Как Google использует историю местоположений для определения физической активности пользователя и гиперперсонализации поиска

Термины и определения

User Activity (Активность пользователя)

Действие, которым занят пользователь, определенное на основе анализа его местоположений во времени. Включает как цель (шоппинг, поездка на работу), так и способ передвижения.

Mode of transportation (Способ передвижения)

Как пользователь перемещается (например, пешком, на велосипеде, на машине, общественным транспортом). Определяется в основном на основе скорости перемещения, маршрута и посещенных локаций.

Location Recognition Engine (Механизм распознавания местоположения)

Компонент системы, который идентифицирует местоположение пользователя и определяет его User Activity на основе истории перемещений.

Activity Suggestion Engine (Механизм предложения активностей)

Компонент, отвечающий за идентификацию и предоставление пользователю проактивных рекомендаций (user activity suggestion) на основе его текущей активности.

Threshold Distance (Пороговое расстояние)

Максимальное расстояние до предлагаемой локации. Это значение динамически изменяется в зависимости от определенного способа передвижения пользователя (например, для пешехода порог ниже, чем для водителя).

Threshold Detour Distance (Пороговое расстояние отклонения от маршрута)

Максимальное расстояние, на которое пользователь может отклониться от предполагаемого маршрута, чтобы воспользоваться рекомендацией.

Entities (Сущности)

Люди, места, концепции или вещи. В контексте патента это могут быть конкретные локации (ресторан, магазин), типы локаций или виды деятельности (например, сущность "hiking" - поход).

Partial Query (Частичный запрос)

Запрос, введенный пользователем до того, как он указал на его завершение. Используется для генерации поисковых подсказок (query suggestions).

Ключевые утверждения (Анализ Claims)

Патент разделен на два основных направления: проактивные предложения и реактивная адаптация поиска.

Направление 1: Проактивные предложения (Claims 1-10)

Claim 1 (Независимый пункт): Описывает базовый метод предоставления рекомендаций.

1. Идентификация множества местоположений пользователя за период времени.
2. Определение активности пользователя на основе этих местоположений.
3. Определение предложения активности (user activity suggestion) на основе определенной активности.
4. Предоставление этого предложения пользователю.

Claim 4, 5, 6 (Зависимые): Уточняют роль способа передвижения.

• Активность включает mode of transportation, и предложение должно быть совместимо (conducive) с ним (Claim 4).
• Если это общественный транспорт, предложение должно быть рядом с маршрутом (Claim 5).
• Если это ходьба, предложение должно быть в пределах порогового расстояния пешей доступности (threshold walking distance) (Claim 6).

Система адаптирует понятие "близости" в зависимости от того, как пользователь перемещается.

Claim 7, 8, 9 (Зависимые): Детализируют роль времени, проведенного в локации.

1. Система определяет время, проведенное в конкретном месте (Claim 7).
2. Предложение зависит от того, превышает ли это время определенный порог (Claim 8).
3. Пример (Claim 9): Если пользователь провел в ресторане мало времени (порог не достигнут), ему предлагается другой ресторан. Если много времени (порог достигнут, т.е. он поел), ему предлагается активность, не связанная с полноценным приемом пищи.

Продолжительность пребывания используется для определения стадии активности и следующего релевантного шага.

Направление 2: Адаптация поиска и подсказок (Claims 11-18)

Claim 11 (Независимый пункт): Описывает базовый метод адаптации результатов под активность.

1. Идентификация местоположений и определение активности пользователя.
2. Получение ввода от пользователя (user input).
3. Предоставление результатов для этого ввода на основе определенной активности.

Claim 14 (Зависимый): Уточняет, что если ввод — это поисковый запрос, то результаты поиска ранжируются (ranked) на основе определенной активности.

Claim 15 (Зависимый): Уточняет альтернативный вариант: поисковый запрос модифицируется (modifying the search query) на основе активности, и результаты предоставляются для модифицированного запроса.

Claim 17, 18 (Зависимые): Уточняют, что если ввод — это (частичный) запрос, то результатами являются поисковые подсказки (query suggestions). Они могут быть ранжированы (Claim 17) или сгенерированы (Claim 18) на основе активности.

Где и как применяется

Изобретение интегрирует данные о физическом мире в процесс обработки запросов и ранжирования.

CRAWLING & Data Acquisition – Сбор данных
Система постоянно собирает данные о местоположении пользователя (GPS, Wi-Fi, cellular triangulation) и сенсорные данные (например, с акселерометра) с его устройства.

INDEXING – Индексирование и извлечение признаков
На этом этапе система обрабатывает данные о локациях (Entities). Location Recognition Engine использует базу данных, чтобы определить тип физического места (ресторан, автобусная остановка, парк). Также происходит ассоциирование веб-документов с этими сущностями и активностями (например, связь веб-страницы с сущностью "hiking").

QUNDERSTANDING – Понимание Запросов
Ключевой этап применения. Система интерпретирует интент пользователя, используя не только текст запроса, но и определенную user activity. Это может включать:

• Модификацию запроса (Claim 15): Добавление терминов, связанных с активностью (например, добавление слова "bus" к запросу "routes", если пользователь едет на автобусе).
• Генерацию подсказок (Claim 18): Создание query suggestions, релевантных текущей активности.

RANKING / RERANKING – Ранжирование и Переранжирование
User Activity используется как сильный сигнал персонализации:

• Ранжирование результатов поиска (Claim 14): Повышение (boosting) результатов, которые связаны с определенной активностью (например, повышение сайтов о походных ботинках, если пользователь в походе).
• Корректировка локального ранжирования: Применение ограничений, таких как Threshold Distance для текущего вида транспорта.

Входные данные:

• История местоположений пользователя (координаты и временные метки).
• Данные сенсоров устройства (акселерометр).
• База данных локаций, их типов (Entities) и маршрутов транспорта.
• Ввод пользователя (запрос или частичный запрос).

Выходные данные:

• Определенная активность пользователя (User Activity) и способ передвижения (Mode of transportation).
• Персонализированные поисковые результаты и подсказки.
• Проактивные предложения активностей.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на Локальный Поиск (Local SEO), мобильный E-commerce, туризм, рестораны и спорт/хобби. Влияет на ранжирование локальных страниц, товаров и услуг.
• Специфические запросы: Сильно влияет на запросы с локальным интентом и запросы, чей интент неоднозначен без физического контекста (например, запрос "ботинки" интерпретируется по-разному в зависимости от того, находится ли пользователь в торговом центре или на горной тропе).
• Мобильный поиск: Влияние максимально, так как именно мобильные устройства предоставляют непрерывный поток данных о местоположении.

Когда применяется

• Условия работы: Алгоритм работает при условии, что пользователь разрешил сбор данных о местоположении и собрано достаточно данных для выявления паттерна (скорость, время пребывания, маршрут).
• Триггеры активации: Получение новых данных о местоположении (для проактивных предложений) или ввод пользователем запроса (для реактивной персонализации).
• Пороговые значения: Применяются пороги времени (например, для определения, завершился ли обед) и пороги расстояния (для определения доступности рекомендации в зависимости от вида транспорта).

Пошаговый алгоритм

Этап 1: Сбор и обработка данных о местоположении

1. Идентификация местоположений: Система периодически или асинхронно получает данные о локации пользователя.
2. Определение типа локации: Каждое местоположение сопоставляется с базой данных Entities для определения его типа (например, ресторан, магазин, остановка).
3. Фиксация времени: Записывается продолжительность пребывания (time spent) в каждой локации.

Этап 2: Определение активности пользователя (User Activity Determination)

1. Анализ перемещения: Расчет скорости движения между точками для определения вида транспорта.
2. Анализ маршрута: Сопоставление пути пользователя с известными маршрутами (дороги, тропы, маршруты общественного транспорта).
3. Анализ пребывания: Оценка времени, проведенного в локации. Например, 1 час в магазине указывает на шоппинг; 5 минут может указывать на транзит.
4. Интеграция сенсорных данных: Использование данных акселерометра для различения ходьбы, бега или езды.
5. Вывод активности: Агрегация всех данных для определения наиболее вероятной User Activity (возможно, с присвоением уровней уверенности — confidence levels).

Этап 3: Применение активности для персонализации

Путь А: Реактивный (Обработка запроса)

1. Получение ввода: Пользователь вводит полный или частичный запрос.
2. Персонализация подсказок: Если ввод частичный, система генерирует или реранжирует подсказки, связанные с User Activity.
3. Модификация запроса (Опционально): Система может добавить термины к запросу на основе активности.
4. Персонализация ранжирования: Повышение ранга результатов, которые связаны (например, через Entities) с определенной User Activity.

Путь Б: Проактивный (Генерация рекомендаций)

1. Идентификация возможностей: Поиск потенциальных активностей или локаций, связанных с текущей User Activity.
2. Проверка порогов:
   • Проверка Threshold Distance: Достаточно ли близко находится локация для текущего вида транспорта?
   • Проверка уместности: Подходит ли предложение к активности (например, не предлагать покупку крупногабаритного товара пешеходу)?
   • Проверка времени: Учитывается ли стадия текущей активности (например, предлагать кино только после завершения обеда)?
3. Предоставление рекомендации: Если пороги соблюдены, пользователю предоставляется Activity Suggestion.

Какие данные и как использует

Данные на входе

Система использует преимущественно данные, связанные с пользователем и его окружением в реальном мире.

• Географические факторы: Ключевые данные. Множество местоположений пользователя (plurality of user locations), полученных через GPS, Wi-Fi, сотовую триангуляцию, RFID.
• Временные факторы: Время, проведенное в локации (time spent at a given location). Временные метки для каждого местоположения. Время суток.
• Пользовательские факторы:
  • Данные сенсоров устройства (акселерометр) для определения характера движения.
  • Чек-ины (Check-in), инициированные пользователем.
  • Установленные пользователем предпочтения (например, предпочитаемый транспорт).
• Структурные данные (Внешние): Данные о типах локаций (идентификация Entities: ресторан, остановка), маршрутах общественного транспорта и расписаниях.

Какие метрики используются и как они считаются

• Скорость перемещения: Рассчитывается как расстояние между двумя местоположениями, деленное на время перемещения. Используется для определения mode of transportation.
• Пороговое расстояние (Threshold Distance): Метрика доступности. Значение динамически определяется на основе выведенного вида транспорта (например, 0.5 мили для пешехода, 5 миль для водителя).
• Порог времени пребывания (Threshold Time): Заданное значение продолжительности, указывающее на завершение определенного действия (например, время для обеда). Сравнение фактического времени пребывания с этим порогом меняет тип предоставляемых рекомендаций (Claim 8).
• Пороговое расстояние отклонения (Threshold Detour Distance): Максимально допустимое отклонение от предполагаемого маршрута пользователя.
• Уровень уверенности (Confidence Level): Вероятностная оценка корректности выведенной User Activity.
• Связь с сущностями (Entity Association): Используется при ранжировании. Система оценивает связь между поисковыми результатами/подсказками и Entities, ассоциированными с текущей User Activity (например, сущность "Hiking").

1. Физическая активность как ключевой сигнал контекста: Патент демонстрирует механизм, где реальные действия пользователя (перемещение, посещение мест) становятся мощным сигналом для понимания его намерений, который может дополнять или даже переопределять текст запроса.
2. Динамическое изменение интента и релевантности: Интент запроса и понятие "релевантности" (особенно в локальном поиске) динамичны. Релевантность локации зависит не только от близости, но и от способа передвижения пользователя (mode of transportation) и его текущей задачи.
3. Критичность связи Контент-Сущность-Активность: Для ранжирования в такой системе необходимо, чтобы контент был четко ассоциирован с Entities, которые связаны с определенными видами активности (например, страница о ботинках должна быть связана с сущностью "Hiking", чтобы получить буст, когда пользователь в походе).
4. Время пребывания уточняет интент: Продолжительность нахождения в локации используется для определения стадии активности (например, только зашел в ресторан или уже закончил есть). Это напрямую влияет на то, какие рекомендации будут даны дальше.
5. Гиперперсонализация через модификацию и реранжирование: Система агрессивно адаптирует выдачу, не только повышая релевантные результаты, но и переписывая запрос пользователя или изменяя набор поисковых подсказок на основе выведенной активности.

Best practices (это мы делаем)

• Усиление связи с Сущностями Деятельности (Activity Entities): Необходимо убедиться, что контент четко ассоциирован с Entities, обозначающими виды деятельности. Если вы продаете походное снаряжение, ваш контент должен быть семантически связан с сущностями "Hiking", "Camping". Это увеличит вероятность бустинга (Claim 14), когда система определит соответствующую активность пользователя.
• Максимизация точности данных в Local SEO (GBP): Критически важно обеспечить точность местоположения и категорий бизнеса. Это позволяет Location Recognition Engine корректно идентифицировать тип локации.
• Оптимизация под контекст перемещения: Указывайте атрибуты доступности в GBP и на сайте. Наличие парковки (важно, если активность — "поездка на автомобиле"), близость к остановкам общественного транспорта (важно, если активность — "поездка на автобусе"). Система предпочтет локацию, совместимую с видом транспорта пользователя (Claims 4-6).
• Создание контента, релевантного стадиям активности: Разрабатывайте контент, который соответствует разным стадиям активности. Например, если вы кинотеатр рядом с ресторанами, создавайте контент о "развлечениях после ужина". Система может предложить вашу локацию после того, как определит, что пользователь закончил есть (Claim 9: время пребывания превысило порог).
• Оптимизация под контекстуальный интент: Анализируйте, в каких физических ситуациях пользователи могут искать ваш продукт. Создавайте контент, отвечающий на запросы в этих специфических контекстах (например, "ремонт велосипеда в дороге", "быстрый перекус у метро").

Worst practices (это делать не надо)

• Фокус только на тексте запроса и близости: Игнорирование физического контекста. Полагаться только на то, что ваш бизнес находится ближе всего к пользователю. Если доступ к нему неудобен для текущего вида транспорта пользователя (mode of transportation), система может предпочесть более далекого конкурента.
• Пренебрежение мобильным UX: Данная технология в первую очередь ориентирована на мобильные устройства, которые предоставляют данные о местоположении. Плохой мобильный опыт нивелирует преимущества от попадания в персонализированную выдачу.
• Неточные или общие данные о локации: Предоставление неполной информации о физическом расположении и категории бизнеса усложняет системе задачу сопоставления вашего предложения с активностью пользователя.

Стратегическое значение

Этот патент подтверждает стратегический курс на глубокую интеграцию данных из реального мира в алгоритмы поиска. Понимание пользователя переходит от анализа его онлайн-поведения к анализу его физической жизни. Для SEO это означает, что построение семантического авторитета и четкое позиционирование в рамках конкретных Entities и деятельностей становится фундаментом для видимости. Конкуренция происходит не просто за позицию по запросу, а за релевантность динамическому контексту пользователя.

Практические примеры

Сценарий 1: Адаптация ранжирования под активность (Hiking)

1. Активность пользователя: Система анализирует скорость перемещения (медленная) и локацию (национальный парк) и определяет активность как "Hiking" (Поход).
2. Запрос пользователя: Пользователь ищет "прочные ботинки".
3. Действие системы (Claim 14): Query Engine идентифицирует связь между активностью "Hiking" и запросом. Система повышает в ранжировании результаты, ассоциированные с сущностями "Hiking Gear" или "Outdoor Equipment", даже если они менее оптимизированы под общую фразу.
4. Результат для SEO: Интернет-магазин, который имеет четкую структуру категорий для активного отдыха и семантически связанный контент, получит преимущество.

Сценарий 2: Адаптация локального поиска под способ передвижения (Commuting)

1. Активность пользователя: Система анализирует маршрут (совпадает с автобусным маршрутом) и время остановок и определяет способ передвижения как "Public Transportation".
2. Запрос пользователя: Пользователь ищет "кофе рядом".
3. Действие системы (Claim 4, 5, 14): Система не просто ищет ближайшие кофейни к текущему местоположению движущегося автобуса. Она ищет кофейни, которые находятся в пределах короткого Threshold Distance (для ходьбы) от следующих остановок на маршруте пользователя.
4. Результат для SEO: Кофейня, расположенная прямо у автобусной остановки, получит приоритет над кофейней, которая географически ближе, но неудобна для посещения.