Google-Patent: Subjektive Entity-Attribute

Google hat im Mai 2022 das Patent „Identifying subjective attributes by analysis of curation signals“ (US 11.328.218) erteilt. Es beschreibt, wie Suchsysteme subjektive Merkmale von Entitäten – etwa „lustig“, „süß“ oder „awesome“ – aus Reaktionen im Web ableiten und für neue Inhalte vorhersagen können. Für SEO-Teams ist das mehr als Patent-Trivia: Es verbindet Entity-Verständnis, nutzergenerierte Inhalte (UGC) und maschinelles Lernen in einem klaren Signalmodell.

Warum subjektive Attribute für Google zählen

Objektive Fakten zu einer Entität – Name, Datum, Adresse – reichen für moderne Suche nicht aus. Nutzer beschreiben Medien, Marken oder Orte oft emotional und subjektiv. Das Patent adressiert genau diese Lücke: Es definiert ein Vokabular subjektiver Attribute und ordnet sie Entitäten zu, die von Medienclips über Blogartikel bis zu Personen und Unternehmen reichen können. Relevanzscores zwischen 0,0 und 1,0 messen, wie stark ein Attribut zu einer Entität passt – etwa wenn „cute“ in der Hälfte aller Kommentare zu einem Video vorkommt.

UGC als zentrale Datenquelle

Ein kritischer Baustein ist User-Generated Content. Google nennt Kommentare in sozialen Netzwerken, Reaktionen auf Blogposts, Bewertungen von Produkten und Filmen sowie nicht-textuelle Signale wie Like, Dislike, +1, Teilen, Bookmarking oder Playlist-Einträge. Diese Kuratierungssignale („curation signals“) liefern die Rohdaten, aus denen das System erste Attributmengen für eine Entität extrahiert. Je verbreiteter UGC wird, desto wichtiger wird diese Patentlogik für die Bewertung von Inhalten ohne klassische Keyword-Dichte.

• Textuelle Kommentare und Reviews
• Likes, Shares und Bookmarks
• Playlist- und Feed-Sichtbarkeit
• Gewichtung nach Nutzerautorität

Vom Signal zum trainierten Klassifikator

Der Ablauf folgt einem wiederholbaren Muster: Zuerst identifiziert ein „Subjective Attribute Identifier“ Attribute aus Nutzerreaktionen. Ein „Relevancy Scorer“ berechnet Häufigkeiten und verwirft schwache Treffer – oft bleiben nur die k stärksten Attribute. Parallel erzeugt ein Feature-Extractor Vektoren aus Farbe, Textur, Audio, Wortfrequenzen oder Metadaten. Auf diesen Input-Output-Paaren trainiert Google Klassifikatoren wie Support Vector Machines, AdaBoost, neuronale Netze oder Entscheidungsbäume. Nach dem Training lassen sich Attribute auch für neue Entitäten ohne Kommentare vorhersagen – etwa frisch hochgeladene Videos oder noch unkommentierte Artikel.

Patentdaten im Überblick

Systemarchitektur und Datenspeicher

Die beschriebene Architektur umfasst Server, einen Entity Store und Client-Geräte über öffentliche oder private Netze. Der Entity Store hält Medien, Webseiten und Reviews; ein Subjective Attribute Manager koppelt Webserver, Identifier, Scorer, Feature-Extractor und Classifier. Nutzer können laut Patent wählen, welche Daten gesammelt werden – ein Hinweis auf Datenschutz- und Transparenzanforderungen bei attributbasierter Personalisierung.

Inverse Mappings und Suchanwendungen

Nach der Verarbeitung vieler Entitäten entsteht eine inverse Zuordnung: Welche Objekte tragen das Attribut „funny“? Damit beschleunigt Google Abrufe für Keyword-Suchen, Playlist-Befüllung, Werbeausspielung und neue Trainingsdaten. Für Publisher bedeutet das: Tags und Beschreibungen, die Nutzersprache widerspiegeln, können die Auffindbarkeit in attributbasierten Oberflächen stützen – nicht nur über klassische Meta-Keywords.

Physische Entitäten über Cyber-Proxies

Restaurants, Schauspieler oder lokale Geschäfte besitzen oft keine direkten UGC-Felder auf der eigenen Domain. Das Patent erlaubt die Auswertung über Fanpages, Bewertungsportale oder aggregierte Feed-Signale; die subjektiven Attribute gelten dennoch der realen Entität. Für Local SEO und Reputation Management ist das zentral: Signale von Drittplattformen fließen in Googles Entity-Modell ein, nicht nur in On-Page-Texte.

Relevancy Scores und Attribut-Vokabular

Das Patent beschreibt detailliert, wie Relevanzscores entstehen: Häufigkeit in Kommentaren, Gewichtung einzelner Nutzer und Schwellenwerte bestimmen, welche Attribute an einer Entität haften bleiben. Ein Score zwischen 0,0 und 1,0 kann aus dem Anteil der Kommentare abgeleitet werden, die ein Wort wie „awesome“ enthalten. Schwache Attribute werden verworfen oder auf null gesetzt; oft bleiben nur die k stärksten Merkmale übrig. Das Vokabular selbst kann manuell starten und per NLP aus neuen Reaktionen wachsen – inklusive hierarchischer Meta-Attribute wie „positiv“ oder „negativ“ für Gefühlswörter.

Feature-Vektoren jenseits von Text

Nicht nur Sprache speist den Klassifikator. Für Video und Bild zählen Farbe, Textur und Intensität; für Audio Amplitude und Spektralkoeffizienten; für Textdokumente Wortfrequenzen, Satzlängen und Formatierung. Metadaten und externe Verarbeitungsbibliotheken können Features vorberechnen. Damit lassen sich subjektive Labels auch dann schätzen, wenn noch kaum UGC vorliegt – ein relevanter Fall für frisch veröffentlichte Ratgeber, Produktseiten oder lokale Listings ohne Bewertungshistorie.

Menschliche Validierung und Retraining

Ein zweites Verfahren schlägt dem Uploader vorhergesagte Attribute vor; Nutzer bestätigen, ergänzen oder entfernen Vorschläge. Entfernte Attribute werden als Negativbeispiele gespeichert und fließen in Retrainings ein – etwa alle 100 Schleifendurchläufe oder in festen Zeitintervallen. So bleibt das Modell an tatsächlicher Kuratierung gekoppelt, statt nur an automatische Text-Matches.

Praxis für SEO und Content-Strategie

Wer Inhalte für Sichtbarkeit optimiert, sollte UGC nicht nur als Social Proof sehen, sondern als Trainingsinput für subjektive Entity-Labels. Authentische Kommentare, konsistente Bewertungssprache und klare Reaktionssignale können die Zuordnung zu Attributen stärken. Gleichzeitig lohnt strukturierte Feature-Daten – Metadaten, Medienqualität, Textstatistik – weil der Klassifikator auch ohne UGC arbeitet. Das Patent unterstreicht: Googles Entity-SEO geht über Knowledge Graph-Fakten hinaus in Richtung crowd-basierte Semantik und vorhersagbare Gefühlsdimensionen.

Erfinder Hrishikesh Aradhye und Sanketh Shetty sowie Assignee Google LLC verankern die Erfindung fest im Such-Ökosystem. Wer Patente als Frühindikator nutzt, sollte Kommentarqualität, Engagement-Signale und semantische Tags künftig stärker mit Entity-Zielen verzahnen – unabhängig davon, ob der Fokus auf News, Video oder lokale Marken liegt.