Как Google предлагает категории для уточнения запроса на основе анализа топа выдачи (особенно в локальном поиске)

Термины и определения

Business Listings (Бизнес-листинги)

Документы или записи в базе данных, представляющие информацию о бизнесе (компании, организации), часто с привязкой к местоположению. Основной тип контента в контексте данного патента.

Category Information (Информация о категории)

Данные, связывающие документ или бизнес-листинг с одной или несколькими категориями (например, "Ресторан", "Магазин одежды"). Источником могут быть Yellow Pages, веб-директории или автоматические классификаторы.

Category Suggestion Engine (Система генерации предложений категорий)

Компонент поисковой системы, отвечающий за анализ результатов поиска, идентификацию и оценку связанных категорий, и выбор наиболее релевантных предложений.

Final Score (Финальная оценка категории)

Агрегированная оценка категории, рассчитанная путем комбинирования (например, суммирования) Initial Scores или на основе общего количества вхождений категории. Используется для выбора предложений.

Initial Score (Начальная оценка категории)

Оценка, которую категория получает от одного конкретного документа в результатах поиска. Основана на Ranking Score или позиции этого документа.

Local Search (Локальный поиск)

Специализированный поиск, фокусирующийся на результатах, связанных с определенной географической областью.

Ranking Score (Оценка ранжирования / IR Score)

Числовое значение, определяющее релевантность документа запросу и его позицию в результатах поиска.

Ключевые утверждения (Анализ Claims)

Патент определяет два основных метода оценки категорий для генерации предложений.

Метод 1: Оценка на основе ранжирования документов (Claims 1, 8, 10, 15)

Claims 1, 8 и 15 описывают систему, которая:

1. Получает запрос (часто с указанием географической области).
2. Выполняет поиск и идентифицирует набор документов (Business Listings).
3. Присваивает документам оценки ранжирования (Ranking Scores).
4. Идентифицирует категории, связанные с этими документами.
5. Присваивает категориям оценки. Этот шаг детализирован:
   • Категории присваивается Initial Score на основе Ranking Score связанного с ней документа.
   • Initial Scores, присвоенные одной и той же категории от разных документов, комбинируются (например, суммируются) для генерации Final Score категории.
6. Предоставляет категории с высокими Final Scores как предложения.

Claim 10 уточняет, что оценка категории может базироваться на позиции соответствующего документа в отсортированном списке результатов поиска, что является следствием его Ranking Score.

Метод 2: Оценка на основе частоты встречаемости (Claims 13, 22)

Claims 13 и 22 описывают альтернативный метод оценки:

1. Выполняется поиск и идентификация набора Business Listings.
2. Идентифицируются категории.
3. Присваиваются оценки категориям. Этот шаг детализирован иначе:
   • Подсчитывается количество вхождений (number of occurrences) каждой категории в наборе результатов.
   • Оценка (Final Score) присваивается категории на основе этого количества вхождений.
4. Предоставляются категории с высокими оценками как предложения.

Обработка названий категорий (Claims 5, 9, 14, 20, 23)

Эти пункты утверждают, что схема именования (naming scheme), используемая для представления предложений категорий, соответствует схеме именования, связанной с категорией, набравшей наивысший балл. Это механизм нормализации, позволяющий обрабатывать данные от разных провайдеров (например, "Пиццерия" и "Ресторан: Пицца").

Где и как применяется

Изобретение применяется на нескольких этапах поисковой архитектуры, преимущественно в контексте локального поиска или E-commerce.

INDEXING – Индексирование и извлечение признаков
На этом этапе документы (Business Listings) должны быть предварительно обработаны и связаны с Category Information. Эти данные (полученные из внешних справочников или путем классификации) сохраняются в индексе.

RANKING – Ранжирование
Search Engine выполняет первичный поиск по запросу пользователя, генерирует список релевантных документов и рассчитывает их Ranking Scores.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Основной этап работы алгоритма. Category Suggestion Engine активируется после этапа RANKING.

1. Анализ результатов: Система анализирует Топ N результатов, полученных на этапе RANKING.
2. Расчет оценок категорий: Используя данные из индекса, система идентифицирует категории и рассчитывает их Final Scores (используя Метод 1 или Метод 2).
3. Генерация интерфейса: Система формирует финальную выдачу, добавляя блок с предложениями категорий (фильтрами).

Входные данные:

• Исходный запрос пользователя (часто включающий локацию).
• Топ N результатов поиска с их Ranking Scores.
• Category Information для каждого из этих результатов.

Выходные данные:

• Список результатов поиска.
• Список предложенных категорий (Category Suggestions) для уточнения поиска.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на Business Listings в локальном поиске (Google Maps, Local Pack) и E-commerce (категории товаров).
• Специфические запросы: Влияет на неоднозначные запросы, где интент пользователя не ясен из формулировки. Например, по запросу "Apple" система может предложить категории "Магазины электроники" или "Продуктовые магазины". Также влияет на широкие запросы, требующие сужения (например, "Одежда").

Когда применяется

Алгоритм применяется динамически после выполнения основного поиска. Он активируется, когда в Топ N результатов присутствует достаточное количество документов, для которых доступна четкая Category Information. Если результаты слишком разнородны или не имеют категоризации, предложения могут не генерироваться.

Пошаговый алгоритм

Процесс генерации предложений категорий:

1. Получение запроса: Система получает поисковый запрос от пользователя, который может включать информацию о местоположении (например, поля "Что" и "Где" в локальном поиске).
2. Выполнение поиска и ранжирование: Search Engine выполняет поиск, идентифицирует набор релевантных документов (Business Listings) и рассчитывает их Ranking Scores.
3. Анализ Топ N результатов: Система выбирает Топ N (например, 1000) документов из списка результатов для анализа.
4. Идентификация категорий: Для каждого из Топ N документов система извлекает связанную с ним Category Information из базы данных.
5. Расчет оценок категорий: Система обрабатывает все идентифицированные категории, используя один из двух методов:
   • Метод 1 (На основе ранжирования): Каждой категории присваивается Initial Score, основанный на Ranking Score или позиции связанного документа. Документы с более высоким рейтингом дают своим категориям более высокий балл.
   • Метод 2 (На основе частоты): Подсчитывается общее количество вхождений каждой категории в Топ N.
6. Агрегация и расчет Final Score:
   • Метод 1: Initial Scores для одной и той же категории суммируются для получения Final Score.
   • Метод 2: Final Score основывается на подсчитанной частоте вхождений.
7. Нормализация названий (Опционально): Система может группировать схожие названия категорий (например, "Пиццерия" и "Ресторан: Пицца") и выбирать для отображения название, связанное с категорией, набравшей наивысший балл.
8. Выбор предложений: Выбираются одна или несколько категорий с наивысшим Final Score.
9. Представление результатов: Система предоставляет пользователю список результатов поиска вместе с выбранными предложениями категорий.
10. Уточнение поиска (Пост-обработка): Если пользователь выбирает одну из предложенных категорий, система может либо отфильтровать исходные результаты, оставив только те, что принадлежат к этой категории, либо выполнить новый поиск, используя категорию как основной запрос.

Какие данные и как использует

Данные на входе

• Структурные факторы (Category Data): Критически важные данные – это связь между документом/листингом и его категорией (Category Information). Патент упоминает, что эти данные могут поступать от разных провайдеров (Yellow Pages, веб-директории) или генерироваться системами автоматической классификации текста.
• Географические факторы: Запрос пользователя часто содержит указание локации (например, город, штат). Результаты поиска (Business Listings) также имеют географическую привязку.
• Системные данные: Ranking Scores документов, рассчитанные основной поисковой системой.

Какие метрики используются и как они считаются

• Ranking Score (IR Score): Стандартная оценка релевантности документа запросу. Является основой для ранжирования и используется в Методе 1 для оценки важности категории.
• Initial Score: Предварительная оценка категории. Рассчитывается как функция от Ranking Score или позиции связанного документа (Метод 1).
• Number of Occurrences (Частота вхождений): Количество документов в Топ N, принадлежащих к данной категории (Метод 2).
• Final Score: Финальная оценка категории. Рассчитывается либо путем агрегации (суммирования) Initial Scores (Метод 1), либо на основе Number of Occurrences (Метод 2).
• Порог N: Количество топовых документов, которые анализируются для генерации предложений (в примере патента N=1000).

1. Категоризация как инструмент уточнения интента: Google активно использует информацию о категориях документов (особенно Business Listings) для помощи пользователю в уточнении неоднозначных или широких запросов.
2. Ранжирование влияет на видимость категории: Согласно Методу 1, чем выше ранжируются документы, принадлежащие к определенной категории, тем выше будет Final Score этой категории. Это означает, что успешное ранжирование напрямую влияет на вероятность того, что ваша категория будет предложена пользователю для уточнения.
3. Доминирование по количеству как альтернатива: Метод 2 показывает, что категория может быть предложена, если она просто часто встречается в Топ N, даже если эти результаты не занимают самые верхние позиции.
4. Фокус на локальный поиск: Патент явно ориентирован на Local Search и обработку Business Listings с географической привязкой, что делает его фундаментальным для понимания работы Google Maps и Local Pack.
5. Нормализация данных: Система способна обрабатывать и нормализовать данные о категориях из разных источников, выбирая наилучшее название для отображения.

Best practices (это мы делаем)

• Точная категоризация в GBP (Local SEO): Критически важно обеспечить точную, полную и консистентную категоризацию бизнеса в Google Business Profile (GBP). Это напрямую влияет на Category Information, которую использует Google.
• Управление цитированием (Citations Management): Необходимо следить за тем, чтобы бизнес был правильно категоризирован во всех внешних авторитетных справочниках (Yellow Pages, отраслевые директории), так как патент указывает на использование этих данных в качестве источников Category Information.
• Улучшение ранжирования листингов: Поскольку один из методов оценки категорий (Метод 1) основан на Ranking Scores документов, улучшение позиций ваших листингов/страниц увеличивает вес вашей категории в системе предложений. Это создает петлю обратной связи: высокий ранг -> предложение категории -> больше видимости.
• Четкая структура и разметка (E-commerce/Content): Для нелокальных сайтов (например, интернет-магазинов) необходимо использовать четкую иерархическую структуру, хлебные крошки и микроразметку (Schema.org), чтобы помочь алгоритмам автоматической классификации правильно определить категорию контента.

Worst practices (это делать не надо)

• Неправильная категоризация или спам категориями: Выбор нерелевантных категорий в GBP или справочниках в попытке охватить больше запросов может привести к тому, что система будет ассоциировать бизнес с неверным интентом, снижая релевантность.
• Игнорирование данных в справочниках: Отсутствие регистрации или устаревшие данные в ключевых бизнес-директориях лишают Google важного источника Category Information.
• Запутанная структура сайта: Создание контента без четкой иерархии и структуры затрудняет автоматическую классификацию и снижает вероятность того, что система сможет использовать этот контент для генерации предложений категорий.

Стратегическое значение

Патент подтверждает стратегическую важность структурированных данных и категоризации в поиске. Для локального бизнеса и E-commerce принадлежность к правильной категории не менее важна, чем прямая релевантность тексту запроса. Этот механизм объясняет, как Google интерпретирует рынок по конкретному запросу и какие направления считает приоритетными. Долгосрочная стратегия должна включать работу над тем, чтобы сайт или бизнес стал сильным представителем своей категории.

Практические примеры

Сценарий: Оптимизация локального бизнеса под неоднозначный запрос

1. Ситуация: Пользователь ищет "Ключи" в определенном городе. Этот запрос неоднозначен: это может быть изготовление ключей, продажа дверной фурнитуры или даже музыкальные ключи.
2. Работа алгоритма: Google анализирует Топ N локальных результатов. Допустим, в топе есть 5 мастерских по изготовлению ключей (Категория А) и 3 магазина фурнитуры (Категория Б).
3. Расчет оценок:
   • Если мастерские ранжируются выше (Метод 1) или их больше (Метод 2), Категория А получит более высокий Final Score.
4. Действия SEO-специалиста: Если вы продвигаете мастерскую (Категория А), ваша задача – обеспечить максимально высокие позиции вашего листинга и наличие точной категории ("Key duplication service" / "Изготовление ключей") в GBP и основных справочниках.
5. Результат: Благодаря высоким позициям и правильной категоризации, Google с большей вероятностью предложит пользователю уточнение "Изготовление ключей", что приведет к вам целевой трафик и отсечет нерелевантные магазины фурнитуры.