Как Google персонализирует локальную выдачу и ранжирует отзывы, основываясь на отеле, в котором остановился пользователь

Термины и определения

Place of accommodation (Место проживания)

Место, где пользователь останавливается во время путешествия. Примеры включают отели, мотели, кемпинги, хостелы, курорты.

Point of Interest (POI) (Точка интереса)

Объект или событие, связанное с географической локацией. Например, ресторан, магазин, музей, достопримечательность.

Scoring formula (Формула оценки)

Алгоритм, используемый для расчета оценки (score) для POI или отзыва. Ключевая особенность формулы в том, что она придает больший вес отзывам, оставленным пользователями, которые проживали в том же месте, что и текущий пользователь.

User Location History (История местоположений пользователя)

Данные о перемещениях пользователя, которые могут использоваться для определения факта путешествия и идентификации места проживания (например, по локации в ночное время).

Reverse geocoding (Обратное геокодирование)

Процесс определения почтового адреса или идентификатора POI (например, названия отеля) на основе географических координат. Используется для идентификации отеля по местоположению пользователя.

Annotated point of interest search results (Аннотированные результаты поиска по точкам интереса)

Результаты поиска, дополненные информацией, указывающей на то, что они были оценены пользователями, проживавшими в том же месте размещения.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления результатов поиска POI.

1. Система получает поисковый запрос от пользователя.
2. Идентифицируется место проживания (place of accommodation), где остановился пользователь, когда он путешествует (travelling away from home).
3. Идентифицируется набор POI, удовлетворяющих запросу.
4. Для каждого POI рассчитывается оценка (score) согласно scoring formula. Эта формула основана на отзывах о POI.
5. Ключевое условие: Отзывы, оставленные рецензентами, которые проживали в том же месте размещения, имеют большее влияние (greater influence) на оценку, чем отзывы рецензентов, которые там не проживали.
6. Система выбирает один или несколько POI на основе рассчитанных оценок.
7. Система предоставляет аннотированные результаты (annotated point of interest search results), указывающие, что POI был оценен рецензентом, проживавшим в том же месте.

Claim 8 (Зависимый от 1): Описывает механизм сбора данных.

1. Система получает новый отзыв о POI от пользователя.
2. Система ассоциирует текущее место проживания пользователя с этим новым отзывом.

Это критически важный пункт, объясняющий, как система накапливает данные для работы основного алгоритма. Она фиксирует, где жил пользователь в момент написания отзыва.

Claim 15 (Независимый пункт): Описывает метод отбора и ранжирования отзывов на странице POI.

1. Система получает запрос на информацию о POI.
2. Определяется, что пользователь путешествует.
3. Идентифицируется место проживания пользователя.
4. Получается набор отзывов о POI.
5. Идентифицируются отзывы, оставленные рецензентами, проживавшими в том же месте.
6. Рассчитывается оценка для этих отзывов по scoring formula, которая продвигает (promoting) отзывы постояльцев по сравнению с остальными отзывами.
7. Система предоставляет эти отзывы пользователю, аннотируя их указанием на то, что они были оставлены постояльцами того же места проживания.

Где и как применяется

Изобретение затрагивает несколько этапов поисковой архитектуры, преимущественно в стеке локального поиска (Local Search Stack).

CRAWLING – Сканирование и Сбор данных (Data Acquisition)
Система собирает данные о пользователе (User Data) для определения контекста. Это включает анализ истории местоположений (User Location History) и, с согласия пользователя, данных электронной почты для поиска подтверждений бронирования отелей или авиабилетов.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит обработка отзывов. Критически важно, что система не просто сохраняет отзыв, но и определяет место проживания автора в момент написания отзыва и ассоциирует эту информацию с отзывом в базе данных (Review Database).

RANKING – Ранжирование (Локальное ранжирование)
Основное применение патента. При обработке локального запроса от путешественника система динамически рассчитывает scoring formula для POI. Веса отзывов изменяются в реальном времени в зависимости от того, совпадает ли отель пользователя с отелем автора отзыва.

RERANKING / Presentation Layer – Переранжирование и Отображение
На финальном этапе результаты поиска POI аннотируются для указания на персонализацию. Кроме того, при отображении страницы конкретного POI система переранжирует список отзывов, отдавая приоритет отзывам от "соседей" по отелю.

Входные данные:

• Локальный поисковый запрос.
• Данные о пользователе: статус (путешествует/дома), текущее место проживания (идентификатор отеля).
• База данных POI.
• База данных отзывов с привязкой к месту проживания авторов.

Выходные данные:

• Персонализированный ранжированный список POI с аннотациями.
• Отсортированный список отзывов на странице POI.

На что влияет

• Конкретные типы контента: В первую очередь влияет на отображение локальных результатов поиска (Google Maps, Local Pack) и страницы конкретных локальных бизнесов (POI Place Pages).
• Специфические запросы: Запросы с локальным интентом (рестораны, кафе, бары, достопримечательности, услуги), выполняемые пользователями во время путешествий.
• Конкретные ниши или тематики: Наибольшее влияние оказывается на индустрию гостеприимства (HoReCa – Hotels, Restaurants, Cafes), туризм и развлечения.

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Триггеры активации:
  1. Пользователь выполняет поиск с локальным интентом.
  2. Система определила, что пользователь находится вне домашнего региона (travelling away from home).
  3. Система смогла идентифицировать текущее place of accommodation пользователя.
• Исключения: Если пользователь не путешествует или его место проживания не удалось определить, применяется стандартная процедура ранжирования.

Пошаговый алгоритм

Процесс А: Ранжирование POI

1. Получение запроса: Система получает локальный запрос от пользователя.
2. Проверка контекста пользователя: Определяется, путешествует ли пользователь.
   • Если НЕТ: Применить стандартное ранжирование.
   • Если ДА: Перейти к шагу 3.
3. Идентификация проживания: Определяется текущее место проживания пользователя (Hotel X). Методы: парсинг email, анализ ночной геолокации, детекция длительного визита в отель.
4. Идентификация кандидатов: Определяется набор POI, релевантных запросу.
5. Расчет персонализированной оценки: Для каждого POI:
   1. Получение отзывов о POI.
   2. Сегментация отзывов:
      Группа А: Отзывы, оставленные постояльцами Hotel X.
      Группа Б: Все остальные отзывы.
   3. Применение scoring formula: Рассчитывается итоговая оценка, при этом отзывы Группы А получают значительно больший вес (greater influence), чем отзывы Группы Б.
6. Ранжирование: POI сортируются на основе персонализированных оценок.
7. Аннотирование: К выбранным результатам добавляются аннотации (например, "Средняя оценка гостей Hotel X").
8. Предоставление результатов: Отображение персонализированной выдачи пользователю.

Процесс Б: Сбор данных (Фоновый процесс)

1. Мониторинг активности пользователя: Пользователь посещает POI и оставляет отзыв.
2. Идентификация контекста отзыва: Система определяет текущее место проживания пользователя в момент оставления отзыва.
3. Сохранение отзыва: Отзыв сохраняется в базе данных с ассоциацией с этим местом проживания.

Какие данные и как использует

Данные на входе

Система в значительной степени полагается на пользовательские и географические данные.

• Пользовательские факторы:
  • История местоположений (User Location History): Используется для определения паттернов перемещения, идентификации домашнего региона и определения местоположения в ночное время для идентификации отеля.
  • Данные Email (с согласия пользователя): Парсинг для поиска подтверждений бронирования авиабилетов (факт путешествия) и отелей (идентификация места проживания).
  • Данные об отзывах: Оценка, текст отзыва, а также критически важный мета-параметр: идентификатор места проживания автора отзыва на момент его написания.
• Географические факторы:
  • Текущее местоположение пользователя: Используется как центр для локального поиска.
  • Координаты POI и отелей: Используются для reverse geocoding и расчета расстояний.

Какие метрики используются и как они считаются

• Score (Оценка POI): Основная метрика ранжирования, рассчитываемая с помощью scoring formula.
• Weighted average (Взвешенное среднее): Патент предполагает использование взвешенного среднего как возможной реализации scoring formula. Система рассчитывает среднюю оценку от постояльцев того же отеля и среднюю оценку от остальных пользователей, применяя к первой значительно больший вес.
• Пороговые значения:
  • Расстояние от дома: Порог для определения факта путешествия (например, >10 миль).
  • Время пребывания: Порог для определения того, что пользователь остановился в отеле (например, пребывание в течение ночи или длительный визит >30 минут).

1. Локальная релевантность контекстуальна и динамична: Патент демонстрирует, что оценка качества и релевантности POI не является абсолютной величиной. Она динамически пересчитывается в зависимости от контекста пользователя, в частности, от места его проживания. Ранжирование одного и того же POI будет разным для людей, остановившихся в разных отелях.
2. Сегментация предпочтений по месту проживания: Google исходит из предположения, что выбор отеля является сильным индикатором предпочтений пользователя (бюджет, стиль отдыха, ожидания от сервиса). Люди, останавливающиеся в одном месте, формируют поведенческий кластер со схожими интересами.
3. Критичность контекста отзыва: Для работы системы необходимо не просто собирать отзывы, но и фиксировать контекст, в котором они были оставлены (а именно, где проживал автор в этот момент). Это меняет подход к ценности отзывов – контекстуально релевантный отзыв ценится выше.
4. Персонализация через аннотации: Система не только изменяет ранжирование, но и явно сообщает об этом пользователю через аннотации (например, "Отзыв от гостя вашего отеля"). Это повышает доверие пользователя к рекомендациям.
5. Зависимость от пользовательских данных: Эффективность механизма напрямую зависит от способности Google собирать и анализировать персональные данные (историю локаций, email) для точной идентификации места проживания.

Best practices (это мы делаем)

• Понимание локальной экосистемы (для POI): Ресторанам, магазинам и другим локальным бизнесам необходимо понимать, откуда приходят их клиенты. Нужно анализировать, гости каких отелей составляют целевую аудиторию, и фокусироваться на удовлетворении их потребностей.
• Стимулирование контекстных отзывов: Критически важно мотивировать клиентов оставлять отзывы непосредственно во время визита или вскоре после него, пока Google все еще ассоциирует их с местом проживания. Отзыв, оставленный по возвращении домой, не получит повышенного веса для будущих гостей отеля.
• Локальное партнерство и таргетинг: POI могут выстраивать партнерские отношения с конкретными отелями. Зная, что Google связывает аудитории, можно оптимизировать маркетинг и сервис под ожидания гостей партнёрского отеля, чтобы стимулировать положительные отзывы от этого сегмента и улучшить видимость для него.
• Анализ источников отзывов: Необходимо отслеживать (если возможно) или предполагать, из каких отелей приходят авторы отзывов. Это поможет понять, для каких сегментов бизнес ранжируется хорошо, а для каких – плохо.

Worst practices (это делать не надо)

• Накрутка обобщенных отзывов: Использование несегментированных накруток отзывов становится менее эффективным. В туристических зонах несколько релевантных отзывов от гостей ключевого отеля могут перевесить десятки общих положительных отзывов благодаря scoring formula.
• Игнорирование сегментации аудитории: Попытка угодить всем (и гостям люксовых отелей, и бэкпекерам из хостелов) может привести к усредненным отзывам от всех сегментов и, как следствие, к отсутствию приоритета в ранжировании для любой из групп.
• Отложенный сбор отзывов: Просьба оставить отзыв через неделю после визита (например, через email-рассылку) может привести к потере контекста проживания, что снизит ценность этого отзыва для локального ранжирования.

Стратегическое значение

Патент подтверждает стратегический фокус Google на гиперперсонализации локального поиска. Для SEO в сфере HoReCa и локального бизнеса это означает переход от чисто географической оптимизации к поведенческой и контекстуальной. Необходимо учитывать не только "где находится бизнес", но и "кто его посещает" и "где эти люди останавливаются". Долгосрочная стратегия должна включать глубокое понимание локальной туристической экосистемы и выстраивание репутации внутри конкретных поведенческих кластеров, формируемых отелями.

Практические примеры

Сценарий: Оптимизация ресторана под целевой сегмент

1. Ситуация: Ресторан высокой кухни расположен в туристическом центре, рядом находятся 5-звездочный отель (Hotel Luxury) и 3-звездочный отель (Hotel Budget).
2. Анализ: Общий рейтинг ресторана 4.2. Однако анализ показывает, что гости Hotel Luxury ставят в среднем 4.8, а гости Hotel Budget – 3.5 (из-за высоких цен).
3. Работа патента: Пользователь, остановившийся в Hotel Luxury, ищет "ужин рядом". Google применяет scoring formula. Отзывы от гостей Hotel Luxury (4.8) получают повышенный вес. Ресторан ранжируется высоко. Пользователь, остановившийся в Hotel Budget, также ищет "ужин рядом". Отзывы от гостей Hotel Budget (3.5) получают повышенный вес. Ресторан ранжируется низко.
4. SEO-действие: Ресторан принимает стратегическое решение фокусироваться на сегменте Luxury. Он вводит комплименты для гостей Hotel Luxury и активно стимулирует их оставлять отзывы во время ужина.
5. Результат: Увеличение количества отзывов от целевого сегмента улучшает видимость ресторана именно для гостей Hotel Luxury, обеспечивая поток релевантных клиентов.