Как Google определяет, когда игнорировать местоположение пользователя и показывать глобальные результаты для уникальных сущностей

Термины и определения

Clustering Score (Оценка кластеризации)

Метрика, измеряющая, насколько географически сгруппированы сущности, связанные с набором результатов поиска. Может рассчитываться как процент результатов в пределах определенного радиуса друг от друга или радиус, необходимый для охвата определенного процента сущностей.

Distance Score (Оценка расстояния)

Метрика, основанная на расстоянии между физическим местоположением сущности для каждого результата в наборе и inferred location пользователя.

Entity Index (Индекс сущностей)

База данных, содержащая записи для отдельных сущностей (места, бизнесы, достопримечательности, события), включая их название, местоположение, тип, категорию, отзывы и связанные документы.

Global Set of Search Results (Глобальный набор результатов поиска)

Набор результатов, который не привязан к какому-либо конкретному предполагаемому местоположению пользователя. Может ранжироваться без учета расстояния или с использованием функции оценки, которая учитывает расстояние относительно inferred location, но не исключает удаленные результаты.

Inferred Location (Предполагаемое местоположение)

Местоположение, которое система считает интересным для пользователя на основе информации, не включающей текст запроса. Примеры: текущее местоположение (IP, GPS), область просмотра карты, история поиска, указанный пользователем адрес по умолчанию.

Location-Specific Set of Search Results (Локально-специфический набор результатов поиска)

Набор результатов, привязанный к inferred location. Результаты фильтруются или ранжируются так, чтобы включать только сущности в пределах определенного расстояния от этого местоположения.

Primary Results Set (Основной набор результатов)

Набор результатов (глобальный или локально-специфический), который система выбрала как наилучший ответ на запрос и который будет показан пользователю.

Quality Scores (Оценки качества)

Метрики, оценивающие качество результатов в наборе. Могут основываться на объеме доступной информации о сущности, например, количестве отзывов или связанных документов.

Responsiveness Scores (Оценки релевантности/отзывчивости)

Метрики, оценивающие, насколько результаты в наборе соответствуют запросу. Могут основываться на совпадении запроса с названием сущности, текстом отзывов или категорией сущности.

Secondary Results Set (Вторичный набор результатов)

Набор результатов, который не был выбран как основной, но имеет некоторую релевантность. Может быть предложен пользователю через интерфейс (например, ссылка "Возможно, вы имели в виду...").

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод выбора набора результатов.

1. Система получает запрос и идентификатор географического местоположения (inferred location).
2. Получаются два набора результатов: location-specific (привязанный к местоположению) и global (не привязанный).
3. Определяются оценки (измеряющие качество или релевантность) для location-specific набора.
4. Определяются оценки для global набора, включая Clustering Score. Эта оценка измеряет географическую кластеризацию сущностей глобального набора относительно друг друга или вокруг одного места, не связанного с местоположением пользователя.
5. Система выбирает либо глобальный, либо локально-специфический набор в качестве Primary Results Set на основе сравнения оценок обоих наборов.
6. Идентифицируются результаты из основного набора для показа пользователю.

Claim 9 (Зависимый от 1): Уточняет условие выбора глобального набора на основе кластеризации.

Выбор глобального набора происходит, если Clustering Score для него указывает на то, что предопределенный процент сущностей, связанных с результатами в глобальном наборе, физически расположен в пределах предопределенного расстояния друг от друга (т.е. они тесно сгруппированы).

Claim 10 (Зависимый от 9): Добавляет условие расстояния как фактор выбора.

Глобальный набор выбирается, только если совокупное расстояние между результатами в глобальном наборе и inferred location превышает первый порог (т.е. кластер находится далеко от пользователя).

Claim 11 (Зависимый от 9): Добавляет условие совпадения имени как фактор выбора.

Глобальный набор выбирается, только если хотя бы один из результатов в нем имеет название, соответствующее запросу.

Claim 13 (Зависимый от 1): Добавляет условие не-категорийности запроса.

Глобальный набор выбирается, только если слова в запросе не соответствуют категории, связанной с результатами в глобальном наборе (т.е. пользователь ищет конкретную сущность, а не тип места).

Где и как применяется

Изобретение применяется на финальных этапах обработки поискового запроса, когда система должна решить, какой набор результатов предоставить пользователю, особенно в контексте поиска по картам или поиска сущностей.

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает и индексирует данные о сущностях в Entity Index. Критически важные данные для этого патента: точное физическое местоположение сущностей, их названия, категории и данные для расчета Quality Scores (например, количество отзывов).

RANKING – Ранжирование
Система параллельно генерирует несколько наборов кандидатов: один или несколько location-specific наборов (используя inferred location как сильный фактор ранжирования или фильтр) и global набор (игнорируя или снижая вес inferred location).

RERANKING – Переранжирование / METASEARCH – Метапоиск и Смешивание
Основное применение патента. На этом этапе система не просто ранжирует отдельные документы или сущности, а оценивает и сравнивает целые наборы результатов.

1. Оценка наборов: Вычисляются агрегированные метрики для каждого набора (Quality, Responsiveness, Distance) и, что критически важно, Clustering Score для глобального набора.
2. Принятие решения: Система использует логику выбора (описанную в алгоритме), чтобы определить, какой набор (глобальный или локальный) является наилучшим (Primary Results Set).
3. Финальная выдача: Результаты из выбранного набора формируют SERP.

Входные данные:

• Запрос пользователя.
• Inferred location пользователя (IP, GPS, область карты и т.д.).
• Наборы результатов (Global и Location-Specific) с индивидуальными оценками ранжирования.
• Данные из Entity Index (местоположение, категории, названия сущностей).

Выходные данные:

• Выбранный Primary Results Set, готовый к отображению.
• Возможно, Secondary Results Set для предложения альтернатив (например, через ссылку "Did you mean").

На что влияет

• Конкретные типы контента: В первую очередь влияет на поиск сущностей, имеющих физическое местоположение: бизнесы, достопримечательности, организации. Особенно актуально для интерфейсов типа Google Maps.
• Специфические запросы: Наибольшее влияние на запросы, которые являются названиями уникальных или редких сущностей, но которые также могут быть интерпретированы как общие термины или названия мест в других регионах. Также влияет на брендовые запросы.
• Конкретные ниши или тематики: Туризм, гостиничный бизнес, уникальные рестораны, исторические места — ниши, где пользователи часто ищут конкретные объекты вне своего текущего местоположения.

Когда применяется

Алгоритм применяется при обработке запросов, для которых система определяет наличие inferred location, но текст запроса сам по себе не указывает на местоположение.

• Триггеры активации: Активируется, когда необходимо выбрать между локальной релевантностью и потенциальным глобальным интентом.
• Условия выбора глобального набора:
  • Глобальный набор значительно лучше локального по агрегированным оценкам качества и релевантности.
  • ИЛИ (если наборы сравнимы): Глобальные результаты тесно географически кластеризованы (высокий Clustering Score).
• Дополнительные условия для выбора глобального набора (упомянутые в патенте):
  • Кластер находится далеко от пользователя (высокий Distance Score/превышение порога расстояния).
  • Запрос соответствует названию сущности в кластере (Name Match).
  • Запрос не является категорийным.
  • Запрос не относится к сетевому бизнесу (chain).
  • Топовый глобальный результат отличается от топового локального результата.

Пошаговый алгоритм

Процесс выбора основного набора результатов (Primary Results Set).

1. Получение входных данных: Система получает запрос и определяет одно или несколько inferred locations пользователя.
2. Генерация наборов результатов: Система получает наборы результатов, включая как минимум один location-specific набор (привязанный к inferred location) и один global набор.
3. Расчет оценок для наборов: Для каждого набора вычисляются агрегированные метрики:
   • Quality Scores (например, среднее количество отзывов).
   • Responsiveness Scores (например, процент результатов с совпадением названия или категории).
   • Clustering Scores (насколько географически сгруппированы результаты в наборе; особенно важно для глобального набора).
   • Distance Scores (среднее расстояние от результатов до inferred location).
4. Сравнение оценок: Система сравнивает оценки наборов для определения общего балла (Overall Score) для каждого набора.
5. Проверка на значительное превосходство: Определяется, является ли один набор значительно лучше (substantially better) других. Это происходит, если его общий балл самый высокий и разница с баллами других наборов превышает определенный порог (threshold drop-off).
   • Если ДА: Этот набор выбирается как Primary Results Set (Шаг 7).
   • Если НЕТ (наборы сравнимы): Переход к анализу кластеризации (Шаг 6).
6. Анализ кластеризации глобального набора: Система определяет, следует ли выбрать глобальный набор на основе его Clustering Score и других метрик. Глобальный набор выбирается, если он демонстрирует сильную географическую кластеризацию (удовлетворяет пороговому значению), и выполняются дополнительные условия (например, находится далеко от пользователя, содержит совпадение имени, не является сетевым бизнесом или категорийным запросом).
   • Если глобальный набор выбран: Он становится Primary Results Set (Шаг 7).
   • Если нет: Выбирается наилучший location-specific набор как Primary Results Set (Шаг 7).
7. Выбор основного набора: Определяется Primary Results Set.
8. Выбор вторичного набора (Опционально): Система может выбрать Secondary Results Set из оставшихся наборов для предложения альтернативы пользователю.
9. Предоставление результатов: Результаты из Primary Results Set предоставляются пользователю (например, на карте или в SERP).

Какие данные и как использует

Данные на входе

Система использует данные, связанные с сущностями и поведением пользователей, преимущественно из Entity Index.

• Контентные/Сущностные факторы:
  • Название сущности (Entity Name).
  • Категория сущности (Entity Category).
  • Текст отзывов о сущности.
  • Количество отзывов (используется для Quality Score).
  • Связанные документы (например, домашняя страница сущности).
• Географические факторы:
  • Физическое местоположение сущности (координаты).
  • Inferred location пользователя (полученное через IP-адрес, GPS, данные сотовых вышек, область просмотра карты).
• Пользовательские факторы:
  • История предыдущих поисков пользователя (может использоваться для определения inferred location).
  • Настройки местоположения пользователя по умолчанию.
• Технические факторы:
  • Доменное имя (может использоваться для определения сетевого бизнеса/Chain).

Какие метрики используются и как они считаются

Система вычисляет метрики на уровне набора результатов, агрегируя (например, суммируя или усредняя) индивидуальные оценки.

• Clustering Score: Измеряет географическую плотность результатов. Рассчитывается на основе распределения физических местоположений сущностей в наборе. Конкретные методы расчета, упомянутые в патенте:
  • Процент результатов, расположенных в пределах заданного радиуса друг от друга.
  • Радиус, необходимый для охвата заданного процента сущностей.
• Responsiveness Score: Измеряет релевантность набора запросу. Агрегирует индивидуальные оценки, основанные на:
  • Совпадении запроса с названием сущности (Name Match).
  • Совпадении слов запроса со словами в отзывах или связанных документах.
  • Совпадении запроса с категорией сущности (Category Match).
• Quality Score: Измеряет качество набора. Агрегирует индивидуальные оценки качества сущностей, основанные на объеме информации (например, количестве отзывов).
• Distance Score: Измеряет удаленность набора от пользователя. Агрегирует расстояния между местоположением каждой сущности в наборе и inferred location пользователя.
• Overall Score (Общий балл): Комбинация вышеуказанных метрик для сравнения наборов. Точные веса не указаны, но отмечено, что они определяются эмпирически, с предпочтением локальных результатов, если только глобальные не являются значительно лучше.

1. Google может игнорировать местоположение пользователя при сильном сигнале уникальной сущности: Основной вывод патента — система активно ищет ситуации, когда интент пользователя направлен на конкретную сущность, а не на поиск поблизости. В таких случаях inferred location игнорируется в пользу глобальных результатов.
2. Географическая кластеризация как индикатор интента: Clustering Score глобальных результатов является ключевым сигналом. Если по запросу находятся результаты, тесно сгруппированные в одном месте (и особенно если это место далеко от пользователя), это сильный индикатор того, что пользователь ищет именно этот кластер сущностей.
3. Оценка на уровне наборов, а не отдельных результатов: Система принимает решение о выборе между глобальным и локальным подходами, оценивая качество, релевантность и географические характеристики всего набора результатов (SERP), а не только отдельных страниц или сущностей.
4. Баланс между релевантностью, качеством и локальностью: Система использует множество метрик (Responsiveness, Quality, Distance, Clustering) для принятия взвешенного решения. Совпадение имени (Name Match) является важным фактором для выбора глобальных результатов, тогда как совпадение категории (Category Match) или признаки сетевого бизнеса (Chain) склоняют выбор в пользу локальных результатов.
5. Важность консолидации данных о сущности: Для корректной работы механизма критически важно, чтобы данные о сущностях (особенно их местоположении, названии и категории) были точными и консолидированными в Entity Index.

Best practices (это мы делаем)

• Консолидация сигналов для уникальных сущностей: Для бизнесов с уникальными названиями (особенно известных за пределами своего региона) критически важно обеспечить точность и полноту данных в Google Business Profile и других источниках (Schema.org, цитирования). Это гарантирует, что система правильно идентифицирует физическое местоположение и сможет сформировать тесный кластер при глобальном поиске (высокий Clustering Score).
• Оптимизация под брендовые (Entity Name) запросы: Убедитесь, что сущность хорошо ранжируется по своему названию в глобальном поиске. Высокие Quality Scores (например, достаточное количество и качество отзывов) и точное совпадение названия (высокий Responsiveness Score) увеличивают вероятность того, что глобальный набор будет выбран, когда пользователь ищет ваш бизнес издалека.
• Мониторинг выдачи из разных локаций: Проверяйте, как ваш бизнес отображается при поиске из разных географических точек. Если пользователи издалека не могут найти вашу уникальную сущность из-за того, что Google показывает им нерелевантные локальные результаты, это указывает на проблемы с глобальными Quality или Responsiveness сигналами вашей сущности.
• Для сетевых бизнесов (Chains): Убедитесь, что каждый филиал четко идентифицирован и имеет сильные локальные сигналы. Патент указывает, что система стремится не показывать глобальные результаты для сетей, предпочитая локальные филиалы. Это подчеркивает важность отдельной стратегии локального SEO для каждого филиала.

Worst practices (это делать не надо)

• Использование общих терминов в названии уникального бизнеса: Если название бизнеса слишком общее (например, "Лучшая Пицца"), системе будет сложнее определить, что это уникальная сущность. Это повышает вероятность того, что запрос будет интерпретирован как категорийный, и система предпочтет location-specific результаты.
• Размытие географических сигналов: Указание неточных адресов, использование абонентских ящиков или виртуальных офисов для уникальной сущности может ухудшить Clustering Score, так как система не сможет определить точный географический кластер.
• Игнорирование управления отзывами: Поскольку Quality Score (который, согласно патенту, может зависеть от количества отзывов) используется для оценки наборов, недостаточное количество отзывов может привести к тому, что глобальный набор будет признан менее качественным, чем локальный набор нерелевантных результатов.

Стратегическое значение

Патент подтверждает важность понимания того, как Google интерпретирует интент запроса в контексте местоположения. Для SEO-стратегии это означает, что оптимизация должна учитывать два сценария: локальный поиск (когда пользователь ищет категорию поблизости) и поиск конкретной сущности (когда местоположение пользователя не имеет значения). Стратегия для уникальных брендов должна фокусироваться на укреплении глобальной видимости и консолидации сущности, чтобы механизм выбора глобальных результатов срабатывал корректно.

Практические примеры

Сценарий: Поиск уникального ресторана из другого города

1. Контекст: Пользователь находится в Нью-Йорке (Inferred Location).
2. Запрос: "Gary Danko" (известный ресторан в Сан-Франциско).
3. Генерация наборов:
   • Location-Specific (Нью-Йорк): Результаты содержат упоминания Gary Danko в обзорах нью-йоркских ресторанов. Оценки: Clustering низкий (результаты разбросаны), Responsiveness низкий (нет точного совпадения имени сущности в этом регионе).
   • Global: Основной результат — ресторан Gary Danko в Сан-Франциско. Оценки: Clustering высокий (один результат = идеальный кластер), Responsiveness высокий (точное совпадение имени), Distance высокий (далеко от Нью-Йорка).
4. Принятие решения: Система видит высокий Clustering Score и Responsiveness Score в глобальном наборе. Условия выполнены (уникальная сущность, далеко от пользователя, совпадение имени).
5. Результат: Система выбирает глобальный набор. Пользователь в Нью-Йорке видит результаты для ресторана в Сан-Франциско.

Сценарий: Поиск сетевого магазина

1. Контекст: Пользователь находится в Чикаго (Inferred Location).
2. Запрос: "Starbucks".
3. Генерация наборов:
   • Location-Specific (Чикаго): Множество кофеен Starbucks рядом с пользователем.
   • Global: Множество кофеен Starbucks по всему миру, возможно, штаб-квартира.
4. Принятие решения: Система определяет, что запрос относится к сетевому бизнесу (Chain). Также глобальный набор имеет низкий Clustering Score (результаты по всему миру).
5. Результат: Система предпочитает location-specific набор. Пользователь видит ближайшие кофейни Starbucks в Чикаго.