Как Google использует поведение пользователей в веб-поиске для динамической категоризации локальных бизнесов

Термины и определения

Category-business pair (Пара категория-бизнес)

Связь между типом бизнеса (категорией или ключевым словом) и конкретным бизнесом (сущностью). Формируется на основе данных из Call logs и Search logs (например, запрос + клик).

Call logs (Логи вызовов)

Данные, собранные из прошлых голосовых взаимодействий. Включают информацию о том, как пользователи устно классифицировали компании.

Search logs (Логи поиска)

Данные, собранные из прошлых веб-поисков. Включают введенные ключевые слова и последующие действия пользователя (например, клики по ссылкам на бизнес-листинги – click-through data).

Hierarchical tree of clustered category nodes (Иерархическое дерево кластеризованных узлов категорий)

Структура данных, организующая бизнес-категории от общих к частным. Строится динамически на основе анализа Category-business pairs и отражает интуитивную классификацию бизнесов пользователями.

Language models (Языковые модели)

Статистические модели, используемые для распознавания речи. Для каждого узла в иерархическом дереве создается специализированная модель, настроенная (biased) на распознавание названий бизнесов именно этой категории.

Mapping module (Модуль сопоставления)

Компонент, который в реальном времени определяет, какой узел в иерархическом дереве (и, следовательно, какую Language model) использовать на основе категории, предоставленной пользователем.

Similarity measure (Мера сходства)

Метрика для определения релевантности. Используется для кластеризации пар и для сопоставления запроса с узлом дерева. Патент упоминает использование вариантов TF-IDF (Term-Frequency, Inverse Document Frequency).

Entropy (Энтропия)

Мера вариативности или неопределенности данных внутри узла иерархического дерева. Используется в процессе кластеризации для определения того, какие узлы следует разделить дальше.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на методе улучшения распознавания речи путем использования категории бизнеса в качестве контекста.

Claim 1 (Независимый пункт): Описывает основной метод работы голосовой системы.

1. Система предлагает пользователю предоставить тип бизнеса (категорию) и идентификатор (название).
2. Система получает голосовой ввод.
3. Система распознает тип бизнеса из голосового ввода.
4. Система выбирает модуль распознавания речи (speech recognition module) на основе распознанного типа бизнеса.
5. Система распознает идентификатор, используя выбранный специализированный модуль.

Ядром изобретения является использование категории для выбора специализированного модуля распознавания речи. Это сужает пространство возможных вариантов названий, которые система должна рассмотреть, тем самым повышая точность распознавания конкретного названия бизнеса.

Claim 11 (Независимый пункт): Описывает расширенный метод, включающий географию.

1. Система запрашивает географическое местоположение, категорию и название сущности (entity).
2. Система получает голосовой ввод.
3. Система распознает местоположение и категорию.
4. Система выбирает модуль распознавания речи на основе местоположения и категории.
5. Система распознает название, используя выбранный модуль.

Здесь для выбора специализированной языковой модели и повышения точности распознавания используется комбинация географического контекста и категориального контекста.

Где и как применяется

Изобретение затрагивает инфраструктуру обработки данных и процесс обслуживания запросов, преимущественно в контексте голосового и локального поиска.

CRAWLING / INDEXING (Сбор данных и Офлайн-обработка)
Это ключевой этап для SEO-значимости патента. Система постоянно собирает данные из Search Logs (поведение в веб-поиске: запросы и клики) и Call Logs.

• Извлечение признаков (Entity Association): Анализ логов для извлечения Category-business pairs. Это процесс понимания того, как пользователи связывают ключевые слова с сущностями через свои запросы и клики.
• Индексирование (Кластеризация): Category clustering module использует эти пары для построения Hierarchical tree of clustered category nodes. Это формирует индекс категорий, основанный на поведении пользователей.

QUNDERSTANDING (Понимание запросов в реальном времени)
В реальном времени система должна понять голосовой запрос пользователя.

• Система распознает контекст (местоположение и категорию).
• Mapping module использует распознанную категорию для навигации по Hierarchical tree и выбора наиболее релевантных Language models.

RANKING/RETRIEVAL (в контексте голосового поиска)
Система использует выбранные (смещенные) Language models для распознавания названия конкретного бизнеса. Это не ранжирование веб-результатов, а ранжирование вероятностей того, какое именно название было произнесено пользователем.

Входные данные (Офлайн):

• Search Logs (Ключевые слова, Клики).
• Call Logs.

Выходные данные (Офлайн):

• Hierarchical tree of clustered category nodes.
• Специализированные Language models.

На что влияет

• Конкретные типы контента и Ниши: Влияет на локальный поиск (Local Search) и понимание сущностей (Entity Understanding), особенно для коммерческих организаций. Также применимо к некоммерческим организациям и людям.
• Специфические запросы: Влияет на то, как Google интерпретирует связь между категорийными запросами (например, "итальянский ресторан") и брендовыми/навигационными запросами (например, "Il Fornaio").

Когда применяется

• Офлайн-процесс (Построение дерева): Происходит непрерывно или периодически для обновления классификации бизнеса на основе свежих логов поиска и звонков.
• Онлайн-процесс (Голосовой поиск): Применяется во время любого голосового поиска по бизнес-директории, когда пользователь предоставляет информацию о категории для уточнения названия бизнеса.

Пошаговый алгоритм

Процесс А: Офлайн-построение иерархического дерева (Критично для SEO)

1. Сбор данных: Получение Category-Business Pairs из Call Logs и Search Logs (анализ ключевых слов и кликов).
2. Инициализация: Все пары назначаются корневому узлу дерева.
3. Итеративная кластеризация:
   1. Идентификация кандидата на разделение: Поиск узла с наибольшей вариативностью (Entropy).
   2. Выбор категории для нового узла: Определение типа бизнеса с наибольшей частотностью (Count) в этом узле.
   3. Создание нового узла: Создание дочернего узла, ассоциированного с этим типом бизнеса.
   4. Рекластеризация: Перераспределение оставшихся пар между родительским и дочерним узлами на основе Similarity Measure (например, TF-IDF).
4. Завершение: Процесс повторяется до тех пор, пока энтропия во всех конечных узлах не упадет ниже порога.
5. Генерация моделей: Обновление Language Models для каждого узла.

Процесс Б: Обработка голосового запроса в реальном времени

1. Сбор контекста: Запрос и распознавание местоположения и категории бизнеса.
2. Сбор названия: Запрос и получение речевого ввода, представляющего название.
3. Сопоставление (Mapping): Определение оценок сходства (Similarity scores) между указанной категорией/локацией и узлами Hierarchical Tree. Поиск узла с наивысшей оценкой.
4. Выбор моделей: Выбор Language Model, связанной с этим узлом (и, возможно, с родительскими узлами для обеспечения гибкости).
5. Распознавание названия: Использование выбранных моделей для распознавания названия бизнеса из речевого ввода.
6. Поиск и результат: Поиск информации (например, номера телефона) о распознанном бизнесе и предоставление результата пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих данных для построения системы классификации.

• Поведенческие факторы (Ключевые для SEO):
  • Search Logs: Логи веб-поиска. Система анализирует, какие ключевые слова (keywords) вводят пользователи и какие ссылки они выбирают (click-through data). Если клик ведет на страницу конкретного бизнеса, система формирует связь (category-business pair) между ключевым словом и этим бизнесом.
  • Call Logs: Логи голосовых взаимодействий. Система анализирует, какие категории пользователи называют для конкретных бизнесов.
• Географические факторы: Местоположение (город, штат). Используется для создания как общих (generic), так и локализованных (location-specific) иерархических деревьев и языковых моделей.

Какие метрики используются и как они считаются

• Counts (Частотность): Количество раз, когда Category-Business Pair появляется в логах. Используется для определения важности ассоциации и инициализации новых узлов.
• Similarity Measure (Мера сходства): Используется для кластеризации пар и для маппинга запроса к узлу. В патенте упоминается использование TF-IDF:
  • Term-Frequency (TF): Частота термина (категории или названия бизнеса) внутри узла.
  • Inverse Document Frequency (IDF): Логарифм общего числа узлов, деленный на количество узлов, содержащих данный термин.
• Entropy (Энтропия): Статистическая мера вариативности данных внутри узла. Используется для принятия решения о разделении узла. Рассчитывается как отрицательная сумма по всем парам в узле произведения вероятности пары на логарифм вероятности этой пары: $- \sum (P(pair) * log(P(pair)))$.

1. Классификация бизнеса основана на поведении пользователей: Это ключевой вывод для SEO. Google активно использует логи веб-поиска (Search Logs) для понимания и классификации бизнеса. То, как пользователи ищут (ключевые слова) и на что они кликают (click-through data), определяет категорию бизнеса в глазах системы.
2. Подтверждение важности связи "Запрос-Клик": Патент явно описывает использование связи между введенным ключевым словом и последующим кликом на бизнес-листинг как механизма для формирования Category-business pairs. Это подтверждает, что поведенческие сигналы в веб-поиске напрямую влияют на понимание релевантности бизнеса к определенным категориям.
3. Динамическая и интуитивная классификация: Система не полагается на жесткие категории. Hierarchical Tree строится динамически, чтобы отразить интуитивное понимание пользователей. Если пользователи ищут "хозяйственный магазин", а кликают на продавца сотовых телефонов, Google изучает эту ассоциацию.
4. Гибкость в классификации (Мультикатегорийность): Система учитывает, что разные пользователи могут по-разному классифицировать один и тот же бизнес (например, Walmart как "Grocery store" или "Pharmacy"). Динамическое дерево позволяет бизнесу принадлежать к нескольким узлам одновременно.
5. Использование TF-IDF для кластеризации сущностей: Патент описывает применение классических методов Information Retrieval (TF-IDF) для кластеризации и определения сходства между бизнесами и категориями на основе поведенческих данных.

Best practices (это мы делаем)

Хотя патент направлен на улучшение голосового поиска, механизм использования логов веб-поиска для классификации бизнеса дает прямые рекомендации для Локального SEO и оптимизации сущностей.

• Оптимизация под реальный локальный интент и CTR: Необходимо гарантировать, что ваш бизнес показывается и получает клики по тем категорийным запросам, с которыми вы хотите ассоциироваться. Повышение кликабельности (CTR) вашего листинга по небрендовым целевым запросам напрямую увеличивает частотность соответствующих Category-Business Pairs в Search Logs, улучшая вашу классификацию.
• Анализ и соответствие пользовательской категоризации: Анализируйте данные Search Console и GMB Insights, чтобы увидеть, какие запросы приводят к кликам. Эти запросы определяют вашу категорию в глазах Google. Убедитесь, что контент на сайте соответствует этим категориям, по которым пользователи реально ищут и находят ваш бизнес.
• Расширение тематической релевантности (Topical Authority): Четко описывайте все предлагаемые услуги и продукты. Поскольку пользователи могут использовать разнообразные ключевые слова (категории) для поиска вашего бизнеса, полное покрытие укрепляет ассоциации с несколькими узлами в Hierarchical Tree.

Worst practices (это делать не надо)

• Игнорирование данных о реальных запросах: Полагаться исключительно на выбранные основные категории в GMB недостаточно. Понимание Google шире и основано на поведении пользователей (Search logs), а не только на самоопределении бизнеса.
• Игнорирование CTR по категорийным запросам: Фокусироваться только на позициях без учета кликов неэффективно. Если ваш бизнес ранжируется высоко, но не получает кликов по определенным запросам, ассоциация с этими категориями будет ослабевать согласно механизму подсчета Counts.
• Манипуляции с поведенческими факторами: Попытки искусственно накрутить клики по определенным запросам для изменения классификации рискованны и могут привести к санкциям, хотя сам механизм патента полагается на эти данные.

Стратегическое значение

Патент подтверждает, что Локальное SEO и классификация сущностей в значительной степени зависят от поведенческих сигналов. Google доверяет "мудрости толпы" (агрегированным логам поиска), чтобы понять, чем на самом деле занимается бизнес. Классификация сущности напрямую связана с запросами, которые приводят пользователей к этой сущности. Это подчеркивает отход от статических директорий к динамическому, основанному на интенте пониманию локального рынка.

Практические примеры

Сценарий 1: Укрепление ассоциации локального бизнеса с новой категорией

• Задача: Кофейня "Зерно" хочет укрепить свою ассоциацию с категорией "коворкинг кафе" в Москве.
• Действия (на основе патента): Необходимо стимулировать пользователей искать "коворкинг кафе Москва" и кликать на "Зерно" в результатах поиска (Maps/Local Pack).
  1. Оптимизировать GBP и сайт: Добавить контент, подчеркивающий удобство работы (розетки, Wi-Fi).
  2. Стимулировать отзывы: Просить посетителей упоминать в отзывах, что они работали в кафе.
  3. Локальная реклама: Запустить таргетированную рекламу по запросам, связанным с коворкингом, чтобы увеличить количество кликов на профиль.
• Ожидаемый результат: В Search Logs Google увеличится количество «category-business pairs» ("коворкинг кафе", "Зерно"). Это приведет к тому, что в Location-specific hierarchical tree для Москвы кофейня "Зерно" будет иметь больший вес (Count) в узле, связанном с коворкингами.

Сценарий 2: Оптимизация пиццерии с услугой кейтеринга

1. Анализ данных: SEO-специалист замечает в GSC, что пользователи ищут "кейтеринг для мероприятий [город]" и переходят на сайт пиццерии, хотя "Кейтеринг" не является основной категорией.
2. Интерпретация: Google начал ассоциировать пиццерию с категорией "Кейтеринг" на основе этих поведенческих данных (Category-Business Pair).
3. Действие: Создается отдельная посадочная страница, посвященная услугам кейтеринга, и добавляется соответствующий раздел услуг в GMB для усиления ассоциации.
4. Ожидаемый результат: Увеличение количества Category-Business Pairs ("Кейтеринг", Пиццерия) в логах Google, что приведет к улучшению позиций по запросам, связанным с кейтерингом.