在许多情况下，用户对某个实索查询的体（例如，一个人或一个主题）感兴趣的信息类型会有所不同。通过分析搜索查询，可以识别特定实体最常请求的信息。然后，当用户提交与特定实体相关的搜索查询时，可以响应该查询提供最常请求的信息。例如，可以提供针对特索查询的定实体和其他类似实体的最常请求的事实的简短摘要，例如在知识面板或一个框中。
这考虑到了有关实体本身以及实体类型的某些信息的搜索频率。例如，如果您搜索乐队 Phoenix 的专辑、歌词和巡演日期，或搜索音乐家的乐队成员和歌曲，就会得到知识面板中提供的信息。
通过属性参数化从个人搜索中的用户交互中学习
科学论文“通过属性参数化从个人搜索中的用户交互中学习”可以追溯到 2017 年。这描述了谷歌如何利用对单个文档的用户行为索查询的析来建立搜索查询和点击文档之间的语义属性关系，甚至支持自学习排名算法：
“私人搜查的情况有所不同。用户通 whatsapp 筛查 常不会共享文档（例如电子邮件或个人文件），因此直接聚合用户之间的交互历史变得不可行。为了解决这个问题，我们不是像在网络搜索中那样直接从给定的 [查询，文档] 对的用户行为中学习，而是选择使用在某种程度上可以表明其内容的语义连贯的属性来表示文档和查询。
图 2 以示意图的形式描述了这种方法。文档和查询都被投影到聚合属性空间中，并且匹配是通过中间表示完成的，而不是直接完成的。由于我们假设属性在语义上是有意义的，我们预计类似的个人文档和查询将共享许多相同的聚合属性，从而使属性别匹配成为学习排名模型中的一个有用特征。”
这项谷歌专利于2019年7月 充分利用空白 提出，可以理解为Rankbrain的进一步发展或补充。它描述了一种如何在搜索查询中确定不同语义含义的方法。每个语义解释都与另一个规范搜索查询相链接。当前搜索查询将根据此查询和规范搜索词索查询的进行修改。
与前面提到的关于语义注释的 粉絲數據 专利类似，修改后的搜索词已经带有语义注释。通过比较原始搜索查询和修改后查询的搜索结果，可以验证可能的语义含义并进行加权。搜索结果的相似程度决定了接近度。相似度基于与特定搜索查询相关的某些关键词在修改后的搜索结果中出现的频率。例如，关键词出现的频率越高可能表明修改后的搜索查询越可能与语义相匹配。
在某些情况下，其他数据，例如： B.用户的点击率，网站流量数据，或者其他数据，可以用来解释可能的语义解释。
根据一个或多个过去查询的实体集合提供查询建议
谷歌 2019 年 7 月的另一项专利描述了一种 Google Suggest 根据过去的搜索查询生成建议的方法。实体在这里也发挥着作用。与之前索查询的的 Suggest 建议中出现的实体或过去搜索过的实体相关的实体是确定新 Suggest 建议的相似度指标的基础。
谷歌还申请了基于实体的搜索查询解释专利
- 基于上下文的即时搜索建议
-
根据设备方向解释用户查询