欢迎回到极客们的另一个星期。
就谷歌搜索专利而言，那里相当安静，但在过去的几周里，我确实看到了一些值得分享的东西。
所以，让我们开始吧。
最新的 Google 感兴趣的专利
使用自然语言查询查询数据图
- 提交日期：2013 年 3 月 13 日
- 获奖时间：2020 年 10 月 20 日
抽象的
“实施包括用于查询数据图的系统和方法。 示例方法包括接收机器学习模块，该模块被训练以产生具有用于查询的多个特征的模型，每个特征代表数据图中的路径。 该方法还包括接收包括第一搜索项的搜索查询，将搜索查询映射到查询，以及将第一搜索项映射到数据图中的第一实体。 该方法还可以包括使用第一实体和多个加权特征中的至少一个来识别数据图中的第二实体，并且响应于搜索查询提供与第二实体相关的信息。 一些实现还可能包括训练机器学习模块，例如，从查询的答案中生成正面和负面的训练示例。”
戴夫的笔记
有趣的是，这是在 2013 年提交的。
为什么？
因为它处理语义元素、图形和实体。
很多 SEO 专业人士当时不知道这些东西是什么，因为它很少被谈论。
事实上，直到今天，很多 SEO 人员并没有真正“了解”谷歌如何处理语义。
见鬼，最近我仍然看到他们在谈论诸如 LSI 之类的过时方法。
在谈到如今搜索的实际运作方式时，可以说很多自然搜索行业确实落后了。
该专利的核心是讨论过去许多实体关系和图形数据实际上是如何手动拼凑在一起的（你能想象吗？），他们正在寻求通过机器学习实现更多自动化。
再次，这是 2013 年，我的朋友们。
在过去的几年里，这不应该成为一个话题……但它一直是。
无论如何，让我们看看一些兴趣点。
值得注意的
“（……）在数据图中，实体，如人、地点、事物、概念等，可以存储为节点，节点之间的边可以表示节点之间的关系。 在这样的数据图中，节点“Maryland”和“United States”可以通过“in country”和/或“has state”的边连接起来。 “
“从文本和数据图中提取的知识被用作输入来训练机器学习算法来预测数据图的元组。 经过训练的机器学习算法可以为给定的关系生成多个加权特征，每个特征代表关于两个实体可能如何相关的推断。 “
“一些实现允许从数据图中回答自然语言查询。 在这样的实现中，可以训练机器学习模块以将特征映射到查询，并且特征被用来提供可能的查询结果。 培训可能涉及使用来自搜索记录或从基于文档的搜索引擎获得的查询结果的正例。 经过训练的机器学习模块可以产生多个加权特征，其中每个特征代表一个可能的查询答案，由数据图中的路径表示。 ”
结构化信息卡片的搜索和检索
- 提交日期：2020 年 10 月 26 日
- 颁发日期：2020 年 11 月 3 日
抽象的
“方法、系统、装置，包括在计算机存储介质上编码的计算机程序，以促进识别结构化信息卡的附加触发项。 在一方面，该方法包括访问与用于呈现结构化信息的模板相关联的数据的动作，其中访问的数据引用(i)标签项和(ii)值。 其他动作可以包括获得候选标签术语、识别与标签术语相关联的一个或多个实体、识别与候选标签术语相关联的一个或多个实体，以及针对一个或多个实体的每个特定实体与候选标签术语相关联，与候选标签术语相关联，（i）与特定实体相关联的标签术语，以及（ii）与标签术语相关联的值。
戴夫的笔记
这里没有什么真正惊天动地的东西，但确实让我们了解了信息卡、实体、知识库和结构化数据如何协同工作。
对我来说，这是 SEO 多年来如何变化的又一个例子，而且远远超过了商业中从业者和出版商所看到的。
值得注意的
“（……）提供了一个卡片触发词识别单元，可以识别结构化信息卡片的附加触发词。 卡片触发词识别单元允许通过评估候选词是否可能包含在结构化信息卡片的语法中，来调整一张或多张结构化信息卡片的语法。”
“例如，假设“电影”结构化信息卡的语法包括术语“电影时间”、“电影票确认”和“票确认号”。 卡片触发词识别单元可以分析与“电影”结构化信息卡片的语法相关联的词语和一个或多个候选查询，并识别“电影”结构化信息卡片的附加触发词，例如触发词。 “电影票。” 因此，随后收到的包含诸如“电影时间”、“电影票”或两者的术语的查询将触发显示“电影”结构化信息卡以响应此类查询。”
这就是本周的人们。
与往常一样，永远不要忘记搜索引擎如何工作的深度，并不断地用你的学习和策略来突破界限。
下周见！
更多资源：
图片来源
特色图片：作者创作，2020 年 11 月
后期图片：USPTO
