Как Google комбинирует тематическую релевантность и географическую близость для ранжирования локальных результатов

Термины и определения

Combined Relevance Score (Комбинированная оценка релевантности)

Итоговая оценка, используемая для ранжирования документа. Является функцией Topical Score и Distance Score.

Distance Adjustment Factor (Коэффициент корректировки расстояния)

Фактор, связанный с темой запроса, который контролирует, насколько сильно Distance Score изменяется (обычно уменьшается) в зависимости от физического расстояния. Является реализацией концепции Location Sensitivity.

Distance Score (Оценка расстояния)

Метрика, отражающая географическую близость местоположения документа к местоположению запроса. Обычно является убывающей функцией от физического расстояния (d), часто модулируемой Location Sensitivity (S).

Document Location (Местоположение документа)

Географическое местоположение, связанное с документом (например, адрес бизнеса, упомянутого на веб-странице).

Location Sensitivity (Чувствительность к местоположению)

Мера того, насколько результаты для определенной темы, запроса или пользователя должны быть локализованы. Например, запрос "сантехник" имеет высокую чувствительность, а "история Рима" — низкую.

Query Location (Местоположение запроса)

Географическое местоположение, связанное с поисковым запросом. Может быть определено явно (указано пользователем) или неявно (выведено из IP, истории поиска и т.д.).

Topical Score (Тематическая оценка)

Оценка релевантности документа запросу, основанная на негеографических факторах (контент, ссылки, авторитетность и т.д.).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод упорядочивания документов с учетом местоположения.

1. Система получает запрос.
2. Определяется географическое местоположение, связанное с запросом (Query Location).
3. Определяется тема (Topic), соответствующая запросу.
4. Определяется Distance Adjustment Factor (Коэффициент корректировки расстояния), связанный с этой темой. Это реализация Location Sensitivity.
5. Идентифицируется набор документов.
6. Для каждого документа рассчитывается Topical Score.
7. Для каждого документа измеряется расстояние между Document Location и Query Location.
8. Генерируется Distance Score на основе измеренного расстояния И Distance Adjustment Factor. Ключевой момент: этот фактор контролирует степень изменения (затухания) оценки в зависимости от расстояния.
9. Набор документов упорядочивается как функция Topical Scores и Distance Scores.

Claim 3, 4, 5 (Зависимые): Уточняют характеристики оценок.

Topical Score выше для более релевантных документов. Distance Score выше для документов, расположенных ближе. Функция комбинирования является монотонной функцией обеих оценок. Distance Score является монотонной функцией расстояния.

Claim 11 и 12 (Зависимые): Описывают сценарии, демонстрирующие баланс между оценками.

Они показывают, что документ с более высоким Topical Score, но более низким Distance Score (т.е. расположенный дальше) может быть ранжирован выше или ниже документа с низким Topical Score, но высоким Distance Score (расположенного ближе). Это подтверждает, что система не использует простую сортировку по расстоянию, а ищет оптимальный баланс.

Claim 16 (Независимый пункт): Описывает систему, реализующую метод.

Система включает средства для определения местоположения запроса, темы, Distance Adjustment Factor, расчета Distance Score (с учетом фактора, контролирующего скорость изменения оценки в зависимости от расстояния) и Topical Score, а также средства для ранжирования на основе обеих оценок.

Claim 24 (Независимый пункт): Описывает альтернативный вариант реализации через весовые коэффициенты.

В этом варианте система определяет Distance Weight (Вес расстояния) на основе темы или ключевого слова запроса. Этот вес применяется к Distance Score для генерации Weighted Distance Score. Итоговая оценка (Total Score) генерируется на основе Topical Score и Weighted Distance Score.

Где и как применяется

Изобретение является фундаментальным для локального поиска и затрагивает несколько этапов.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна идентифицировать и сохранить Document Location (например, адрес бизнеса) для соответствующих документов или сущностей.

QUNDERSTANDING – Понимание Запросов
Система должна определить Query Location (явно или неявно) и идентифицировать тему запроса (Topic). На основе темы определяется Location Sensitivity (в виде Distance Adjustment Factor или Distance Weight). Это может быть основано на предварительно рассчитанных данных о поведении пользователей, хранящихся в Topic Database.

RANKING – Ранжирование
На этом этапе рассчитываются базовые Topical Scores для документов-кандидатов.

RERANKING – Переранжирование / METASEARCH – Метапоиск и Смешивание
Основное применение патента. На этом этапе происходит расчет Distance Score в реальном времени, так как он зависит от динамического Query Location. Затем Distance Score (скорректированный с помощью Distance Adjustment Factor) комбинируется с Topical Score для получения Combined Relevance Score. Это происходит при формировании локальной выдачи (Local Pack) или при переранжировании органических результатов с локальным интентом.

Входные данные:

• Поисковый запрос.
• Query Location (местоположение пользователя или интересующая его область).
• Данные о Location Sensitivity для темы запроса.
• Набор документов-кандидатов с их Topical Scores и Document Locations.

Выходные данные:

• Отсортированный набор результатов на основе Combined Relevance Score.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на бизнесы с физическим присутствием или зонами обслуживания (рестораны, розничная торговля, услуги на дому, медицинские учреждения).
• Специфические запросы: Влияет на запросы с явным локальным интентом (например, "пицца Пало-Альто") и неявным локальным интентом (например, "сантехник", "автосервис").

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система определяет, что запрос имеет локальный интент, или когда тема запроса имеет определенный уровень Location Sensitivity.
• Условия применения: Применяется, когда возможно определить как Query Location, так и Document Location для релевантных результатов.

Пошаговый алгоритм

1. Получение запроса: Система получает поисковый запрос от пользователя.
2. Определение местоположения запроса: Определяется Query Location (например, с помощью IP, GPS, данных профиля или анализа текста запроса).
3. Анализ темы и чувствительности: Определяется тема запроса (Topic). Для этой темы извлекается соответствующий показатель Location Sensitivity (реализованный как Distance Adjustment Factor (S) или весовые коэффициенты).
4. Идентификация документов и Topical Scoring: Идентифицируются релевантные документы и для них рассчитывается Topical Score (R).
5. Определение местоположения документов: Для каждого документа определяется Document Location.
6. Измерение расстояния: Рассчитывается физическое расстояние (d) между Query Location и Document Location (например, расстояние по прямой, время в пути).
7. Расчет Distance Score: Рассчитывается Distance Score (F). Это убывающая функция расстояния (d), скорость убывания которой контролируется Location Sensitivity (S). Например, $F(d, S)$.
8. Расчет Combined Relevance Score: Рассчитывается итоговая оценка (C) путем комбинирования Topical Score (R) и Distance Score (F). Например, $C=C(R,F)$.
9. Ранжирование и предоставление результатов: Документы сортируются по Combined Relevance Score и предоставляются пользователю.

Какие данные и как использует

Данные на входе

• Географические факторы (для Query Location): IP-адрес пользователя, сетевой адрес, данные профиля пользователя, история поиска (включая текущий запрос, например, "palo alto" в запросе "pizza palo alto"), данные GPS (если доступны).
• Географические факторы (для Document Location): Адреса, связанные с документом (например, NAP бизнеса), географические данные, извлеченные из контента страницы.
• Поведенческие факторы: Поведение пользователей (клики, время пребывания, конверсии) по отношению к результатам с различной географической релевантностью используется для офлайн-расчета Location Sensitivity для разных тем.
• Контентные, Ссылочные и другие факторы: Используются для расчета базового Topical Score (текст, ссылки, структура ссылок, персонализированная информация).

Какие метрики используются и как они считаются

Система использует несколько ключевых метрик и функций для расчета итогового рейтинга:

• Topical Score (R): Увеличивающаяся функция релевантности, основанная на стандартных факторах ранжирования.
• Distance Measure (d): Физическое расстояние (мили, км, время в пути).
• Location Sensitivity (S) / Distance Adjustment Factor: Определяет важность близости для данной темы.
• Distance Score (F): Убывающая функция расстояния. Патент предлагает несколько вариантов расчета, включая модуляцию скорости убывания с помощью S:
  • $F(d) = \frac{\alpha}{\beta+d}$ (где α, β – константы)
  • $F(d, S) = \frac{\alpha}{\beta+S \times d}$ (Ключевой момент: S контролирует скорость затухания оценки с расстоянием).
• Combined Relevance Score (C): Увеличивающаяся функция от R и F. Патент предлагает пример линейной комбинации с весами:
  • $C(R,F) = \kappa \times R + \lambda \times F(d)$ (где κ и λ – весовые коэффициенты, которые также могут зависеть от темы запроса).

1. Баланс релевантности и расстояния: Патент описывает механизм, который позволяет Google динамически балансировать между тематической релевантностью (Topical Score) и географической близостью (Distance Score). Это не просто сортировка по расстоянию и не жесткий фильтр радиуса.
2. Расстояние как динамический фактор: Влияние расстояния на ранжирование не является фиксированным. Оно зависит от контекста запроса.
3. Критичность Location Sensitivity: Ключевым элементом системы является определение Location Sensitivity (Чувствительности к местоположению) для темы запроса. Это определяет, насколько агрессивно будет падать Distance Score с увеличением расстояния (через Distance Adjustment Factor) или насколько большим будет вес расстояния в итоговой формуле.
4. Точное местоположение пользователя как фактор ранжирования: Distance Score рассчитывается на основе расстояния до Query Location (часто это точное местоположение пользователя в момент запроса), а не до центра города или района.
5. Возможность превосходства качества над близостью: Механизм явно допускает (Claims 11, 12), что документ с высоким Topical Score, находящийся дальше, может превзойти в ранжировании менее релевантный документ, находящийся ближе.

Best practices (это мы делаем)

• Обеспечение точных и полных данных о местоположении (NAP): Критически важно для корректного определения Document Location. Необходимо обеспечить консистентность данных в Google Business Profile (GBP), на сайте и во внешних источниках (каталоги, агрегаторы).
• Максимизация Topical Score (Релевантность и Авторитетность): Нельзя полагаться только на близость. Необходимо активно работать над повышением Topical Score. В контексте локального поиска это включает оптимизацию GBP (категории, услуги, посты), сбор и обработку отзывов, создание локально релевантного контента на сайте и получение качественных локальных ссылок. Чем выше Topical Score, тем шире радиус, в котором бизнес будет ранжироваться.
• Анализ ранжирования с разных точек: Поскольку Distance Score рассчитывается от местоположения пользователя (Query Location), необходимо отслеживать позиции не только из центра города, но и из разных географических точек в зоне обслуживания, используя инструменты эмуляции местоположения.
• Понимание Location Sensitivity в нише: Необходимо анализировать выдачу для понимания того, насколько чувствительна ваша ниша к расстоянию. Если конкуренты ранжируются в широком радиусе, это указывает на то, что Google отдает приоритет Topical Score над Distance Score в этой тематике.

Worst practices (это делать не надо)

• Игнорирование сигналов качества и релевантности: Стратегия, основанная только на физической близости к потенциальным клиентам (например, открытие множества офисов) без работы над Topical Score (отзывы, контент, ссылки), будет неэффективна, так как система сбалансирует высокую Distance Score низким Topical Score.
• Неточные или противоречивые данные о местоположении: Ошибки в NAP могут привести к некорректному определению Document Location и, как следствие, к неправильному расчету Distance Score.
• Манипуляции с местоположением (Виртуальные офисы): Использование виртуальных офисов для создания видимости близости может быть неэффективным, если эти локации не подкреплены реальными сигналами авторитетности (низкий Topical Score для данной локации).

Стратегическое значение

Этот патент является фундаментом современного Local SEO. Он подтверждает, что локальное ранжирование — это сложный алгоритм балансировки, а не простая сортировка по удаленности. Стратегически это означает, что для доминирования в локальном поиске необходимо инвестировать как в обеспечение географического присутствия, так и (что более важно) в построение сильного, авторитетного и релевантного бренда в своей нише и регионе. Система позволяет лучшим бизнесам расширять зону своего влияния за пределы непосредственной близости.

Практические примеры

Сценарий: Балансировка рейтинга и расстояния для ресторана

1. Запрос: "Лучшая пицца рядом со мной". Location Sensitivity высокая.
2. Кандидаты:
   • Пиццерия А: Topical Score = 70 (средний рейтинг 3.5 звезды, мало отзывов). Расстояние = 1 км (Distance Score = 90).
   • Пиццерия Б: Topical Score = 95 (рейтинг 4.8 звезды, много отзывов, авторитетный сайт). Расстояние = 5 км (Distance Score = 60).
3. Расчет (упрощенный пример): Система комбинирует оценки. Предположим, используется формула $C = 0.5 \times R + 0.5 \times F$.
   • Пиццерия А: C = 0.5*70 + 0.5*90 = 35 + 45 = 80.
   • Пиццерия Б: C = 0.5*95 + 0.5*60 = 47.5 + 30 = 77.5.
4. Результат: Пиццерия А ранжируется выше, так как близость имеет большой вес для этой темы.

Сценарий 2: Изменение весов при низкой Location Sensitivity

1. Запрос: "Дилер антикварных автомобилей". Location Sensitivity средняя (люди готовы ехать дальше).
2. Изменение весов: Система меняет веса, отдавая приоритет релевантности. Формула: $C = 0.8 \times R + 0.2 \times F$.
3. Кандидаты (с теми же оценками R и F):
   • Дилер А: C = 0.8*70 + 0.2*90 = 56 + 18 = 74.
   • Дилер Б: C = 0.8*95 + 0.2*60 = 76 + 12 = 88.
4. Результат: Дилер Б (более качественный, но расположенный дальше) ранжируется выше благодаря изменению весов, основанному на Location Sensitivity темы.