该程序还可用于确定来源的可信度。如果某个文档的源数据图与其他文档中的陈述偏差太大，Google 可能会排除该文档以及来源。
这意味着该流程的部分内容也可用于与 EAT 相关的评估。
该专利无缝衔接了上述专利“使用实体属性选择内容”，并描述了其中的一个子步骤。
用于对已排序的搜索结果进行重新排序的系统和方法
谷歌 2018 年的这项专利解决了原 whatsapp 筛查 创内容如何排名高于可能的重复内容的问题。来源被视为实体。已知发布原创内容的实名优先，即使第二个实体的文档的可能相关性得分更高。
基于实体频率的文档排序该专利最初由谷歌于2014年提出，并于2017年10月再次更新。该专利描述了如何根据用户对某些主题或实体的兴趣以特定顺序向用户显示文档。文档根据实体频率进行排序。类似于逆文档频率 (IDF) 的逆实体实体的文频率也可以发挥作用。主题和实体通过评论分配给文档。由于该专利主要引起 Google News 和 Google Discover 的兴趣，因此我现在不想详细讨论它。
用于实体解析的附加上下文模型
该专利最初由谷歌于2014年提出，并于2017年10月再 电子邮件营销和短信邮件 次更新。该专利描述了如何使用消歧系统来识别文本中的实体。该系统基于知识图谱、实体解析引擎和通过半监督机器学习进行学习的训练引擎。解析引擎由提及模型和上下文模型组成。
该方法可用于识别与一个或多个实体相关的文档，并从这些文档中确定知识图谱中实体之间的新关系（边）。此外，还可以对这些文档的排实体的文名进行细化。可以标记文档以将其与知识图谱中的实体关联。
提及模型可用于识别与乔治·哈里森有关的文献。乔治·哈里森 (George Harrison) 这个名字至少有两个实体。这位音乐家也是任天堂的副总裁。在这种情况下，需实体的文要额外的上下文模型来根据两个实体对文档进行分割。这是通过文本中或文本中提到的实体的上下文中出现的实体、实体类型或其他术语来完成的。
使用训练引擎，系实体的文统可 007 數據 以根据知识图谱中已记录的信息独立发现新的属性或特征，或者识别与实体无关的属性，甚至创建具有相关上下文模式的全新实体。