Google-Patent: Query Answers mit Constraints

Google hat im Mai 2022 das Patent „Generating Query Answers“ (US 11.321.331) erteilt. Es beschreibt, wie Suchsysteme faktische Nutzerfragen – etwa per Sprachassistent – nicht nur als Linkliste, sondern als grammatikalisch korrekte Sätze beantworten. Zentral sind sogenannte Constraints: Regeln, die festlegen, welche Daten in Antwort-Templates passen. Für SEO-Profis liefert das Patent tiefe Einblicke in Entity-Attribute, Semantic Triples und die Brücke zwischen Knowledge Graph und natürlicher Sprache.

Von Fakten in der Datenbank zu natürlichen Antworten

Klassische Suchergebnisse liefern oft Dokumentenlisten. Bei Voice Search oder Dialogsystemen erwartet Google hingegen eine direkte, gesprochene Antwort. Das Patent erklärt den Weg: Fakten aus einem Graph-basierten Datenspeicher werden in Sätze der Nutzersprache übersetzt. Statt zufälliger Triples wählt eine Answer Engine gezielt Informationen aus, die die Anfrage präzise beantworten – unter Nutzung von Constraints als Qualitätsfilter.

Constraints als Qualitätsfilter für Query Answers

Jedes Feld in einem Antwort-Template kann mehrere Constraints tragen. Typische Varianten umfassen Typ-Constraints (Datum, Zahl, Entitätsname), temporale Constraints (Vergangenheit oder Zukunft), Gender-Constraints, Beziehungs-Constraints (z. B. Ehepartner), Singular/Plural-Regeln, Maßeinheiten und Determinanten wie „the“. Das System wählt das Template mit den meisten erfüllten Constraint-Feldern – also die datenreichste, grammatikalisch passende Formulierung.

• Typ-Constraints für Datums-, Zahlen- und Entitätsfelder
• Temporale Constraints für Vergangenheit und Zukunft
• Beziehungs-Constraints für Ehe, Herkunft oder Alma Mater
• Singular/Plural- und Maßeinheiten-Constraints

Entity-Attribute-Value-Triples im Knowledge Graph

Fakten liegen als Triples vor: Subjekt (Entität), Prädikat (Attribut) und Objekt (Wert). Beispiel: Woody Allen – acted in – Annie Hall. Milliarden solcher Triples speisen Index-Cluster und Query Resolver. Bei komplexen Fragen mit mehreren Attributen – „Wo ist Woody Allens Heimatstadt und Alma Mater?“ – kombiniert die Answer Engine mehrere Phrase-Templates in Meta-Templates, die an Entitätstypen wie „Person“ gebunden sind.

Patentdaten im Überblick

Template-Auswahl und Answer Engine

Für jedes Attribut einer Anfrage – „Alter“, „Ehen“, „Heimatstadt“ – existieren mehrere Kandidaten-Templates. Bei „Wie alt ist Woody Allen?“ stehen Varianten bereit: mit Geburtsdatum und Alter, nur mit Alter oder mit Geburts- und Sterbedatum. Die Answer Engine parst die Anfrage, extrahiert Attribute, lädt passende Templates in der Nutzersprache und füllt Felder mit Fakten. Heuristiken prüfen Genus, Tempus und ob die Anzahl der Antwort-Triples zu den Template-Feldern passt.

Voice Search und Dialogsysteme

Nutzer können Fragen als gesprochene Sätze stellen. Client-Geräte wandeln Audio per Speech Recognition in Text um; der Search System formatiert die Query strukturiert und sendet sie an Index Cluster. Die generierte Antwort kann als Text auf einer SERP, als Transkription für Text-to-Speech oder direkt als Audiosignal zurückkommen. Damit verbindet das Patent klassische Graph-Suche mit Conversational Search – ein Baustein für Featured Snippets, Knowledge Panels und AI Overviews.

Meta-Templates für komplexe Anfragen

Einfache Fragen mit einem Attribut erzeugen einen Satz aus einem Template. Komplexere Anfragen nutzen Meta-Templates: Rahmenstrukturen mit Feldern für mehrere Phrase-Templates. Bei Ehefragen zu Woody Allen wählt das System pro Triple das datenreichste Phrase-Template – etwa „has gotten married to since“ oder „was married to from to“ – und fügt die Phrasen in ein Person-Meta-Template ein. Das Ergebnis: „Woody Allen has gotten married to Soon-Yi Previn since 1997 and was previously married to Louise Lasser from 1966 to 1970.“

Bezug zu Semantic SEO und verwandten Patenten

Der Artikel verweist auf GRIP, QA-by-Dossier-with-Constraints und das Google Knowledge Vault als Forschungskontext. Eng verwandt sind Patente zu Knowledge Graph Reconciliation und Entity Extractions. Wer Inhalte für Entity-basierte Suche optimiert, sollte strukturierte Fakten, konsistente Attribute und vollständige Triple-Abdeckung im Blick behalten – fehlende Geburtsdaten oder unvollständige Beziehungsangaben führen zu schwächeren Templates und damit zu weniger Sichtbarkeit in direkten Antworten.

Praxis für SEO-Teams

Das Patent unterstreicht: Google bevorzugt nicht beliebige Fakten, sondern die bestpassende, constraint-konforme Formulierung. Schema.org-Markup, konsistente Entity-Namen, präzise Datumsangaben und relationale Fakten (Ehen, Standorte, Bildung) unterstützen die Auswahl datenreicher Templates. Internationalisierung ist eingebaut: Templates werden in der Sprache der Originalanfrage geladen. Für mehrsprachige Sites bedeutet das: Fakten müssen pro Sprache korrekt verknüpft sein, nicht nur übersetzt.

Data-Graph-Suche und Index-Cluster

Das Patent skizziert eine Suchmaschine für Datenspeicher mit Indexing System, Search System und Index Cluster. Der Query Resolver greift auf den Index zu und liefert Ergebnisse, die der Answer Engine als Faktenbasis dienen. Triples verbinden Entitäten über Kanten; der Graph kann in Echtzeit aktualisiert werden. Für SEO bedeutet das: Google trennt Datenhaltung und Satzgenerierung – saubere, aktuelle Fakten in strukturierter Form sind die Voraussetzung für Sichtbarkeit in direkten Antworten und Voice-Ergebnissen.

Erfinder Engin Cinar Sahin, Vinicius J. Fortuna und Emma S. Persky sowie Assignee Google LLC verankern die Erfindung im Kern der faktischen Antwortgenerierung. Wer Patente als Roadmap liest, erkennt: Sichtbarkeit entsteht zunehmend dort, wo Entitätswissen maschinenlesbar, vollständig und constraint-tauglich vorliegt – unabhängig davon, ob die Anfrage getippt oder gesprochen wird.