight) связи постоянно пересчитывается. Недавняя и частая активность усиливает вес, а отсутствие активности приводит к его затуханию. Система адаптируется к текущим интересам пользователя.
3. Персональный контекст влияет на выдачу: USKG активно используется для интерпретации запросов (QUnderstanding) и переранжирования результатов (Reranking). Это приводит к тому, что выдача у разных пользователей по одному и тому же запросу может сильно отличаться.
4. Сущностно-ориентированный подход: Понимание пользователя строится вокруг сущностей (Entities) и их взаимосвязей, структурированных с помощью схем (Schemas). Это соответствует глобальной стратегии Google.
5. Инфраструктура для предиктивного поиска: USKG является фундаментом для работы рекомендательных систем (Google Discover), которые прогнозируют интересы пользователя без явного запроса.
6. Стратегическое влияние на SEO: Видимость сайта зависит не только от общих факторов ранжирования, но и от того, насколько его тематика или бренд релевантны текущим интересам пользователя, зафиксированным в его USKG.

Практика

Best practices (это мы делаем)

Прямое влияние на USKG через стандартные SEO-методы ограничено, так как он строится на личных данных. Однако стратегически необходимо адаптироваться к этой модели гиперперсонализации:

• Фокус на построении бренда и Topical Authority: Необходимо стать узнаваемой сущностью в своей нише. Чем чаще пользователь взаимодействует с вашим брендом или тематикой (через поиск, email-рассылки, социальные сети), тем сильнее будут соответствующие связи в его персональном графе (Reinforcement).
• Стимулирование повторного взаимодействия (Retention): Стратегии удержания аудитории и регулярного взаимодействия (качественные email-рассылки, SMM, подписки) напрямую влияют на увеличение весов (Weights) в USKG пользователей. Это критически важно для поддержания видимости в персонализированной выдаче.
• Оптимизация под Google Discover: Поскольку USKG является основой для прогнозирования интересов (Predictions), оптимизация контента под Discover (контент, связанный с актуальными интересами аудитории, качественные визуальные элементы) становится ключевой задачей.
• Использование структурированных данных (Schema.org): Патент подчеркивает важность схем для парсинга данных. Использование стандартной микроразметки помогает поисковой системе лучше понимать сущности на вашем сайте. Это увеличивает вероятность правильной интерпретации контента и его связи с сущностями в графе пользователя.
• Кросс-канальный маркетинг: Интеграция SEO с другими каналами (Email, SMM) важна для обеспечения постоянного присутствия бренда в инфополе пользователя, что способствует укреплению связей в его USKG.

Worst practices (это делать не надо)

• Игнорирование персонализации при анализе: Оценка эффективности SEO только по позициям в «нейтральной» выдаче (режим инкогнито) не дает полной картины. Финальная выдача для активного пользователя гиперперсонализирована.
• Фокус только на разовом привлечении трафика: Стратегии, направленные на получение однократного визита, неэффективны. Без повторных взаимодействий связи в USKG не формируются или быстро затухают (Decay).
• Создание контента без четкой привязки к сущностям: Контент, из которого сложно извлечь конкретные сущности и связи, менее полезен для формирования или укрепления узлов и ребер в персональном графе пользователя.

Стратегическое значение

Патент подчеркивает стратегическую важность перехода от оптимизации страниц под ключевые слова к построению долгосрочных отношений с аудиторией и формированию авторитетности бренда как сущности. В мире гиперперсонализированного поиска выигрывают ресурсы, которые становятся частью повседневной жизни пользователя. SEO-стратегия должна быть тесно интегрирована с контент-стратегией и retention-маркетингом, чтобы обеспечить стабильное присутствие в персональных графах знаний целевой аудитории.

Практические примеры

Сценарий: Усиление связи бренда в USKG пользователя через кросс-канальный маркетинг

1. Цель: Увеличить видимость интернет-магазина спортивных товаров в персонализированной выдаче и Discover для пользователей, интересующихся теннисом.
2. Действия:
   • Запуск серии экспертных статей о выборе теннисных ракеток. Оптимизация под Discover.
   • Запуск таргетированной email-рассылки с этими статьями по сегменту аудитории, ранее интересовавшемуся теннисом.
3. Механизм работы (по патенту):
   • Пользователь ищет [лучшие теннисные ракетки 2025] (User-Specific Content).
   • Пользователь открывает письмо от магазина и читает обзор (User-Specific Content, особенно если это Gmail).
   • Система Google анализирует эти действия и усиливает (Reinforcement) связь между сущностями «Теннис», «Теннисные ракетки» и «Бренд магазина» в USKG пользователя. Вес (Weight) этих связей увеличивается.
4. Ожидаемый результат: Когда пользователь вводит широкий запрос, например, [обновить спортивную экипировку], система использует его USKG, обнаружит сильную связь с теннисом и брендом магазина, и переранжирует выдачу (Reranking), повысив позиции этого магазина. Также увеличивается вероятность появления контента магазина в ленте Discover.

Вопросы и ответы