Как Google корректирует ранжирование для обеспечения разнообразия категорий в локальном поиске

Термины и определения

Category (Категория)

Класс точек интереса (POIs) или бизнесов, имеющих общие характеристики (например, "Ресторан", "Музей").

Category Diversification Engine (Механизм диверсификации категорий)

Компонент системы (серверный или клиентский), отвечающий за применение Scaling Factors и генерацию финального ранжирования для обеспечения разнообразия.

Non-scaled score (Исходная оценка)

Оценка ранжирования, присвоенная результату до применения алгоритмов диверсификации. Может основываться на релевантности, расстоянии, отзывах и т.д.

POI (Point of Interest, Точка интереса)

Конкретная локация или бизнес (кандидат), релевантный локальному поисковому запросу.

POI ID Engine (Механизм идентификации POI)

Компонент системы, который генерирует первичный набор кандидатов (POIs) с их категориями и non-scaled scores.

Scaled Score (Масштабированная оценка)

Итоговая оценка ранжирования после применения Scaling Factor к non-scaled score.

Scaling Factor (Масштабирующий коэффициент)

Множитель (например, в процентах), используемый для корректировки исходной оценки. Определяется на основе категории результата и его ранга внутри этой категории. Может быть динамическим.

Sub-category (Подкатегория)

Более узкий класс внутри категории (например, "Restaurant: Indian"). Патент указывает, что механизм может применяться как к категориям, так и к подкатегориям.

Ключевые утверждения (Анализ Claims)

Патент содержит два ключевых независимых пункта (Claim 1 и Claim 22), описывающих разные аспекты механизма.

Claim 1 (Независимый пункт): Описывает общий метод обеспечения разнообразия POIs.

1. Система получает запрос на идентификацию POIs с указанием географической локации.
2. Получаются данные: кандидаты (POIs), их категории и non-scaled scores.
3. Происходит масштабирование (scaling) non-scaled scores для одной или нескольких категорий. Ключевой момент: масштабирование основано на количестве кандидатов (respective number of candidate POIs), связанных с каждой из этих категорий.
4. Происходит ранжирование всех кандидатов с использованием масштабированных оценок (для обработанных категорий) и исходных оценок (для остальных).
5. Предоставляются итоговые данные.

Claim 22 (Независимый пункт): Описывает метод, фокусирующийся на идентификации перепредставленности и понижении (demoting).

1. Система получает поисковый запрос и идентифицирует бизнесы и их оценки релевантности.
2. Определяется, включают ли Топ-N результатов больше предопределенного числа бизнесов определенной категории (Триггер перепредставленности).
3. Если ДА, система понижает (demoting) оценку релевантности конкретного бизнеса из этой категории.
4. После понижения происходит переранжирование (re-ranking).
5. Предоставляются Топ-M ранжированных бизнесов.

Claim 3, 4, 5 (Зависимые от 1): Детализируют логику масштабирования.

Масштабирование может включать: увеличение (Claim 3), оставление без изменений (Claim 4) или уменьшение (Claim 5) исходных оценок для Топ-N кандидатов внутри категории.

Claim 6, 7 (Зависимые от 1): Описывают динамическое определение Scaling Factor.

• Фактор может определяться динамически на основе non-scaled score лучшего кандидата из другой категории (Claim 6). Это позволяет "подтянуть" лидера слабой категории к лидеру сильной категории.
• Фактор может определяться динамически на основе общего количества кандидатов в этой категории (Claim 7).

Claim 26 (Зависимый от 22): Детализирует механизм понижения.

Понижение является более агрессивным для бизнесов с более низким рангом внутри категории. Если Бизнес А ранжируется ниже Бизнеса Б (в той же категории), то к Бизнесу А применяется более сильное понижение, чем к Бизнесу Б.

Где и как применяется

Изобретение применяется в системах локального поиска (Local Search) и затрагивает финальные этапы формирования выдачи.

RANKING – Ранжирование (в контексте локального поиска)
POI ID Engine выполняет первичный отбор и ранжирование кандидатов на основе стандартных факторов (расстояние, релевантность, популярность), генерируя non-scaled scores.

RERANKING – Переранжирование
Основной этап применения патента. Category Diversification Engine (или Scaling Engine на клиенте) активируется для корректировки результатов с целью обеспечения разнообразия. Это классический пример работы Твидлера (Twiddler).

1. Анализ распределения: Система анализирует категории результатов, полученных на этапе RANKING.
2. Ранжирование внутри категорий: Кандидаты ранжируются внутри своих групп.
3. Масштабирование: Применяются Scaling Factors для корректировки оценок, основываясь на ранге внутри категории и/или уровне представленности категории.
4. Финальное ранжирование: Происходит объединение и сортировка всех результатов по итоговым оценкам.

Технические особенности:

• Патент описывает реализацию как на стороне сервера (Server-side), так и на стороне клиента (Client-side). В клиентском варианте переранжирование выполняется локально на устройстве пользователя после получения данных от сервера.

Входные данные:

• Географическая локация.
• Первичный набор POIs/Бизнесов.
• Категория для каждого POI.
• Non-scaled score для каждого POI.

Выходные данные:

• Переранжированный список POIs с обеспеченным разнообразием категорий в топе.

На что влияет

• Конкретные типы контента: В первую очередь влияет на точки интереса (POIs) и локальные бизнесы (рестораны, магазины, музеи и т.д.) в Google Maps и Local Pack.
• Специфические запросы: Наибольшее влияние на общие локальные запросы (например, "что рядом", "интересные места") или запросы в локациях с высокой плотностью однотипных объектов (например, поиск в торговом центре).
• Конкретные ниши или тематики: Влияет на конкурентные локальные ниши (например, общепит), где большое количество объектов с высокими оценками может вытеснять другие типы бизнесов.

Когда применяется

Алгоритм применяется для обеспечения разнообразия, условия его активации могут варьироваться:

• Триггеры активации (Claim 22): Когда Топ-N результатов содержит больше предопределенного числа бизнесов одной категории (идентификация перепредставленности).
• Альтернативный подход (Claim 1): Может применяться ко всем категориям, где масштабирование зависит от количества кандидатов в категории (например, ко всем, где больше одного кандидата).
• Исключения: Система может не применять масштабирование к категориям, содержащим только один результат (singleton candidate POI), так как они не считаются перепредставленными.

Пошаговый алгоритм

Процесс обеспечения разнообразия категорий:

1. Получение запроса и кандидатов: POI ID Engine генерирует первичный список кандидатов (POI Collection), включая категории и non-scaled scores.
2. Группировка по категориям: Category Diversification Engine группирует кандидатов по их категориям.
3. Ранжирование внутри категорий: Внутри каждой категории кандидаты ранжируются по их non-scaled scores (например, Ресторан Р1, Р2, Р3; Музей М1, М2).
4. Выбор категорий для масштабирования: Система определяет, к каким категориям применять масштабирование (например, к тем, которые превышают порог в Топ-N).
5. Определение Scaling Factors: Для каждой выбранной категории и для каждого ранга внутри нее определяется Scaling Factor. Коэффициенты могут быть предопределены или вычислены динамически.
   • Пример: Ранг 1: 120%, Ранг 2: 90%, Ранг 3: 60%, Ранг 5+: 0%.
6. Применение масштабирования: Non-scaled scores умножаются на соответствующие Scaling Factors для получения Scaled Scores.
7. Объединение результатов: Все кандидаты объединяются в единый список (Category-diversified POI collection).
8. Финальное переранжирование: Единый список сортируется по итоговым оценкам.
9. Предоставление результатов: Диверсифицированный список предоставляется пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании следующих данных для диверсификации:

• Географические факторы: Локация пользователя или интересующая его область используется для первичного отбора POIs.
• Структурные факторы (Данные о бизнесе): Критически важным является точная Категория (Category) или Подкатегория (Sub-category), присвоенная POI или бизнесу.
• Системные данные (Метрики ранжирования): Non-scaled score (или Relevance score). Патент не детализирует его расчет, но упоминает, что он может включать расстояние, количество и качество отзывов.

Какие метрики используются и как они считаются

• Ранг внутри категории (Intra-Category Rank): Позиция POI среди других POIs той же категории на основе non-scaled score.
• Scaling Factor (Масштабирующий коэффициент): Множитель, применяемый к оценке. Патент описывает несколько способов его определения:
  • Предопределенные таблицы: Заранее заданные значения для комбинации Категория + Ранг (например, Ресторан, Ранг 1 = 120%; Музей, Ранг 1 = 130%).
  • Динамический расчет (Claim 7): На основе общего количества кандидатов в категории.
  • Динамический расчет (Claim 6): На основе оценки лучшего результата в другой категории.
• Порог перепредставленности (Claim 22): Предопределенное число, которое определяет максимальное допустимое количество результатов одной категории в Топ-N.

Логика масштабирования:

• Повышение лидеров: Топовые результаты (Ранг 1, 2) часто получают повышение (Scaling Factor > 100%) для обеспечения их видимости.
• Агрессивное понижение (Claim 26): Результаты с более низким рангом внутри категории понижаются более значительно. Это освобождает место в выдаче для других категорий.

1. Разнообразие как цель ранжирования: Патент подтверждает, что обеспечение разнообразия категорий является явной целью Google в локальном поиске. Система активно корректирует исходные оценки ранжирования (non-scaled scores), чтобы избежать доминирования одной категории.
2. Критичность ранга внутри категории: Механизм масштабирования напрямую зависит от ранга результата внутри его собственной категории. Быть лучшим в своей категории критически важно, так как это обеспечивает повышение или минимальное понижение.
3. Агрессивное понижение не-лидеров: Система агрессивно понижает результаты, которые не являются лидерами в своих категориях, особенно если категория перепредставлена. Scaling Factors могут снижать оценку до 0% для результатов ниже определенного ранга (например, 5+), как показано в примерах патента.
4. Динамическое масштабирование: Scaling Factors не обязательно статичны. Они могут динамически адаптироваться в зависимости от контекста выдачи: общего количества результатов в категории или оценок лидеров в других категориях.
5. Сохранение порядка внутри категории: Несмотря на масштабирование, относительный порядок результатов внутри одной категории сохраняется (Claim 26). Изменяется только их положение относительно результатов других категорий.
6. Применимость к подкатегориям: Механизм может применяться не только к основным категориям (Ресторан), но и к подкатегориям (Ресторан: Итальянский), обеспечивая более гранулярное разнообразие.

Best practices (это мы делаем)

• Точное и специфичное категоризирование (Google Business Profile): Критически важно выбрать наиболее точную основную и дополнительные категории для бизнеса. Это определяет, с кем вы конкурируете за ранг внутри категории. Выбор слишком широкой категории может привести к конкуренции с большим количеством сильных игроков и, как следствие, к более низкому рангу внутри категории и агрессивному понижению.
• Стратегия "Лидер в категории": Сосредоточьте усилия на том, чтобы стать одним из Топ-1-3 бизнесов в вашей конкретной категории в данном географическом районе. Алгоритм диверсификации вознаграждает лидеров категорий (повышение или сохранение оценки) и наказывает отстающих (понижение).
• Анализ конкурентов внутри категории: При анализе локальной выдачи оценивайте не только общую картину, но и распределение сил внутри вашей категории. Понимайте, какие факторы (отзывы, релевантность, расстояние) определяют non-scaled score ваших прямых конкурентов.
• Оптимизация под разные уровни категоризации: Если система применяет диверсификацию к подкатегориям, важно быть лидером не только в широкой категории (например, "Ремонт"), но и в узкой специализации (например, "Ремонт стиральных машин").

Worst practices (это делать не надо)

• Неправильное категоризирование (Category Spam): Попытки манипулировать категориями для попадания в менее конкурентные группы могут привести к низкой исходной релевантности (non-scaled score) и не дадут эффекта.
• Игнорирование прямых конкурентов: Фокусироваться только на общей оптимизации без учета позиций относительно прямых конкурентов в той же категории опасно. Даже при хороших общих сигналах, низкий ранг внутри переполненной категории приведет к пессимизации.
• Стратегия «середняка»: Пытаться конкурировать в очень широких и переполненных категориях, не имея достаточного авторитета, чтобы войти в Топ-3 этой категории локально. Система активно понижает такие бизнесы.

Стратегическое значение

Патент подчеркивает важность структурированных данных и классификации в локальном поиске. Google использует категории как ключевой элемент для управления разнообразием выдачи. Стратегически это означает, что понимание того, как Google классифицирует ваш бизнес и кто является вашими прямыми конкурентами в рамках этой классификации, становится определяющим фактором видимости. Алгоритмы диверсификации могут быть причиной, по которой менее популярный, но уникальный для своей категории бизнес получает преимущество над очередным популярным бизнесом из перепредставленной категории.

Практические примеры

Сценарий: Оптимизация для кофейни в районе с высокой конкуренцией

1. Ситуация: Пользователь ищет "места рядом" в бизнес-центре. Исходная выдача (по non-scaled scores) состоит из 5 ресторанов (Р1-Р5) и 1 кофейни (К1, на 6 месте).
2. Анализ: Категория "Ресторан" перепредставлена. Категория "Кофейня" недопредставлена.
3. Действие системы: Система ранжирует объекты внутри категорий и применяет Scaling Factors.
   • Р1 (120%), Р2 (90%), Р3 (60%), Р4 (50%), Р5 (0%).
   • К1 (130% - буст для обеспечения разнообразия).
4. Результат: В финальной выдаче К1 получает значительное повышение и может занять 1 или 2 позицию. Рестораны Р4 и Р5 сильно понижаются или исчезают из видимой части выдачи.
5. SEO-действие: Владелец кофейни должен убедиться, что его основная категория указана точно ("Кофейня"). Необходимо максимизировать сигналы (отзывы, фото), чтобы гарантировать сохранение статуса К1 (лидера своей категории) на случай появления других кофеен в районе.