Как Google использует Knowledge Graph для выбора формата выдачи (Галереи, Карты, Таймлайны) и ранжирования сущностей по явным и неявным признакам

Описание

Какую задачу решает

Патент решает две ключевые проблемы стандартного поиска. Во-первых, представление результатов только в виде списка ссылок часто не оптимально для структурированных данных (например, дат, местоположений, сравнительных характеристик). Во-вторых, стандартное ранжирование по общей релевантности не учитывает специфические интенты сортировки, выраженные через сравнения или суперлативы (превосходные степени) в запросе, или подразумеваемые типом запроса.

Что запатентовано

Запатентована система, которая интерпретирует запросы в контексте Knowledge Graph для динамического ранжирования и представления результатов. Система идентифицирует Modifying Concepts (модифицирующие концепции) в запросе — явные (например, «лучший», «самый старый») или неявные — и использует их для определения свойств ранжирования (Ranking Properties). Параллельно система выбирает оптимальную технику визуального представления (Карта, Временная шкала, Галерея, Диаграмма) на основе типа свойств запрашиваемых сущностей.

Как это работает

Система функционирует через глубокий анализ запроса и его сопоставление с Knowledge Graph:

• Понимание Запроса: Запрос парсится для идентификации сущностей (Entity References) и преобразуется в структурированное представление (Query Tree), связанное с KG.
• Ранжирование (Ranking): Система идентифицирует Modifying Concept. Если он объективный (например, «самый высокий»), ранжирование идет по соответствующему свойству в KG (например, «Высота»). Если субъективный (например, «лучший»), используются Quality Scores (рейтинги) или Co-occurrence (частота совместного упоминания в вебе). Если неявный, используется сортировка по умолчанию для данного типа сущности.
• Представление (Presentation): Система анализирует доминирующие свойства результатов и выбирает Presentation Technique. Например, свойство «Местоположение» активирует Карту, а «Дата» — Временную шкалу.

Актуальность для SEO

Критически высокая. Описанные механизмы лежат в основе современного поиска, ориентированного на сущности (Entity-Oriented Search). Динамическое формирование SERP, использование Knowledge Graph для ответов на сравнительные запросы, визуализация данных (Rich Results, Карусели) и понимание неявного интента являются центральными элементами текущей поисковой стратегии Google. Тот факт, что этот патент является продолжением (continuation) заявок с 2012 года и был опубликован в 2025, подтверждает его актуальность.

Важность для SEO

Влияние на SEO огромное (90/100). Патент подчеркивает критическую важность оптимизации сущностей и точности структурированных данных. Для объективных запросов ключевым фактором становится наличие точных атрибутов в Knowledge Graph. Для субъективных запросов (например, «лучший») патент описывает механизм ранжирования на основе консенсуса в вебе (Co-occurrence) и внешних оценок (Quality Scores), что имеет прямое значение для стратегий Digital PR и управления репутацией.

Детальный разбор

Термины и определения

Co-occurrence (Совместная встречаемость)

Метрика для оценки субъективных модификаторов (Soft Properties). Рассчитывается на основе частоты, с которой сущность и термин модификатора (например, «влиятельный») встречаются вместе на веб-страницах.

Entity Reference (Ссылка на сущность)

Идентификатор или текст в запросе, который ссылается на уникальную, хорошо определенную сущность (Entity) в Knowledge Graph.

Entity Type (Тип сущности)

Категоризация сущности в Knowledge Graph (например, «Фильм», «Город», «Человек»). Определяет набор свойств, присущих сущности.

Knowledge Graph (Граф знаний)

Структура данных, состоящая из узлов (Nodes), представляющих сущности, типы или значения (литералы), и ребер (Edges), представляющих отношения и свойства между ними.

Modifying Concept (Модифицирующая концепция)

Элемент запроса, определяющий критерий ранжирования. Может быть Explicit (Явным, слово в запросе) или Implicit (Неявным, подразумеваемым типом сущности). Также делится на Objective (Объективные, измеримые) и Subjective (Субъективные, оценочные).

Phrase Tree (Фразовое дерево)

Промежуточное представление запроса после NLP-анализа, отражающее лингвистическую структуру и зависимости между словами (Search Units).

Presentation Technique (Техника представления)

Способ отображения результатов поиска (например, Список, Карта, Таймлайн, Галерея, Диаграмма).

Property (Свойство)

Атрибут сущности (например, «Высота», «Дата рождения», «Местоположение»).

Quality Score (Оценка качества)

Метрика для ранжирования субъективных модификаторов типа «лучший». Может основываться на внешних рейтингах или отзывах.

Query Tree (Дерево запроса)

Структурированное представление запроса, где элементы Phrase Tree заменены соответствующими элементами (сущностями, свойствами) из Knowledge Graph.

Ranking Property (Свойство ранжирования)

Конкретное свойство сущности, используемое для сортировки результатов. Определяется на основе Modifying Concept.

Soft Properties (Мягкие свойства)

Субъективные дескрипторы (например, «смешной», «инновационный»), значения которых определяются с помощью анализа Co-occurrence.

Ключевые утверждения (Анализ Claims)

Данный патент (US12298986B2) является продолжением (continuation) более ранних заявок (начиная с 2012 года). Ключевые независимые пункты (Claims 1, 7, 13) в этой конкретной версии фокусируются на неявном ранжировании и визуальном представлении.

Claim 1 (Независимый пункт): Описывает метод ранжирования и представления результатов на основе неявных модификаторов.

1. Система получает поисковый запрос от вычислительного устройства.
2. Запрос парсится для идентификации Entity Type (Типа сущности).
3. Извлекаются результаты поиска на основе запроса.
4. Результаты ранжируются на основе Implicit Modifying Concept (Неявной модифицирующей концепции), связанной с этим Entity Type. Ключевое условие: эта концепция не включена в запрос как отдельное слово или фраза.
5. Генерируется отображение ранжированных результатов, где каждый результат включает ссылку-миниатюру (thumbnail link).
6. Отображение предоставляется вычислительному устройству.

Ядро изобретения в этой версии — это способность Google автоматически применять релевантный порядок сортировки (например, по дате, популярности, размеру) к списку сущностей, основываясь только на их типе, и представлять эти результаты в визуальном формате (например, галерея миниатюр).

Зависимые пункты (Claims 2-6): Уточняют, что неявный модификатор может основываться на мере популярности (Claim 2) или включать фильтр диапазона (Claim 3). Формат отображения может быть горизонтально прокручиваемым дисплеем (каруселью) или галереей изображений (Claims 4-6).

Где и как применяется

Изобретение охватывает несколько ключевых этапов поисковой архитектуры, интегрируя данные из Knowledge Graph в процесс ранжирования и формирования SERP.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит построение Knowledge Graph: извлечение сущностей, определение их типов и свойств. Также анализируются веб-страницы для расчета метрик Co-occurrence, необходимых для оценки Soft Properties, и агрегируются Quality Scores.

QUNDERSTANDING – Понимание Запросов
Основной этап применения. Система парсит запрос, идентифицирует Entity References и Modifying Concepts (явные или неявные). Происходит генерация Phrase Tree и его преобразование в Query Tree, который связывает запрос со структурой Knowledge Graph. Определяется Ranking Property и потенциальная Presentation Technique.

RANKING – Ранжирование
Система использует Query Tree для извлечения сущностей из Knowledge Graph. Затем применяется логика ранжирования: результаты сортируются по значениям определенного Ranking Property.

METASEARCH – Метапоиск и Смешивание
На этом этапе определяется финальное представление. Система выбирает оптимальную Presentation Technique (Галерея, Карта, Таймлайн) на основе доминирующих свойств результатов и представляет отранжированный список в выбранном формате (например, в виде Rich Result или Карусели).

На что влияет

• Специфические запросы: Наибольшее влияние на запросы, богатые сущностями, списочные запросы (например, «города Калифорнии»), сравнительные запросы («самые высокие здания») и запросы с суперлативами («лучшие фильмы»).
• Конкретные типы контента: Влияет на контент, который хорошо структурирован и представлен в Knowledge Graph (фильмы, книги, персоны, места, продукты, события).
• Форматы контента: Способствует отображению результатов в виде каруселей, карт, временных шкал и галерей, а не только стандартных синих ссылок.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система идентифицирует в запросе сущности и/или типы сущностей, для которых доступна структурированная информация в Knowledge Graph.
• Условия применения (Ранжирование): Применяется, когда идентифицирован Modifying Concept (явный или неявный), который можно использовать для сортировки.
• Условия применения (Представление): Применяется, когда результаты обладают свойствами, подходящими для визуализации (даты, координаты, изображения, сравнимые числовые данные).

Пошаговый алгоритм

Патент описывает несколько взаимосвязанных процессов.

Процесс А: Ранжирование на основе Modifying Concepts

1. Получение запроса и Идентификация модификатора: Система анализирует запрос для идентификации Modifying Concept (Явного или Неявного).
2. Генерация Query Tree: Генерируется структурированное представление запроса, связанное с Knowledge Graph (см. Процесс В).
3. Определение Ranking Property: Система определяет свойство для ранжирования на основе типа модификатора:
   • Objective (Объективный): Используется фактическое свойство из KG (например, Высота, Дата).
   • Subjective (Субъективный): Используется Quality Score (рейтинги) или рассчитывается Co-occurrence метрика (для Soft Properties).
   • Implicit (Неявный): Используется предопределенное свойство для данного Entity Type (например, Популярность или Дата).
4. Извлечение и Ранжирование: Результаты (сущности) извлекаются из Knowledge Graph и сортируются на основе значений Ranking Property.

Процесс Б: Генерация Представления

1. Определение Entity Reference и Type: Из запроса определяется сущность и ее тип.
2. Идентификация свойств: Извлекается ранжированный список свойств, ассоциированных с этим типом в Knowledge Graph.
3. Выбор свойства для представления: Выбирается ключевое свойство, наиболее релевантное запросу (часто совпадает с Ranking Property).
4. Определение Presentation Technique: Определяется техника отображения, ассоциированная с выбранным свойством (например, Местоположение -> Карта; Дата -> Таймлайн; Изображение -> Галерея).
5. Формирование выдачи: Отранжированные результаты (из Процесса А) форматируются в соответствии с выбранной техникой (из Процесса Б).

Процесс В: Генерация Query Tree (Детализация)

1. Парсинг запроса (NLP): Разделение запроса на поисковые единицы (Search Units) с определением зависимостей.
2. Идентификация элементов KG: Сопоставление каждой Search Unit с элементами Knowledge Graph.
3. Генерация Phrase Tree: Размещение Search Units в древовидной структуре (топологии).
4. Создание Query Tree: Замена Search Units в Phrase Tree на соответствующие им элементы KG (сущности, типы, свойства).

Какие данные и как использует

Данные на входе

• Структурные факторы (Knowledge Graph): Основной источник данных. Используются Entities, Entity Types, Properties (атрибуты) и их значения (Literals).
• Контентные факторы (Webpages): Текст веб-страниц используется для расчета метрик Co-occurrence, которые необходимы для оценки субъективных модификаторов (Soft Properties).
• Внешние данные: Упоминается возможность использования Quality Scores, которые могут быть агрегированы из внешних источников (например, сайтов отзывов и рейтингов).
• Поведенческие факторы: Популярность (Popularity measure) может использоваться как неявный модификатор для ранжирования (Claim 2).

Какие метрики используются и как они считаются

• Объективные метрики: Прямые значения свойств из Knowledge Graph (например, высота, дата, население).
• Quality Scores: Агрегированные оценки для субъективных модификаторов типа «лучший».
• Co-occurrence Scores (Метрики совместной встречаемости): Рассчитываются для оценки Soft Properties (например, «влиятельный», «смешной»). Патент приводит примеры формул, основанных на вероятности (P) или количестве (N) совместных упоминаний сущности (E) и свойства (RE) в корпусе текстов. Например, формула (Eq. 2): C(E,RE) = N(E,RE) / (N(E)+N(RE)-N(E,RE)).

Выводы

1. Фундаментальная роль Knowledge Graph в Ранжировании и Представлении: Knowledge Graph является центральным элементом. Он используется для понимания запроса (генерация Query Tree), определения критериев ранжирования (Ranking Property) и выбора формата отображения (Presentation Technique).
2. Интеллектуальное ранжирование на основе атрибутов: Система активно интерпретирует интент сортировки. Она различает объективные модификаторы (ранжирование по фактам из KG) и субъективные (ранжирование по Quality Scores или Co-occurrence в вебе).
3. Неявное ранжирование (Implicit Ranking) как стандарт: Система применяет предопределенные порядки сортировки по умолчанию для разных типов сущностей (например, фильмы по дате, города по населению), даже если пользователь их не запросил. Это ключевой фокус текущей версии патента (B2).
4. Динамическая визуализация SERP: Выбор формата отображения (Карта, Таймлайн, Галерея) напрямую зависит от типа данных (Property), который система считает наиболее важным для ответа на запрос. Патент акцентирует внимание на визуальных форматах (thumbnail links).
5. Репутация и консенсус в вебе (Co-occurrence): Для оценки субъективных «мягких свойств» (Soft Properties) Google анализирует совместное упоминание сущности и модификатора в вебе. Это механизм определения репутации и восприятия сущности в интернете.

Практика

Best practices (это мы делаем)

• Комплексная структурированная разметка (Schema.org): Критически важно обеспечить полную и точную разметку всех релевантных свойств сущностей (даты, размеры, цены, местоположения, рейтинги). Это необходимо для ранжирования по объективным модификаторам и для активации соответствующих визуальных представлений (Галереи, Карты).
• Оптимизация под Entity-Oriented Search: Сфокусируйтесь на создании сильного и точного присутствия ваших ключевых сущностей в Knowledge Graph. Убедитесь, что Google корректно идентифицирует сущности, их типы и связывает все релевантные свойства.
• Стратегия для субъективных модификаторов (Digital PR и SERM): Для ранжирования по запросам типа «лучший» или «влиятельный», необходимо работать над метриками Co-occurrence и Quality Scores. Это достигается путем культивирования подлинных отзывов на авторитетных площадках и обеспечения упоминаний вашей сущности в связке с целевыми терминами на качественных сторонних ресурсах.
• Анализ неявных модификаторов в нише: Изучите, какие порядки сортировки Google применяет по умолчанию (Implicit Modifying Concepts) для ваших типов сущностей. Оптимизируйте данные так, чтобы соответствовать этому подразумеваемому порядку (например, убедитесь в корректности дат, цен или показателей популярности).
• Обеспечение качественных изображений: Поскольку патент (в частности, Claim 1) акцентирует внимание на thumbnail links и галереях, важно предоставлять высококачественные и релевантные изображения для всех ключевых сущностей.

Worst practices (это делать не надо)

• Игнорирование структурированных данных: Попытки ранжироваться по сравнительным или списочным запросам без предоставления базовых свойств сущностей неэффективны, так как система не сможет определить Ranking Property или выбрать оптимальную Presentation Technique.
• Манипуляции с Co-occurrence: Создание искусственных упоминаний (спам, низкокачественные статьи на PBN) для повышения метрик Co-occurrence рискованно и, вероятно, будет отфильтровано системами оценки качества контента и ссылок.
• Предоставление противоречивых или неточных данных: Указание разных значений для одного и того же свойства сущности в разметке, на странице и на сторонних ресурсах может затруднить определение корректного значения для ранжирования в Knowledge Graph.

Стратегическое значение

Этот патент подтверждает стратегию Google по переходу от ранжирования веб-страниц к предоставлению ответов на основе структурированных данных («от строк к вещам»). Для SEO это означает, что управление данными о сущностях становится столь же важным, как и управление контентом. Способность Google различать объективные факты и субъективные мнения требует комплексного подхода, включающего как техническое SEO и точность данных (для фактов), так и управление репутацией/PR (для мнений и Soft Properties).

Практические примеры

Сценарий 1: Ранжирование по объективному запросу («Cheapest Smartphone 2025»)

1. Действие SEO: Разметить все смартфоны с помощью Schema.org/Product, указав свойство offers и точную price. Убедиться, что цена легко индексируется и соответствует данным на странице.
2. Работа системы: Google идентифицирует явный объективный модификатор «Cheapest». Определяет Ranking Property как «Price». Извлекает сущности типа «Smartphone» и их цены из KG или структурированных данных.
3. Результат: Сайт появляется в отранжированном списке или карусели продуктов, отсортированных по возрастанию цены.

Сценарий 2: Ранжирование по субъективному запросу («Best SEO Agency»)

1. Действие SEO: Реализовать стратегию Digital PR. Стимулировать публикацию кейсов, отзывов и упоминаний агентства на авторитетных отраслевых ресурсах в контексте высокого качества услуг. Собирать отзывы для формирования Quality Scores.
2. Работа системы: Google идентифицирует явный субъективный модификатор «Best». Определяет, что требуется оценка Quality Score или Co-occurrence. Анализирует веб-страницы на предмет совместного упоминания названия агентства и термина «Best» или агрегирует рейтинги.
3. Результат: Агентство ранжируется на основе агрегированной оценки репутации и силы связи между названием бренда и положительными модификаторами в вебе.

Сценарий 3: Неявное ранжирование и представление (Запрос: «Президенты США»)

1. Действие SEO: Создать страницу со списком президентов, для каждого указать дату инаугурации и разметить данные (Schema.org/Person, roleName, startDate). Предоставить качественные портреты.
2. Работа системы: Google идентифицирует Entity Type «Президент США». Применяет Implicit Modifying Concept (хронологический порядок) и определяет Ranking Property как «Дата инаугурации». Определяет Presentation Technique как «Таймлайн» или «Галерея» (с thumbnail links).
3. Результат: Система показывает таймлайн или карусель с миниатюрами, отсортированную по хронологии.

Вопросы и ответы