Как Google определяет скрытый локальный интент запроса, анализируя аномальную популярность запроса в конкретном регионе

Термины и определения

Baseline Geographic Region (Базовый географический регион)

Эталонный, обычно более крупный географический регион (например, страна), используемый для расчета стандартной частоты запросов (Query Share).

Boost Factor (Повышающий коэффициент)

Значение, используемое для увеличения исходной оценки ранжирования (Initial Result Score) локального результата, когда обнаружен Local Query.

Expected Query Count (Ожидаемое количество запросов)

Базовое количество раз, которое ожидается получение запроса в конкретном географическом регионе за определенный период. Рассчитывается на основе Query Share и общего объема запросов в регионе.

Geo-Query Count (Гео-количество запросов)

Фактическое общее количество раз, когда поисковый запрос был получен от пользовательских устройств в конкретном географическом регионе за определенный период.

Geographic Identifier (Географический идентификатор)

Данные, связанные с запросом, указывающие на местоположение пользовательского устройства (например, IP-адрес, данные GPS, ZIP-код, название города).

Initial Result Score (Исходная оценка результата)

Оценка релевантности результата до применения каких-либо локальных корректировок.

Local Query (Локальный запрос)

Запрос, который классифицируется как имеющий повышенное локальное значение для конкретного региона, поскольку его Geo-Query Count значительно превышает Expected Query Count.

Local Search Result (Локальный поисковый результат)

Поисковый результат, ссылающийся на ресурс, который соответствует конкретному географическому региону (например, местная достопримечательность или тема).

Query Share (Доля запроса)

Метрика, представляющая долю конкретного запроса относительно общего числа запросов в Baseline Geographic Region.

Search Query Log (Журнал поисковых запросов)

Хранилище данных, содержащее информацию о полученных поисковых запросах, включая связанные с ними географические идентификаторы.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод обнаружения локальных запросов.

1. Система идентифицирует поисковый запрос из журнала (Search Query Log).
2. Генерируется Geo-Query Count: сколько раз этот запрос был получен в конкретном географическом регионе за период.
3. Geo-Query Count сравнивается с Expected Query Count для этого региона.
4. Важно: Expected Query Count рассчитывается на основе того, сколько раз запрос был получен в другом, базовом географическом регионе (Baseline Geographic Region).
5. Определяется, превышает ли Geo-Query Count значение Expected Query Count на пороговую величину.
6. Если да, запрос классифицируется как Local Query для данного географического региона.

Claim 2 (Зависимый от 1): Описывает применение классификации.

Если запрос классифицирован как Local Query, система корректирует исходную оценку (Initial Result Score) для как минимум одного Local Search Result (результата, соответствующего данному географическому региону).

Claim 3 (Зависимый от 1): Детализирует процесс обработки нового запроса в реальном времени.

1. Система получает второй (новый) запрос из того же географического региона.
2. Получаются исходные оценки (Initial Result Scores) для результатов.
3. Определяется, что новый запрос соответствует ранее классифицированному Local Query.
4. Определяется, что хотя бы один из результатов является Local Search Result.
5. Система повышает (boosting) Initial Result Score для этого локального результата.

Claim 4 (Зависимый от 3): Определяет вариативность повышения.

Повышение Initial Result Score происходит с использованием Boost Factor, который может быть пропорционален величине, на которую Geo-Query Count превышает Expected Query Count. Чем аномальнее популярность запроса в регионе, тем сильнее может быть бустинг локальных результатов.

Claim 9 (Зависимый от 1): Определяет метод расчета ожидаемой частоты.

Expected Query Count для запроса в регионе рассчитывается на основе общего числа запросов в этом регионе и Query Share этого запроса в базовом регионе. Query Share представляет собой процент запросов в базовом регионе, которые соответствуют данному запросу.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя офлайн-анализ данных для влияния на обработку запросов и ранжирование в реальном времени.

INDEXING – Индексирование и извлечение признаков (Офлайн-анализ)
Основная часть логики патента (анализ логов и классификация запросов) выполняется офлайн или в пакетном режиме.

• Система анализирует Search Query Log, агрегирует данные по географическим регионам.
• Рассчитываются метрики: Query Share (глобально), Geo-Query Count и Expected Query Count (локально).
• Запросы классифицируются как Local Query для конкретных регионов и сохраняются в базе данных.
• Также на этом этапе система должна идентифицировать ресурсы как потенциальные Local Search Results (связать сущности с местоположением).

QUNDERSTANDING – Понимание Запросов
В реальном времени, при получении запроса и географического идентификатора пользователя:

• Система проверяет, соответствует ли входящий запрос какому-либо Local Query, ранее классифицированному для региона пользователя.

RANKING / RERANKING – Ранжирование и Переранжирование
Если запрос определен как Local Query:

• Система идентифицирует Local Search Results среди кандидатов на ранжирование.
• К этим результатам применяется Boost Factor, который увеличивает их Initial Result Scores.
• Происходит финальная сортировка с учетом повышенных оценок.

Входные данные:

• Search Query Log (содержащий запросы и географические идентификаторы).
• Входящий запрос пользователя и его географический идентификатор (в реальном времени).
• Initial Result Scores для результатов поиска.
• База данных классифицированных Local Queries.

Выходные данные:

• Классификация запросов как Local Query для определенных регионов (офлайн).
• Скорректированные оценки ранжирования (с примененным Boost Factor) для Local Search Results (в реальном времени).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с неявным локальным интентом. Это запросы, которые могут иметь как глобальное, так и локальное значение (например, названия достопримечательностей, общие категории бизнеса, локальные события).
• Конкретные типы контента: Влияет на ранжирование страниц, связанных с локальными точками интереса (POI), местными организациями, бизнесами и локальными темами.
• Мобильный поиск: Патент упоминает возможность раздельного анализа логов для мобильных и немобильных устройств, признавая, что пользователи мобильных устройств чаще ищут локальные результаты. Система может классифицировать запрос как локальный только для мобильных пользователей в определенном регионе.

Когда применяется

Алгоритм применяется при выполнении нескольких условий:

• Триггеры активации (Офлайн): Когда Geo-Query Count для запроса в регионе превышает Expected Query Count на заданную пороговую величину (Threshold Amount). Порог может быть процентом (например, +40%) или абсолютным числом.
• Условия применения (В реальном времени):
  • Пользователь отправляет запрос из определенного географического региона (идентифицируется по Geographic Identifier).
  • Введенный запрос точно совпадает или является близким вариантом (related variation) запроса, который ранее был классифицирован как Local Query для этого региона.
  • Среди результатов поиска присутствуют Local Search Results.

Пошаговый алгоритм

Алгоритм состоит из двух основных процессов: офлайн-классификация и обработка запроса в реальном времени.

Процесс А: Офлайн-классификация локальных запросов

1. Доступ к данным: Система получает доступ к Search Query Log за определенный период (например, месяц), содержащему запросы и географические идентификаторы.
2. Расчет базовой линии (Глобально):
   • Определяется Baseline Geographic Region (например, США).
   • Рассчитывается общее количество запросов в базовом регионе.
   • Для каждого запроса рассчитывается Query Share (Частота запроса / Общее количество запросов в базовом регионе).
3. Анализ региона (Локально): Для конкретного географического региона (например, Кантон, Огайо):
   • Рассчитывается общее количество запросов в этом регионе.
   • Для каждого запроса определяется фактическое количество (Geo-Query Count).
   • Для каждого запроса рассчитывается Expected Query Count (Общее количество запросов в регионе * Query Share запроса).
4. Сравнение и определение порога: Geo-Query Count сравнивается с Expected Query Count. Определяется, превышает ли фактическое значение ожидаемое на пороговую величину.
5. Классификация: Запросы, превысившие порог, классифицируются как Local Query для данного региона.
6. (Опционально) Расчет Boost Factor: Может быть рассчитан Boost Factor, пропорциональный степени превышения порога.

Процесс Б: Обработка запроса в реальном времени

1. Получение запроса: Система получает запрос и географический идентификатор пользователя.
2. Проверка локальности запроса: Система определяет, соответствует ли запрос ранее классифицированному Local Query для региона пользователя.
   • Если НЕТ: Используется стандартное ранжирование.
   • Если ДА: Переход к шагу 3.
3. Получение исходных результатов: Генерируется набор результатов с Initial Result Scores.
4. Идентификация локальных результатов: Система определяет, какие из результатов являются Local Search Results (ссылаются на местные точки интереса или темы).
5. Применение повышения (Boosting): К Initial Result Scores локальных результатов применяется Boost Factor.
6. Ранжирование и выдача: Результаты сортируются на основе скорректированных оценок и предоставляются пользователю.

Какие данные и как использует

Данные на входе

Патент в основном полагается на анализ журналов запросов и географические данные.

• Поведенческие факторы: Search Query Log является основным источником данных. Анализируется частота запросов (Query Volume) и их распределение.
• Географические факторы: Критически важные данные. Используются Geographic Identifiers (IP-адреса, GPS, ZIP-коды) для привязки запросов к конкретным регионам (Baseline Geographic Region и конкретные локальные регионы).
• Пользовательские факторы: Упоминается тип устройства (мобильное или нет). Логи могут анализироваться отдельно для разных типов устройств, что приводит к разным классификациям Local Query.
• Контентные факторы (Косвенно): Для идентификации Local Search Result система должна анализировать контент ресурса (текст, адреса, телефоны), чтобы определить его связь с местными точками интереса или темами.

Какие метрики используются и как они считаются

• Query Share: Доля запроса в базовом регионе. $\text{Query Share} = \frac{\text{Кол-во запроса в базовом регионе}}{\text{Общее кол-во запросов в базовом регионе}}$
• Geo-Query Count: Фактическое количество запроса в локальном регионе.
• Expected Query Count: Ожидаемое количество запроса в локальном регионе. $\text{Expected Query Count} = \text{Общее кол-во запросов в локальном регионе} \times \text{Query Share}$
• Threshold Amount (Пороговая величина): Минимальное значение (процент или абсолютное число), на которое Geo-Query Count должен превышать Expected Query Count для классификации запроса как локального.
• Boost Factor: Множитель для повышения оценки локального результата. Может быть фиксированным или пропорциональным степени превышения Geo-Query Count над Expected Query Count.

1. Статистический анализ для определения интента: Google использует статистические аномалии в частоте запросов по регионам как сильный сигнал локального интента. Если запрос необычно популярен в определенной местности, система предполагает, что пользователи ищут что-то местное.
2. Автоматическое обнаружение локального интереса: Механизм позволяет обнаруживать локальный интерес без необходимости явного указания местоположения в запросе (Implicit Local Intent).
3. Динамическое повышение локальных результатов: При обнаружении Local Query система активно повышает (boosts) Local Search Results. Это не просто фактор ранжирования, а триггер для применения специального повышающего коэффициента.
4. Вариативность бустинга: Boost Factor может быть пропорционален уровню локального интереса. Чем сильнее аномалия (превышение Geo-Query Count над Expected Query Count), тем агрессивнее может быть повышение локальных результатов.
5. Разделение мобильного и десктопного интента: Система может отдельно анализировать данные для мобильных устройств, признавая различия в поведении пользователей и вероятности локального поиска. Запрос может быть локальным на мобильных, но не локальным на десктопе в одном и том же регионе.
6. Зависимость от базовой линии: Классификация сильно зависит от выбора Baseline Geographic Region. Сравнение города с провинцией или страной может давать разные результаты.

Best practices (это мы делаем)

• Укрепление связи сущности с локацией: Ключевая задача для локального SEO. Необходимо убедиться, что Google четко ассоциирует вашу организацию (сущность) с конкретным географическим регионом. Это достигается через Google Business Profile, локальные ссылки, упоминания (citations), контент на сайте с указанием адресов и локальных ориентиров. Это гарантирует, что ваш сайт будет идентифицирован как Local Search Result.
• Создание контента под локальные интересы и события: Если в вашем регионе наблюдается всплеск интереса к определенной теме (например, фестиваль, открытие нового объекта), создание качественного контента по этой теме может привести к тому, что соответствующие запросы будут классифицированы как Local Query, а ваш контент получит бустинг.
• Анализ регионального спроса: Используйте инструменты анализа трендов (например, Google Trends) для выявления запросов, которые имеют аномально высокий интерес именно в вашем целевом регионе по сравнению со страной в целом. Это потенциальные кандидаты на Local Query.
• Оптимизация под мобильный поиск: Учитывая, что система может отдельно обрабатывать мобильный интент, критически важно иметь сайт, оптимизированный для мобильных устройств и ориентированный на быстрое предоставление локальной информации (телефон, адрес, часы работы).

Worst practices (это делать не надо)

• Игнорирование локальных сигналов для национальных брендов: Национальный бренд не должен полагаться только на общую авторитетность. Если запрос классифицирован как локальный, система предпочтет локальный результат (например, местный филиал или даже местного конкурента), если он лучше связан с регионом.
• Создание "глобального" контента для локальных тем: Попытка ранжироваться по локально значимому запросу с помощью общей информационной статьи без привязки к местности будет неэффективной, так как механизм бустинга активируется только для Local Search Results.
• Манипуляция локальными трендами: Попытки искусственно накрутить частоту запроса в регионе для его классификации как Local Query сложны в реализации ввиду требуемых объемов и рискованны, так как система использует исторические данные и сложные механизмы обнаружения спама.

Стратегическое значение

Патент подтверждает стратегию Google по гиперлокализации поисковой выдачи. Он показывает, что интент пользователя определяется не только текстом запроса, но и контекстом его местоположения и статистическим поведением других пользователей в этом же регионе. Для SEO это означает, что понимание локального контекста и укрепление географической привязки сущностей (Entity-Location Association) является фундаментом для ранжирования по запросам с неявным локальным интентом. Авторитетность в теме должна быть дополнена авторитетностью в локации.

Практические примеры

Сценарий: Оптимизация сайта музея в городе с высокой туристической активностью

1. Анализ данных: SEO-специалист анализирует Google Trends и видит, что запрос "музей современного искусства" в его городе ищут на 60% чаще, чем в среднем по стране (с поправкой на население).
2. Гипотеза: Google, вероятно, классифицировал этот запрос как Local Query для этого города, согласно патенту.
3. Действия (Укрепление локальной связи): Специалист проверяет, что сайт музея четко идентифицируется как Local Search Result. Он обновляет Google Business Profile, добавляет на сайт блок с подробной картой проезда, упоминанием ближайших станций метро и локальных ориентиров, публикует новости о местных выставках.
4. Ожидаемый результат: Когда пользователи в этом городе (особенно туристы) вводят запрос "музей современного искусства", сайт музея получает Boost Factor и ранжируется выше общих агрегаторов или музеев из других городов, даже если те имеют больший ссылочный вес.

Сценарий: Разделение мобильного и десктопного интента для кафе

1. Анализ данных: Система Google обнаруживает, что запрос "где поесть" в центре города вводится с мобильных устройств в 5 раз чаще ожидаемого, а с десктопов — в пределах нормы.
2. Классификация: Запрос "где поесть" классифицируется как Local Query только для мобильных пользователей в центре города.
3. Действия SEO: Специалист фокусируется на мобильной версии сайта кафе: ускоряет загрузку, выводит на первый экран кнопку "построить маршрут" и актуальное меню.
4. Результат: Пользователь на улице с телефона получает выдачу с сильным бустингом местных кафе (включая целевое). Пользователь дома с десктопа получает более смешанную выдачу (рецепты, обзоры, агрегаторы).