Как Google использует структурированное машинное обучение для совместного выбора сущностей и их атрибутов в каруселях и панелях знаний

Описание

Какую задачу решает

Патент решает проблему неоптимального выбора контента для структурированных информационных дисплеев (например, каруселей, панелей знаний) в поисковой выдаче. Существующие методы часто используют двухэтапный подход: сначала ранжируют элементы (например, сущности или продукты), а затем отдельно ранжируют атрибуты для каждого элемента. Это приводит к тому, что общая релевантность структуры (whole-structure relevance) страдает, возникают избыточность (redundancy) или недостаток согласованности (coherence) между атрибутами разных элементов.

Что запатентовано

Запатентована система, использующая модель структурированного машинного обучения (machine-learned display selection model) для совместной оптимизации (jointly optimize) выбора и ранжирования как элементов (items), так и их атрибутов (attributes). Вместо раздельного решения двух задач система рассматривает это как единую задачу структурного предсказания (structured prediction problem), оптимизируя всю структуру отображения одновременно.

Как это работает

Система использует глобальный подход для моделирования зависимостей между элементами и атрибутами на разных уровнях иерархии. Ключевые механизмы:

• Сбор кандидатов: Идентифицируются потенциальные элементы и их атрибуты, релевантные запросу.
• Извлечение признаков: Для элементов и атрибутов извлекаются признаки (например, важность, сходство, понятность, neural embeddings).
• Совместный выбор: Признаки подаются в модель машинного обучения, которая оптимизирует сложную целевую функцию (например, nested submodular objective function). Эта функция учитывает взаимосвязи (например, сходство или различие) не только между элементами, но и между атрибутами разных элементов.
• Оптимизация: Для оптимизации функции используются эффективные алгоритмы (например, nested greedy algorithm).
• Вывод структуры: Модель выводит единую структуру отображения (display structure), определяющую, какие элементы и какие атрибуты для них показать и в каком порядке.

Актуальность для SEO

Высокая. С учетом доминирования структурированных результатов (карусели, панели знаний, товарные блоки, локальная выдача) в современной SERP, оптимизация их представления является критически важной задачей для Google. Использование сложных моделей машинного обучения (включая neural embeddings и структурированное предсказание) для формирования выдачи полностью соответствует текущим трендам развития поиска.

Важность для SEO

Влияние на SEO высокое (85/100), особенно для стратегий, нацеленных на видимость в богатых результатах (Rich Results) и Панелях Знаний (Knowledge Panels). Патент объясняет механизм, с помощью которого Google выбирает не только саму сущность или документ для показа, но и то, какие именно атрибуты (факты, характеристики, изображения) будут отображаться. Понимание этого механизма критично для оптимизации структурированных данных и контента с целью максимизации информативности и CTR в этих блоках.

Детальный разбор

Термины и определения

Candidate Items / Attributes (Элементы-кандидаты / Атрибуты)

Набор потенциальных элементов (например, сущностей, документов, продуктов) и связанных с ними атрибутов (например, фактов, характеристик, симптомов), которые рассматриваются для включения в информационный дисплей.

Display Structure (Структура отображения)

Конечный результат работы модели. Определяет набор выбранных элементов, набор выбранных атрибутов для каждого элемента, а также их порядок.

Informational Display (Информационный дисплей)

Структурированное представление информации в пользовательском интерфейсе, например, карусель элементов, панель знаний или блок ответов в поисковой выдаче.

Joint Selection / Joint Optimization (Совместный выбор / Совместная оптимизация)

Ключевая концепция патента. Процесс одновременного выбора и ранжирования элементов и их атрибутов как единой структуры, в отличие от последовательного выбора.

Machine-Learned Display Selection Model (Модель выбора отображения на основе машинного обучения)

Модель (например, structured support vector machine или структурированная нейронная сеть), обученная предсказывать оптимальную Display Structure на основе входных признаков.

Nested Greedy Algorithm (Вложенный жадный алгоритм)

Эффективный алгоритм, используемый для оптимизации nested submodular objective function. Он итеративно выбирает элементы и атрибуты, максимизируя прирост целевой функции на каждом шаге.

Nested Submodular Objective Function (Вложенная субмодулярная целевая функция)

Математическая функция, используемая для оценки качества всей структуры отображения. Она позволяет моделировать сложные зависимости (например, разнообразие или согласованность) между элементами и атрибутами на разных уровнях иерархии.

Neural Network Embedding (Нейросетевой эмбеддинг)

Векторное представление элемента или атрибута, полученное с помощью нейронной сети. Используется как признак, в частности для оценки семантического сходства.

Similarity Features (Признаки сходства)

Признаки, описывающие степень сходства между двумя элементами или двумя атрибутами (например, совпадение ключевых слов, текстовое пересечение, разница между эмбеддингами).

Structured Prediction (Структурное предсказание)

Подход машинного обучения, при котором предсказывается сложный структурированный объект (в данном случае Display Structure), а не одно скалярное значение.

Whole-Structure Relevance (Релевантность всей структуры)

Мера качества информационного дисплея в целом, учитывающая не только релевантность отдельных компонентов, но и их взаимодействие (разнообразие, согласованность).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы для выбора информации.

1. Система получает набор элементов-кандидатов и связанных с ними атрибутов-кандидатов.
2. Система определяет набор признаков (features) для этих элементов и/или атрибутов.
3. Эти данные (признаки, элементы, атрибуты) вводятся в machine-learned display selection model.
4. Эта модель сконфигурирована для оптимизации nested submodular objective function с целью одновременного и совместного выбора набора элементов и атрибутов для каждого из них.
5. Система получает на выходе единый joint selection, который специфицирует как выбранные элементы, так и выбранные атрибуты для включения в информационный дисплей.

Ядро изобретения — использование специализированной модели машинного обучения с вложенной субмодулярной функцией для одновременного решения задачи выбора элементов и их атрибутов.

Claim 3 (Зависимый от 1): Уточняет типы признаков.

Признаки включают similarity feature, который описывает степень сходства между атрибутом одного элемента-кандидата и атрибутом другого элемента-кандидата.

Это критически важно, так как подтверждает, что система моделирует взаимосвязи атрибутов между разными элементами (например, для обеспечения разнообразия симптомов в медицинской карусели).

Claim 4 (Зависимый от 1): Уточняет использование нейронных сетей для генерации признаков.

Система определяет первый neural network embedding для первого элемента/атрибута и второй эмбеддинг для второго элемента/атрибута. Затем вычисляется разница между ними, и эта разница используется как признак.

Это указывает на использование современных NLP-технологий для оценки семантического сходства или различия между компонентами.

Claim 10 (Зависимый от 9) и Claim 19 (Зависимый от 17): Детализируют работу целевой функции.

Nested submodular objective function моделирует (i) зависимости между выбранными элементами и (ii) зависимости между выбранными атрибутами для двух или более разных выбранных элементов.

Это математическое основание, позволяющее системе оптимизировать структуру глобально, учитывая, как выбор атрибутов для одного элемента влияет на ценность атрибутов для другого.

Claim 14 (Зависимый от 9): Описывает процесс обучения.

Модель обучается на основе предпочтительных структур отображения (preferred display structures), созданных вручную на основе человеческой обратной связи. Обучение включает обновление весов или параметров nested submodular objective function.

Где и как применяется

Изобретение применяется на финальных этапах формирования поисковой выдачи, когда необходимо собрать и структурировать информацию для богатых результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе система извлекает и индексирует элементы (сущности, документы) и их атрибуты (структурированные данные, факты из Knowledge Graph). Также рассчитываются и сохраняются признаки (features), такие как важность, понятность, neural embeddings и сила связи в графе знаний.

RANKING – Ранжирование
Основные алгоритмы ранжирования могут определять первоначальный набор элементов-кандидатов (candidate items), релевантных запросу.

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
Основное применение патента. Когда система решает показать структурированный блок (например, карусель продуктов, локальную выдачу, панель знаний), этот механизм активируется для формирования его содержимого. Он отвечает за выбор того, какие именно элементы войдут в блок и какие атрибуты будут показаны для каждого из них, оптимизируя whole-structure relevance.

RERANKING – Переранжирование
Механизм также влияет на переранжирование внутри информационного дисплея, так как модель определяет порядок элементов (item ordering) и порядок атрибутов (attribute ordering) (Claim 8).

Входные данные:

• Запрос пользователя или контекст.
• Набор элементов-кандидатов (Items).
• Набор атрибутов-кандидатов (Attributes) для каждого элемента.
• Признаки (Features) для каждого элемента и атрибута (важность, сходство, эмбеддинги и т.д.).

Выходные данные:

• Display Structure (или Joint Selection): спецификация, включающая выбранные элементы, выбранные атрибуты для них, а также их порядок отображения.

На что влияет

• Типы контента и форматы: Влияет на все типы контента, которые отображаются в структурированном виде: карусели (изображения, видео, новости, книги, фильмы), панели знаний (Knowledge Panels), товарные блоки (Product Listings), локальная выдача (Local Packs), блоки с рецептами, событиями и т.д.
• Специфические запросы: Наиболее заметно влияние на информационные и транзакционные запросы, где требуется сравнение вариантов или глубокое изучение темы (например, сравнение товаров, изучение симптомов болезней, выбор фильма).
• Конкретные ниши: Сильное влияние в E-commerce (выбор характеристик товара для показа), медицине (выбор симптомов), развлечениях (выбор актеров, жанров), локальном поиске (выбор отзывов, часов работы).

Когда применяется

Алгоритм применяется, когда поисковая система формирует Informational Display, содержащий иерархическую информацию (элементы и их атрибуты), и когда доступно достаточное количество кандидатов и признаков для оптимизации.

Триггеры активации:

• Запрос, для которого предусмотрен показ структурированного блока (карусели, панели знаний).
• Наличие множества релевантных элементов с множеством доступных атрибутов (например, сущности из Knowledge Graph с сотнями свойств).

Пошаговый алгоритм

Процесс формирования информационного дисплея:

1. Получение запроса/Контекста: Система получает запрос пользователя или иной триггер.
2. Идентификация кандидатов: Поисковые инструменты (например, поиск по Knowledge Graph, товарный поиск, веб-индекс) идентифицируют набор элементов-кандидатов и связанных с ними атрибутов-кандидатов.
3. Извлечение признаков: Для каждого элемента и атрибута извлекаются признаки. Это включает:
   • Признаки важности (популярность, авторитет).
   • Признаки понятности/техничности (использование жаргона против общеупотребимой лексики).
   • Признаки сходства (текстовое сходство, тематическое сходство).
   • Генерация Neural Network Embeddings и расчет разницы между эмбеддингами для оценки семантического сходства.
4. Ввод в модель: Кандидаты и их признаки подаются в Machine-Learned Display Selection Model.
5. Оптимизация целевой функции: Модель оптимизирует Nested Submodular Objective Function. Веса этой функции были настроены в процессе обучения для достижения желаемого баланса (например, максимизации разнообразия или согласованности).
   • Для оптимизации может использоваться Nested Greedy Algorithm, который итеративно строит структуру, выбирая элементы и атрибуты, максимизирующие прирост функции с учетом уже выбранных компонентов и их взаимосвязей.
6. Генерация структуры отображения: Модель выводит финальную Display Structure (Joint Selection), которая определяет, какие элементы и атрибуты будут показаны и в каком порядке.
7. Рендеринг: Информационный дисплей (например, карусель) рендерится в соответствии с полученной структурой и предоставляется пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на признаках (features), используемых моделью для принятия решения о выборе и ранжировании.

• Контентные и Семантические факторы:
  • Understandability (Понятность): Признаки, оценивающие, использует ли атрибут повседневный язык или технический жаргон.
  • Technicality (Техничность): Например, предпочтение ‘headache’ вместо ‘cephalgia’.
  • Generality (Общность): Например, ‘pain’ против ‘lower left stomach pain’.
  • Length and quality of descriptions (Длина и качество описаний).
  • Neural Network Embeddings: Векторные представления элементов и атрибутов для моделирования сходства в семантическом пространстве.
• Структурные факторы (Knowledge Graph):
  • Strength of association in the knowledge graph (Сила ассоциации в графе знаний).
• Факторы Качества и Важности:
  • Importance features: Популярность, авторитетность, PageRank (если применимо к источнику).
  • Information content: Наличие пустых значений атрибутов.
• Факторы Сходства и Разнообразия (Similarity/Diversity):
  • Similarity features: Общие ключевые слова, пересечение символов/слов, общие спецификации.
  • Redundancy: Пересечение строк или сущностей.
  • Разница между эмбеддингами: Используется для оценки семантического сходства пар элементов или атрибутов.
• Пользовательские данные (для обучения):
  • Manual judgments (Ручные оценки): Оценки того, какие элементы релевантны и какие атрибуты наиболее важны.
  • Preferred display structures: Примеры предпочтительных структур отображения, используемые для обучения модели.
  • Preferential feedback: Данные о том, какую из двух структур предпочитает пользователь.

Какие метрики используются и как они считаются

• Nested Submodular Objective Function: Основная метрика качества структуры. Это сложная функция, которая агрегирует ценность выбранных элементов и атрибутов, учитывая их взаимосвязи. Функция строится так, чтобы моделировать принцип убывающей полезности (добавление похожего элемента/атрибута дает меньше ценности, чем добавление уникального).
• Весовые коэффициенты: Веса и параметры внутри целевой функции настраиваются в процессе машинного обучения (Claim 14). Это позволяет адаптировать цель оптимизации (например, предпочесть разнообразие в одном контексте и согласованность в другом).
• Loss Function (Функция потерь): Используется при обучении. Сравнивает предсказанную структуру с идеальной (preferred display structure). Может учитывать количество совпадающих слотов или количество правильных пар.

Выводы

1. От ранжирования элементов к оптимизации представления: Google патентует механизм для оптимизации всей структуры богатого результата (например, карусели) целиком. Система не просто ранжирует элементы, а одновременно решает, какие атрибуты показать для каждого элемента, чтобы максимизировать общую полезность.
2. Моделирование зависимостей (Diversity vs Coherence): Ключевая особенность — использование Nested Submodular Objective Function для моделирования зависимостей между атрибутами разных элементов. Это позволяет Google сознательно управлять разнообразием (Diversity) или согласованностью (Coherence) информации в блоке. Например, показывать разнообразные симптомы для разных болезней или, наоборот, схожие характеристики для сравнения товаров.
3. Совместная оптимизация (Joint Optimization): Решение принимается глобально (structured prediction), а не локально для каждого элемента. Выбор атрибутов для Элемента А влияет на выбор атрибутов для Элемента Б.
4. Использование современных ML/NLP технологий: Патент явно упоминает использование Neural Network Embeddings в качестве признаков для оценки семантического сходства элементов и атрибутов.
5. Важность понятности контента: Явно выделяются признаки Understandability и Technicality. Система предпочитает атрибуты, сформулированные на повседневном языке, а не технический жаргон.
6. Зависимость от структурированных данных и Knowledge Graph: Механизм полагается на наличие структурированных атрибутов, связанных с элементами (например, через Knowledge Graph). Сила ассоциации в графе знаний является одним из признаков.

Практика

Best practices (это мы делаем)

• Комплексная проработка структурированных данных: Предоставляйте максимально полный набор атрибутов через микроразметку (Schema.org). Чем больше качественных атрибутов доступно системе, тем выше вероятность, что она выберет ваши данные для формирования информативного сниппета или карусели.
• Оптимизация под Knowledge Graph: Работайте над тем, чтобы ваш бренд, продукты или контент были представлены как сущности в Knowledge Graph с четко определенными атрибутами. Сила ассоциаций в графе является признаком для этой модели.
• Фокус на понятности и простоте языка: При описании характеристик, свойств или фактов используйте ясный, повседневный язык. Избегайте сложного технического жаргона, так как признаки Understandability и Technicality используются для фильтрации атрибутов.
• Использование семантически точных атрибутов: Используйте Neural Embeddings для анализа семантической близости ваших атрибутов к атрибутам конкурентов. Обеспечьте наличие как общих (для согласованности), так и уникальных (для разнообразия) атрибутов, чтобы повысить ценность вашего контента при глобальной оптимизации SERP.
• Оптимизация под сравнение (E-commerce): Для товарных страниц убедитесь, что ключевые сравнительные характеристики (цена, размер, цвет, ключевые спецификации) четко структурированы. Это позволит системе эффективно использовать ваши данные в сравнительных каруселях.

Worst practices (это делать не надо)

• Предоставление минимального набора данных: Игнорирование расширенной микроразметки снижает шансы на попадание в структурированные блоки, так как у системы будет недостаточно атрибутов для оптимизации отображения.
• Использование избыточных или спамных атрибутов: Попытки манипулировать выдачей через добавление множества похожих или переоптимизированных атрибутов будут неэффективны. Модель использует признаки Redundancy и Similarity и оптимизирует функцию с учетом убывающей полезности (Submodularity), что пессимизирует избыточный контент.
• Сложный технический или корпоративный язык: Использование внутренних артикулов, сложного жаргона или канцелярита в описаниях и характеристиках приведет к тому, что эти атрибуты будут отфильтрованы моделью как непонятные (low Understandability).
• Неструктурированный контент: Полагаться только на текстовый контент без четкой структуры (списки, таблицы, микроразметка) для передачи атрибутов неэффективно для этой системы.

Стратегическое значение

Патент подтверждает стратегию Google по переходу от предоставления ссылок к предоставлению структурированных ответов и интерактивных блоков. Успех в SEO все больше зависит от того, насколько эффективно данные сайта могут быть интегрированы в эти структуры. Google не просто ищет релевантный контент, но и активно оптимизирует его представление на уровне всей страницы (Whole-Page Optimization), управляя разнообразием и согласованностью информации. Это подчеркивает критическую важность работы с сущностями (Entities) и их атрибутами как основы современной SEO-стратегии.

Практические примеры

Сценарий 1: Оптимизация товарной карусели (E-commerce)

Задача: Повысить видимость и CTR товаров в карусели по запросу «смартфоны с хорошей камерой».

Действия (основанные на патенте):

1. Расширение атрибутов: Убедиться, что для каждого смартфона через Schema.org/Merchant Center передается максимум характеристик камеры (мегапиксели, диафрагма, оптический зум, стабилизация, режимы съемки).
2. Понятность: Использовать понятные термины (например, «Ночной режим» вместо сложных технических описаний сенсора).
3. Моделирование разнообразия: Система будет стремиться показать разнообразие характеристик в карусели. Если у вашего товара есть уникальная характеристика (например, «100x зум»), она с большей вероятностью будет выбрана для показа, чтобы дифференцировать ваш товар от других.

Ожидаемый результат: Модель совместной оптимизации выберет ваш товар и подсветит наиболее полезные и уникальные атрибуты камеры, делая сниппет более информативным и привлекательным по сравнению с конкурентами, которые передали только базовые атрибуты (цена, название).

Сценарий 2: Оптимизация Панели Знаний (Бренд/Эксперт)

Задача: Контролировать, какие факты отображаются в Панели Знаний компании или эксперта.

Действия (основанные на патенте):

1. Насыщение источников: Обеспечить наличие консистентной и полной информации о сущности на авторитетных ресурсах (Википедия, официальный сайт, профильные издания).
2. Четкое структурирование на сайте: Использовать микроразметку (Organization/Person) и четкую структуру на официальном сайте для определения ключевых атрибутов (Дата основания, CEO, Ключевые продукты, Награды).
3. Избегание избыточности: Система стремится избежать показа повторяющихся фактов. Важно предоставлять уникальную и ценную информацию.

Ожидаемый результат: Display Selection Model выберет наиболее важные (Importance features) и понятные (Understandability) атрибуты из доступных источников, формируя оптимальную Панель Знаний, избегая показа нерелевантных или избыточных фактов.

Вопросы и ответы