Как Google использует физическое местоположение пользователя и категории ближайших бизнесов (POI) для адаптации поисковых подсказок

Термины и определения

Category (Категория)

Тип точки интереса (POI). Например, «электроника», «спортивные товары», «продукты».

Category-Specific Query Count (Счетчик запросов для категории)

Метрика, отражающая, сколько раз конкретный запрос был сделан из местоположений, связанных с определенной категорией.

Category-Specific Frequency (Fc) (Частота запросов для категории)

Частота появления запроса в контексте конкретной категории.

Combined Query Count (Комбинированный счетчик запросов)

Сумма Category-Specific Query Counts для запроса по нескольким категориям. Используется при смешивании подсказок.

Grid Cell (Ячейка сетки)

Способ разделения географического региона на области. Используется как альтернатива точному расстоянию для определения близости к POI.

Multiplier (M) (Множитель)

Коэффициент, используемый для корректировки базовой оценки (Score) поисковой подсказки. Рассчитывается на основе сравнения локальной и глобальной частоты запроса.

Overall Frequency / Expected Frequency (FE) (Общая / Ожидаемая частота)

Глобальная частота появления запроса вне зависимости от локального контекста.

Point of Interest (POI) (Точка интереса)

Физический объект или бизнес в определенном географическом местоположении (магазин, музей, парк и т.д.).

Query Prefix (Префикс запроса)

Часть запроса (один или несколько символов), введенная пользователем в реальном времени.

Query Suggestion Engine (Движок поисковых подсказок)

Компонент системы, отвечающий за генерацию подсказок (Autocomplete).

Ключевые утверждения (Анализ Claims)

Важно: Независимые пункты (Claim 1 и Claim 15) в данном патенте сфокусированы на сценарии, когда пользователь находится рядом с несколькими POI разных категорий одновременно.

Claim 1 и Claim 15 (Независимые пункты): Описывают процесс реагирования на ввод запроса (Claim 1) или префикса (Claim 15) в ситуации смешанного локального контекста.

1. Система получает запрос (Query/Query Prefix) и местоположение пользователя (User Location).
2. Идентифицируется первая точка интереса (POI 1) в пределах первой заданной близости.
3. Идентифицируется вторая точка интереса (POI 2) в пределах второй заданной близости.
4. Определяются первая категория (для POI 1) и вторая категория (для POI 2).
5. Используется база данных, которая связывает категории с запросами, ранее сделанными пользователями рядом с этими категориями.
6. На основе этой базы идентифицируются первая подсказка, специфичная для Категории 1, и вторая подсказка, специфичная для Категории 2.
7. Процесс идентификации включает:
   • Определение Category-Specific Count для Категории 1 (сколько раз запрос был сделан рядом с Категорией 1).
   • Определение Category-Specific Count для Категории 2.
   • Предоставление подсказок на основе этих счетчиков.
8. Обе подсказки должны содержать символы введенного запроса/префикса.
9. Система предоставляет пользователю обе подсказки (смешанный набор).

Ядром изобретения, согласно этим Claims, является механизм смешивания (Blending) поисковых подсказок из разных локальных контекстов. Система идентифицирует несколько релевантных локальных контекстов (категорий POI поблизости) и генерирует подсказки, основываясь на популярности запросов (Category-Specific Counts) внутри каждого из этих контекстов, а затем предоставляет смешанный результат.

Где и как применяется

Изобретение применяется на этапе взаимодействия с пользователем, влияя на процесс формулирования запроса.

INDEXING – Индексирование и извлечение признаков
На этом этапе система обрабатывает данные о физическом мире. Происходит индексация точек интереса (POI), их местоположений и, что критически важно, их категорий. Эти данные сохраняются в POI Database и Category Database.

QUNDERSTANDING – Понимание Запросов
Основное применение патента происходит здесь, в компоненте Query Suggestion Engine.

1. Офлайн-обработка логов: Система анализирует исторические логи запросов (Query Log Data). Она связывает запросы с местоположениями, определяет ближайшие категории POI и вычисляет Category-Specific Query Counts и Category-Specific Frequencies.
2. Обработка в реальном времени: Когда пользователь начинает вводить Query Prefix, система получает префикс и текущее местоположение пользователя.
3. Контекстуализация: Система использует местоположение для запроса к Locality Database, чтобы определить категории ближайших POI.
4. Генерация и Ранжирование Подсказок: Query Suggestion Engine выбирает кандидатов, которые соответствуют префиксу. Ранжирование этих кандидатов модифицируется на основе локального контекста. Используются Category-Specific Counts или вычисляется Множитель (M) для повышения подсказок, которые более вероятны в данном локальном контексте.
5. Смешивание (Blending): Если обнаружено несколько категорий, система смешивает подсказки из них.

Входные данные:

• Query Prefix и Местоположение пользователя (в реальном времени).
• Исторические логи запросов (офлайн).
• База данных POI и их категорий (системные данные).

Выходные данные:

• Набор ранжированных поисковых подсказок (Query Suggestions), адаптированных к локальному контексту.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы, интент которых неоднозначен и зависит от контекста (например, префикс «ba» может означать «baseball» рядом со спортивным магазином или «baking soda» рядом с продуктовым).
• Конкретные ниши или тематики: Влияет на все ниши, связанные с физическими точками интереса (ритейл, рестораны, услуги, развлечения). Критично для Local SEO.
• Мобильный поиск: Механизм в первую очередь ориентирован на мобильные устройства, где местоположение пользователя точно известно и постоянно меняется.

Когда применяется

• Триггеры активации: Ввод пользователем Query Prefix при условии, что местоположение пользователя известно.
• Условия работы: Наличие поблизости идентифицированных точек интереса (POI) с известными категориями, для которых существует накопленная статистика запросов.
• Определение близости: Применяется, когда POI находится в пределах порогового расстояния (threshold distance) от пользователя (например, 10, 100 метров) ИЛИ когда пользователь и POI находятся в одной географической ячейке (Grid Cell).

Пошаговый алгоритм

Процесс А: Офлайн-агрегация данных (на основе FIG. 3)

1. Сбор данных: Получение логов запросов, где каждый запрос содержит текст и местоположение, откуда он был сделан.
2. Идентификация POI: Для каждого запроса определяются ближайшие точки интереса (POI) (проверка порогового расстояния или Grid Cell).
3. Определение Категорий: Определяются категории идентифицированных POI.
4. Ассоциация: Запрос ассоциируется с этими категориями.
5. Агрегация и Расчет Метрик:
   • Вычисляется Category-Specific Query Count (счетчик для пары Запрос-Категория).
   • Вычисляется Overall Frequency (FE) и Category-Specific Frequency (Fc).
6. Сохранение: Ассоциации и метрики сохраняются в Locality Database.

Процесс Б: Генерация подсказок в реальном времени (на основе FIG. 4 и 5)

1. Получение ввода: Получение Query Prefix и текущего местоположения пользователя.
2. Определение Локального Контекста: Идентификация ближайших POI и определение их категорий (Категория 1, Категория 2...).
3. Идентификация Кандидатов: Поиск запросов, которые ассоциированы с идентифицированными категориями и соответствуют введенному префиксу.
4. Ранжирование Кандидатов: Определение порядка подсказок. Может использоваться несколько методов:
   • Метод 1 (По счетчику): Ранжирование на основе Category-Specific Query Count.
   • Метод 2 (С модификатором): Расчет Множителя M = Fc / FE. Корректировка базовой оценки S: S' = S * M. Ранжирование по S'.
5. Смешивание (Blending) (если категорий несколько): Объединение кандидатов из разных категорий. Ранжирование может учитывать Combined Query Count (сумма счетчиков по всем релевантным категориям) или относительную важность категорий (Category Importance).
6. Предоставление результата: Отправка Топ-N ранжированных подсказок на устройство пользователя.

Какие данные и как использует

Данные на входе

• Географические факторы: Критически важные данные. Используется текущее местоположение пользователя (GPS, WiFi-триангуляция) и местоположение точек интереса (POI). Используются определения географических областей (Area Definitions, Grid Cells).
• Поведенческие факторы: Исторические логи запросов (Query Log Data), которые используются для определения того, что люди ищут в определенных локациях или рядом с определенными категориями бизнесов.
• Системные данные (Классификация): Данные о категориях POI (Category Database, POI Database).
• Пользовательские факторы: Вводимый пользователем Query Prefix.

Какие метрики используются и как они считаются

• Category-Specific Query Count: Счетчик количества раз, когда запрос Q был сделан рядом с категорией C.
• Overall Frequency (FE): Общая частота запроса Q во всей системе.
• Category-Specific Frequency (Fc): Частота запроса Q в контексте категории C.
• Multiplier (M): Коэффициент для бустинга/демоутинга подсказки. Формула: $M = \frac{F_C}{F_E}$.
• Adjusted Score (S'): Скорректированная оценка подсказки. Формула: