Как Google определяет скрытый локальный интент в общих запросах на основе региональной популярности и использования Карт

Термины и определения

General Search Query (Общий поисковый запрос)

Запрос, который в исходном виде не содержит Location Phrase (например, [mimosa]).

Local Search Query (Локальный поисковый запрос)

Запрос, который включает Location Phrase (например, [mimosa San Francisco]). В контексте патента это часто запрос, сгенерированный системой неявно.

Location Phrase (Фраза местоположения)

Один или несколько терминов, однозначно определяющих географическое положение (город, почтовый индекс). Не включает названия достопримечательностей (Landmark Phrases), если они неоднозначны.

Locally Significant Query (Локально значимый запрос)

Общий запрос, идентифицированный как имеющий повышенное значение для конкретного географического региона. Определяется на основе статистических данных или Map Query Rate.

Map Query Rate (Показатель запросов через Карты)

Отношение количества запросов, поданных через интерфейс карты, отображающий определенное местоположение, к общему количеству этих запросов. Ключевая метрика в Claim 1.

Local Query Count (Локальное количество запросов)

Фактическое количество раз, когда запрос был получен от пользователей в определенном географическом регионе за период.

Expected Query Count (Ожидаемое количество запросов)

Расчетное количество раз, когда запрос должен был быть получен в локальном регионе, основанное на его популярности в более широком (базовом) регионе (например, стране).

Excess Query Count (Избыточное количество запросов)

Разница между Local Query Count и Expected Query Count. Высокое значение указывает на локальную значимость.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения локальной значимости через использование интерфейса Карт.

1. Идентификация общего поискового запроса (без фразы местоположения).
2. Определение Map Query Rate для этого запроса. Это соотношение: (Количество раз, когда запрос был получен через интерфейс онлайн-карты, отображающий данное географическое положение) / (Общее количество получений этого запроса).
3. Определение того, что запрос является локально значимым для данного географического положения, если Map Query Rate превышает пороговое значение.
4. Создание локального поискового запроса (общий запрос + фраза местоположения).
5. Запрос наборов результатов для общего и локального запросов.
6. Выбор финального набора результатов, включающего как минимум один локальный и один общий результат.
7. Предоставление данных для отображения.

Ядром этого пункта является использование активности пользователей в интерфейсе Карт (Map Query Rate) как прямого и достаточного триггера для определения локальной значимости запроса.

Claim 2, 3 и 4 (Зависимые): Описывают альтернативные или дополнительные методы определения локальной значимости на основе статистического анализа частоты (детально описанные в Description и на FIG. 2A/2B).

Определение локальной значимости может также включать анализ того, был ли запрос получен из данного местоположения пороговое количество раз (Claim 2). Это может включать сравнение количества запросов за разные периоды времени для выявления всплесков популярности (Claim 3) или определение того, что Local Query Count превышает Expected Query Count на пороговую величину (Claim 4).

Claim 9 (Зависимый): Детализирует механизм смешивания (blending) результатов методом замещения.

1. Выбор общих результатов, чьи оценки ранжирования (Result Scores) превышают порог (например, результаты для первой страницы).
2. Выбор локального результата, чья оценка по локальному запросу выше, чем оценка одного из выбранных общих результатов.
3. Удаление из финального набора общего результата с наименьшей оценкой (замена его локальным результатом).

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя офлайн-анализ для подготовки данных и онлайн-процессы для модификации выдачи.

QUNDERSTANDING – Понимание Запросов (Офлайн)
На этом этапе происходит основной анализ для идентификации Locally Significant Queries. Система анализирует Search Log Data, вычисляет Map Query Rates и статистические аномалии (Excess Query Count) для различных регионов. Результатом является база данных, связывающая общие запросы с регионами, где они локально значимы.

QUNDERSTANDING – Понимание Запросов (Онлайн)
При получении запроса система определяет его как General Search Query и определяет местоположение пользователя. Происходит проверка по базе данных Locally Significant Queries. Если соответствие найдено, система выполняет внутреннее переписывание запроса (Query Rewriting), генерируя Local Search Query.

RANKING – Ранжирование
Система запускает параллельный поиск: один для General Search Query, другой для сгенерированного Local Search Query. Каждый поиск возвращает свой набор результатов с Result Scores.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Происходит объединение (Blending) двух наборов результатов. Система применяет одну из стратегий смешивания (например, замещение, описанное в Claim 9), чтобы гарантировать включение локальных результатов в финальную выдачу (SERP).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на неоднозначные запросы (ambiguous queries), где интент может быть как глобальным, так и локальным. Это часто касается брендовых запросов, которые совпадают с общими терминами.
• Конкретные типы контента и ниши: Критически влияет на видимость локальных бизнесов, местных событий и организаций в основной веб-выдаче по общим терминам.
• Географические ограничения: Механизм активируется только для тех регионов, где запрос признан статистически значимым.

Когда применяется

Алгоритм активируется при выполнении следующих условий:

• Тип запроса: Запрос является General Search Query (не содержит Location Phrase).
• Данные о пользователе: Местоположение пользователя известно с достаточной степенью уверенности.
• Триггер активации: Запрос предварительно идентифицирован как Locally Significant для этого местоположения. Это происходит, если:
  • Map Query Rate превышает порог (Основной механизм по Claim 1); ИЛИ
  • Local Query Count значительно превышает Expected Query Count (статистическая аномалия); ИЛИ
  • Наблюдается значительный всплеск (spike) локальной популярности запроса по сравнению с предыдущим периодом.

Пошаговый алгоритм

Процесс А: Офлайн-идентификация локально значимых запросов

1. Сбор данных: Агрегация анонимизированных логов поисковых запросов (Search Log Data), включая информацию о местоположении и интерфейсе ввода (Web/Maps).
2. Расчет базовых метрик: Определение глобального распределения запросов (Query Distribution) и глобальных частот (Query Rates) для большого региона (например, страны).
3. Расчет локальных метрик: Для каждого подрегиона (например, города) определение Local Query Count.
4. Выявление аномалий (Метод 1: Map Query Rate):
   • Расчет Map Query Rate для запросов в подрегионе.
   • Идентификация запросов, где Map Query Rate превышает пороговое значение.
5. Выявление аномалий (Метод 2: Статистический анализ):
   • Расчет Expected Query Count для подрегиона на основе глобальных частот.
   • Сравнение Local Query Count с Expected Query Count.
   • Идентификация запросов, где локальный счетчик превышает ожидаемый на пороговую величину (Excess Query Count).
6. Сохранение: Создание индекса или базы данных Locally Significant Queries, привязанных к соответствующим географическим регионам.

Процесс Б: Обработка запроса в реальном времени

1. Получение запроса и локации: Система получает General Search Query и определяет User Location.
2. Проверка значимости: Система проверяет в базе данных, является ли данный запрос локально значимым для данного местоположения.
3. Генерация локального запроса: Если значимость подтверждена, создается Local Search Query путем добавления Location Phrase к общему запросу.
4. Параллельный поиск: Система запрашивает два набора результатов: общие (GRS) и локальные (LRS).
5. Выбор и смешивание (Blending):
   • Отбираются топовые общие результаты.
   • Отбираются топовые локальные результаты (возможно, с проверкой минимального порога CTR, как указано в Claim 8).
   • Происходит смешивание. Например, применяется логика замещения (Claim 9): локальный результат заменяет общий результат с наименьшей оценкой, если локальная оценка выше.
6. Предоставление выдачи: Отображение смешанного набора результатов пользователю.

Какие данные и как использует

Данные на входе

Система в значительной степени опирается на поведенческие и географические данные, агрегированные из логов поиска.

• Поведенческие факторы:
  • Search Log Data: Анонимизированные данные о частоте запросов и местоположении источника.
  • Источник запроса: Данные о том, был ли запрос введен через стандартный веб-поиск или через интерфейс Карт (критично для Map Query Rate).
  • Click-Through-Rate (CTR): Может использоваться для валидации качества локальных результатов перед их включением в финальную выдачу (Claim 8).
• Географические факторы:
  • Местоположение пользователя (User Location): Данные, полученные с помощью IP-адреса, GPS, данных профиля пользователя. Точность определения местоположения критична для работы системы.

Какие метрики используются и как они считаются

• Map Query Rate: Метрика, определяющая локальный интент через поведение пользователя. Формула: $\frac{\text{Кол-во\ запросов\ через\ Карты\ в\ Регионе}}{\text{Общее\ кол-во\ запросов}}$
• Query Rate (Частота запроса): Базовая метрика популярности. Формула: $\frac{\text{Кол-во\ конкретного\ запроса}}{\text{Общее\ кол-во\ всех\ запросов}}$
• Expected Query Count: Ожидаемое количество запросов в локальном регионе. Формула: $\text{Общее\ кол-во\ запросов\ в\ локальном\ регионе} \times \text{Базовая\ Query\ Rate}$
• Excess Query Count: Индикатор статистической аномалии. Формула: $\text{Local\ Query\ Count} - \text{Expected\ Query\ Count}$
• Пороговые значения: Используются для определения того, является ли Map Query Rate или Excess Query Count достаточно высоким для классификации запроса как локально значимого.

1. Поведенческие сигналы как индикатор локального интента: Патент явно указывает на использование поведенческих данных, в частности Map Query Rate (Claim 1), как прямого сигнала локальной значимости. Если пользователи часто ищут термин через интерфейс Карт, Google интерпретирует это как сильный локальный интент.
2. Географические аномалии в популярности: Google активно ищет статистические отклонения в популярности запросов на региональном уровне. Необычно высокая частота запроса в конкретном городе по сравнению со страной (Excess Query Count) является триггером для локализации выдачи.
3. Неявная локализация (Implicit Localization): Система позволяет Google модифицировать запрос пользователя на лету, добавляя к нему географический модификатор, если считает это необходимым для удовлетворения локального интента, даже если пользователь его не указывал.
4. Агрессивное смешивание результатов (Blending): Механизм смешивания гарантирует, что локальные результаты будут показаны, даже если они неконкурентоспособны по общему запросу. Описан механизм замещения (Claim 9): сильный локальный результат может вытеснить более слабый общий результат из топа.
5. Зависимость от точности геолокации: Эффективность всей системы напрямую зависит от способности Google точно определить местоположение пользователя. Выдача по одному и тому же запросу может радикально отличаться в разных городах.

Best practices (это мы делаем)

• Гиперлокальное отслеживание позиций: Необходимо отслеживать позиции по ключевым запросам, используя точную локализацию (на уровне города или района). Использование среднего показателя по стране может скрывать реальную картину, так как механизм Locally Significant Queries может радикально изменить выдачу в конкретном городе.
• Стимулирование взаимодействия через Карты (Google Maps/GBP): Поскольку Map Query Rate является прямым триггером (Claim 1), важно стимулировать пользователей искать ваш бренд или услуги через интерфейс Карт. Это включает оптимизацию Google Business Profile (GBP) и поощрение пользователей строить маршруты до вашей локации.
• Усиление локальной узнаваемости и спроса: Необходимо генерировать достаточный объем брендовых или категорийных запросов именно в целевом регионе через локальный маркетинг и PR. Это увеличивает Local Query Count и вероятность признания запроса локально значимым.
• Анализ интента на региональном уровне: При исследовании ключевых слов не предполагайте единый интент для всей страны. Анализируйте выдачу в ключевых регионах, чтобы понять, не считает ли Google определенные общие запросы локально значимыми, и кто является локальными конкурентами.

Worst practices (это делать не надо)

• Игнорирование географического контекста: Разработка контент-стратегии на основе только общих (национальных) данных об объеме запросов. Это может привести к созданию контента, который не соответствует локальному интенту в ключевых регионах и будет вытеснен локальными результатами.
• Манипуляции с локальными запросами: Попытки искусственно завысить Local Query Count или Map Query Rate с помощью ботов или заданий. Google имеет сложные системы для фильтрации неестественной активности при анализе логов.
• Пренебрежение мобильной оптимизацией и GBP: Игнорирование оптимизации под мобильные устройства (где геолокация точнее) и работы с Google Business Profile снижает вероятность того, что ваш сайт выиграет от механизмов неявной локализации и сигналов Map Query Rate.

Стратегическое значение

Патент подтверждает стратегию Google на максимальную персонализацию и гиперлокализацию поисковой выдачи. Он показывает, что интент запроса не статичен, а динамически определяется контекстом пользователя, включая его физическое местоположение и статистическое поведение других пользователей в этом регионе. Для SEO это означает, что построение авторитетности и релевантности должно происходить не только в тематике, но и в географическом контексте. Локальные сигналы (включая активность в Google Maps) являются фундаментом для ранжирования по неоднозначным и общим запросам.

Практические примеры

Сценарий 1: Бренд с общим названием

1. Ситуация: В городе N есть популярный ресторан под названием "Аврора". Общий запрос [аврора] обычно показывает информацию о крейсере или природном явлении.
2. Действие Google (Офлайн): Google анализирует логи и видит, что в городе N запрос [аврора] вводится через Google Maps (Map Query Rate) в 50% случаев, что выше порога. Также Local Query Count значительно превышает Expected Query Count. Запрос помечается как Locally Significant для города N.
3. Действие Google (Онлайн): Пользователь в городе N вводит [аврора]. Система активирует механизм. Генерируется неявный запрос [аврора город N].
4. Результат: В выдаче пользователя на высоких позициях смешиваются результаты о ресторане (из локального поиска) и информация о крейсере (из общего поиска). Пользователь в другом городе увидит преимущественно информацию о крейсере.

Сценарий 2: Временное локальное событие (Rate Spike)

1. Ситуация: В городе М проходит крупный музыкальный фестиваль "Волна".
2. Действие Google (Офлайн): Система фиксирует резкий всплеск (spike) запросов [волна] из города М по сравнению с предыдущим периодом (Claim 3). Local Query Count резко возрастает.
3. Действие Google (Онлайн): Когда пользователи в городе М ищут [волна], Google определяет запрос как временно локально значимый.
4. Результат: В выдачу подмешивается сайт фестиваля, расписание и информация о билетах, а не только информация о физическом явлении.