Как Google динамически изменяет радиус локального поиска в зависимости от популярности бизнеса, типа запроса и активности пользователя

Термины и определения

Business Location (Местоположение бизнеса)

Физический адрес (широта/долгота) компании, связанный с элементом контента.

Device Activity (Активность устройства/пользователя)

Признак, описывающий состояние пользователя, определенное на основе сенсорных данных (GPS, акселерометр). Примеры: стационарное положение, ходьба, вождение.

Feature Representation (Представление признака / Значение признака)

Конкретное значение, присвоенное признаку в данном контексте (например, для признака Popularity значением может быть «4 звезды»).

Indications of Interest (Признаки интереса)

Действия пользователя, указывающие на интерес к контенту. Используются для оценки эффективности. Примеры: клик, конверсия, запрос маршрута (request for directions).

Optimum Radii (Оптимальные радиусы)

База данных предварительно рассчитанных радиусов. Каждый радиус соответствует конкретной комбинации признаков и является расстоянием, при котором Performance Metric удовлетворяет пороговому значению. Рассчитывается офлайн с помощью машинного обучения.

Performance Metric (Показатель эффективности)

Метрика для оценки качества выбора контента. Обычно Click Through Rate (CTR) или Conversion Rate.

Popularity (Популярность бизнеса)

Признак, оценивающий известность или качество бизнеса. Основан на количестве поисковых запросов о бизнесе, рейтингах или количестве отзывов.

Query Vertical (Вертикаль запроса)

Категория или тематика поискового запроса (например, «напитки», «аэропорты», «рестораны»).

Radius Threshold (Пороговый радиус)

Радиус, применяемый в реальном времени для фильтрации бизнесов по расстоянию. Основан на Optimum Radius для текущего контекста.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод выбора контента с динамической фильтрацией по расстоянию.

1. Система получает запрос, информацию о нем и данные о местоположении устройства.
2. Идентифицируется набор контента, связанного с Business Locations.
3. Генерируются Feature Representations (значения признаков) на основе запроса, местоположения устройства и характеристик бизнеса.
4. Система обращается к структуре данных, хранящей Optimum Radii. Эта структура коррелирует комбинации признаков с Performance Metric (например, CTR).
5. Определяется Radius Threshold на основе Optimum Radii и текущих значений признаков.
6. Идентифицируется подходящее местоположение бизнеса (eligible business location), расстояние до которого от устройства находится в пределах Radius Threshold.
7. Контент, связанный с этим бизнесом, выбирается как кандидат на показ.

Claim 2 (Зависимый): Перечисляет ключевые признаки, используемые системой: business location popularity, search query vertical, query data (например, топонимы в запросе), device location (например, город vs пригород), source of device location (например, GPS vs IP), или device activity.

Claim 5 (Зависимый): Детализирует влияние популярности на радиус.

1. Определяются значения популярности для первого и второго бизнесов.
2. Если второй бизнес популярнее первого.
3. Система выбирает Radius Threshold для второго бизнеса, который больше, чем Radius Threshold для первого бизнеса.

Система намеренно увеличивает радиус поиска для более популярных бизнесов, предполагая готовность пользователя путешествовать дальше.

Claim 6 (Зависимый): Детализирует влияние активности пользователя на радиус.

1. На основе сенсорных данных (sensor data) устройства определяется Device Activity (например, ходьба).
2. Система обращается к структуре данных, где хранятся радиусы для разных активностей (например, радиус 1 для ходьбы, радиус 2 для вождения).
3. Система динамически выбирает радиус 1, который меньше радиуса 2.

Система намеренно уменьшает радиус поиска, если пользователь идет пешком, по сравнению с вождением.

Claim 8 (Зависимый): Описывает офлайн-процесс генерации структуры данных. Historical search query logs и список признаков передаются в модель машинного обучения для генерации структуры данных, хранящей Optimum Radii.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, интегрируя статические данные о бизнесе с динамическими данными о пользователе для фильтрации локальных результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе рассчитываются и сохраняются статические признаки бизнесов, в частности Popularity (на основе отзывов, рейтингов, поискового объема). Также индексируются точные координаты Business Location.

QUNDERSTANDING – Понимание Запросов
Онлайн: Система анализирует запрос для определения локального интента и извлечения признаков Query Vertical и Query Information.
Офлайн: Анализ исторических логов и обучение ML-модели для создания базы данных Optimum Radii.

RANKING – Ранжирование (L1 Retrieval / Отбор кандидатов)
Основное применение патента. Система функционирует как механизм географической фильтрации на этапе отбора кандидатов (Retrieval). При обработке локального запроса система определяет контекст пользователя (Device Location, Device Activity) и контекст запроса/бизнеса. На основе этих признаков динамически определяется Radius Threshold. Только те бизнесы, которые находятся внутри этого радиуса, проходят дальше по конвейеру ранжирования.

Входные данные:

• Информация о поисковом запросе.
• Location data и Sensor data устройства.
• Кандидатские элементы контента и связанные с ними Business Locations.
• Данные о признаках бизнесов (например, Popularity).
• Структура данных с Optimum Radii.

Выходные данные:

• Отфильтрованный набор подходящих элементов контента (eligible content items), чьи местоположения находятся в пределах динамического Radius Threshold.

На что влияет

• Конкретные типы контента: В первую очередь влияет на контент, привязанный к физическим локациям: результаты в Google Maps, Local Pack и реклама с адресами (Google Ads location extensions).
• Специфические запросы: Запросы с явным или подразумеваемым локальным интентом (например, «кофейня рядом», «лучший ресторан», «пицца»).
• Конкретные ниши или тематики: Влияет на все локальные бизнесы. Однако влияние различается в зависимости от Query Vertical. Для вертикалей с высокой плотностью и ориентацией на удобство (кафе, заправки) радиусы обычно меньше, чем для уникальных или специализированных вертикалей (аэропорты, дилерские центры, специализированные клиники).

Когда применяется

• Условия работы: Алгоритм применяется, когда система идентифицирует локальный интент в запросе и когда для показа отбирается контент, имеющий ассоциированные Business Locations.
• Триггеры активации: Запрос на показ локального контента на устройстве, для которого доступна информация о местоположении и, опционально, сенсорные данные для определения активности.

Пошаговый алгоритм

Процесс А: Обработка запроса в реальном времени (Online Serving)

1. Получение данных: Система получает запрос на контент, информацию о поисковом запросе, Location data и Sensor data от устройства.
2. Первичный отбор кандидатов: Идентифицируется первичный набор элементов контента и связанных с ними Business Locations на основе релевантности запросу.
3. Генерация признаков (Feature Generation): Система вычисляет значения признаков (Feature Representations) для текущего контекста:
   • Анализ запроса: Определение Query Vertical.
   • Анализ устройства: Определение Device Location и Device Activity (ходьба/вождение).
   • Анализ бизнесов: Определение Popularity для каждого кандидата.
4. Определение Порогового Радиуса: Система использует комбинацию вычисленных признаков для запроса к структуре данных Optimum Radii. Извлекается соответствующий радиус. Важно: Для разных кандидатов в рамках одного запроса радиус может отличаться, если их популярность разная.
5. Расчет расстояния: Вычисляется расстояние между Device Location и каждым Business Location.
6. Фильтрация по радиусу: Система сравнивает расстояние с индивидуальным Radius Threshold для каждого кандидата. Если расстояние в пределах порога, бизнес помечается как подходящий (eligible).
7. Выбор контента: Подходящие элементы контента выбираются как кандидаты для дальнейшего ранжирования или показа.

Процесс Б: Обучение модели и генерация радиусов (Offline ML)

1. Сбор данных: Агрегируются Historical search query logs, включающие показы контента, признаки контекста, расстояние до бизнеса в момент показа и Indications of Interest (клики, конверсии, запросы маршрута).
2. Обработка данных: Данные сегментируются по комбинациям признаков. Расстояния могут быть сгруппированы в интервалы (buckets).
3. Расчет эффективности: Для каждой комбинации признаков и каждого интервала расстояния рассчитывается Performance Metric (например, CTR).
4. Определение Оптимального Радиуса: Система анализирует, как меняется Performance Metric с увеличением расстояния. Optimum Radius определяется как расстояние, при котором Performance Metric удовлетворяет заданному Performance Threshold (например, минимально допустимый CTR).
5. Сохранение данных: Комбинации признаков и соответствующие им Optimum Radii сохраняются в структуру данных для использования в Процессе А.

Какие данные и как использует

Данные на входе

Система использует комбинацию данных о пользователе, запросе и бизнесе.

Пользовательские и Географические факторы:

• Location Data: GPS, Wi-Fi, IP-адрес, триангуляция вышек. Используется для определения Device Location и расчета расстояний.
• Source of device location: Метод получения локации (например, GPS vs IP). Может влиять на выбор радиуса из-за разной точности.
• Sensor Data: Данные акселерометра, гироскопа. Используются для определения Device Activity (скорость и характер движения).
• Характеристики местности: Признак Device Location также может кодировать тип местности (городская/сельская), так как средние расстояния поездок различаются.

Поведенческие факторы (для офлайн-обучения):

• Historical search query logs: Используются для обучения ML модели.
• Indications of Interest: Клики (CTR), конверсии, запросы маршрутов (requests for directions). Являются целевой переменной для оптимизации.

Факторы Запроса:

• Query Vertical: Категория запроса (например, «напитки», «аэропорты»).
• Query Information: Наличие топонимов в тексте запроса (например, «пицца в Пало-Альто»).

Факторы Бизнеса (Контентные):

• Business Location: Координаты (широта/долгота) бизнеса.
• Popularity: Метрика, основанная на количестве поисковых запросов о бизнесе, рейтингах и отзывах.

Какие метрики используются и как они считаются

• Performance Metric: Ключевая метрика для оптимизации. Рассчитывается как Click Through Rate (CTR) или Conversion Rate на основе исторических данных для конкретной комбинации признаков и расстояния.
• Performance Threshold: Минимально приемлемое значение Performance Metric. Используется для определения Optimum Radius.
• Optimum Radius: Рассчитывается офлайн. Это максимальное расстояние, при котором Performance Metric превышает Performance Threshold для заданной комбинации признаков.
• Radius Threshold: Применяется онлайн. Значение, взятое из базы Optimum Radii для текущего контекста.
• Алгоритмы машинного обучения: Упоминаются logistic regression (логистическая регрессия) и decision tree (дерево решений) для предсказания вероятности интереса и генерации Optimum Radii.

1. Близость (Proximity) — это динамический и контекстуальный фактор: Патент опровергает идею фиксированного радиуса в локальном поиске. Релевантное расстояние динамически рассчитывается для каждой ситуации. «Близость» модулируется контекстом пользователя и характеристиками бизнеса.
2. Популярность (Prominence) расширяет географический охват: Патент предоставляет конкретный механизм, как Popularity влияет на ранжирование. Более популярные и качественные бизнесы получают больший Radius Threshold. Это позволяет им ранжироваться, даже если они находятся дальше от пользователя, чем менее популярные конкуренты.
3. Контекст пользователя определяет радиус поиска: Активность пользователя (Device Activity) критична. Система значительно сокращает радиус поиска для пешеходов по сравнению с водителями, предполагая меньшую готовность преодолевать расстояние.
4. Тип запроса влияет на расстояние (Intent): Query Vertical имеет значение. Пользователи готовы ехать дальше ради аэропорта, чем ради чашки кофе. Система учитывает это, устанавливая разные базовые радиусы для разных вертикалей.
5. Оптимизация на основе данных (Data-Driven): Радиусы не устанавливаются вручную, а вычисляются моделью машинного обучения, которая стремится максимизировать вовлеченность (CTR, конверсии, запросы маршрутов). Система обучается на реальном поведении пользователей.

Best practices (это мы делаем)

• Максимизация сигналов Популярности/Известности (Prominence/Local E-E-A-T): Это ключевая стратегия для расширения географического охвата. Необходимо активно работать над управлением репутацией: стимулировать получение качественных отзывов, повышать рейтинг, увеличивать количество брендовых запросов и локальных цитирований. Высокая Popularity напрямую увеличивает Radius Threshold.
• Точное Категоризирование (Google Business Profile): Убедитесь, что основные и дополнительные категории бизнеса точно соответствуют релевантным Query Verticals. Это гарантирует, что система применит корректные базовые радиусы (например, не будет применять радиус для «кофейни» к «ресторану высокой кухни»).
• Оптимизация вовлеченности (Engagement): Поскольку система оптимизирует радиусы на основе Performance Metrics (CTR, запросы маршрутов), необходимо работать над привлекательностью сниппета в локальной выдаче (фото, атрибуты, актуальная информация) и упрощать построение маршрута. Высокая вовлеченность может положительно сказаться на будущих расчетах Optimum Radius.
• Анализ локальной выдачи с учетом контекста: При анализе конкурентов используйте инструменты для трекинга локальной выдачи в разных точках карты (GeoGrid), чтобы оценить реальный радиус ранжирования. Учитывайте, что выдача для пешехода и водителя будет отличаться.

Worst practices (это делать не надо)

• Игнорирование репутации и отзывов: Бизнесы с низким рейтингом или малым количеством отзывов получат минимальный Radius Threshold, что ограничит их видимость только ближайшими пользователями, независимо от других факторов оптимизации.
• Фокус только на близости (Proximity): Стратегия, полагающаяся только на физическую близость к пользователю, неэффективна. Более далекий, но популярный конкурент может перехватить пользователя за счет большего динамического радиуса.
• Манипуляции с местоположением без учета популярности: Попытки ранжироваться в удаленных районах (например, через виртуальные офисы) будут неэффективны, если у бизнеса нет достаточной Popularity, чтобы оправдать большой Radius Threshold в этой зоне.

Стратегическое значение

Этот патент является ключевым для понимания взаимодействия трех столпов локального ранжирования: Proximity, Relevance и Prominence. Он детально описывает, как Prominence (через Popularity) и Relevance (через Query Vertical) модулируют влияние Proximity. Долгосрочная стратегия Local SEO должна быть направлена на построение авторитетных, популярных локальных брендов для достижения максимального географического охвата.

Практические примеры

Сценарий: Поиск «Итальянский ресторан»

Кандидаты:

• Ресторан А: Рейтинг 3.0 (Низкая Популярность). Расстояние 500м.
• Ресторан Б: Рейтинг 4.8 (Высокая Популярность). Расстояние 2 км.

Ситуация 1: Пользователь идет пешком (Device Activity = Walking)

1. Определение радиусов: Система проверяет Optimum Radii для вертикали «Рестораны» и активности «Ходьба».
   • Для Ресторана А (3.0 звезды): Radius Threshold = 600м.
   • Для Ресторана Б (4.8 звезды): Radius Threshold = 1.5 км.
2. Результат: Ресторан А (500м < 600м) попадает в выдачу. Ресторан Б (2 км > 1.5 км) исключается, так как находится слишком далеко для пешехода, даже несмотря на высокий рейтинг.

Ситуация 2: Пользователь за рулем (Device Activity = Driving)

1. Определение радиусов: Система проверяет Optimum Radii для вертикали «Рестораны» и активности «Вождение».
   • Для Ресторана А (3.0 звезды): Radius Threshold = 5 км.
   • Для Ресторана Б (4.8 звезды): Radius Threshold = 15 км.
2. Результат: Оба ресторана попадают в выдачу, так как находятся в пределах своих значительно расширенных радиусов. Ресторан Б, вероятно, будет ранжироваться выше за счет сигналов качества.