Как Google определяет скрытый локальный интент в запросах для повышения релевантности местных результатов

Термины и определения

Canonical Query (Канонический запрос)

Нормализованная форма исходного запроса. Включает стемминг (приведение слов к основе), удаление стоп-слов и, возможно, добавление синонимов.

Degree of Implicit Local Relevance (DILR) (Степень неявной локальной релевантности)

Ключевая метрика патента. Числовая оценка, указывающая на вероятность того, что запрос или термин подразумевает потребность в локальных результатах. Может варьироваться от 0 до 1 или от -1 до 1 (где -1 означает предпочтение глобальных результатов).

Globally Relevant (Глобально релевантный)

Ресурс, ассоциированный со всеми локациями или не имеющий конкретной географической привязки.

Locale (Локация)

Географическая единица (страна, регион, город и т.д.).

Local Relevance Criteria (Критерии локальной релевантности)

Набор факторов, используемых для вычисления DILR термина. В основном базируются на агрегированном поведении пользователей.

Result Locale (Локация результата)

Локация, с которой ассоциирован конкретный поисковый результат (ресурс). Определяется на основе контента, метаданных, домена (ccTLD) и т.д.

Score Modifier (Модификатор оценки)

Множитель или аддитивное значение, применяемое к исходной оценке ранжирования результата. Его величина зависит от DILR запроса.

Term Repository (Репозиторий терминов)

База данных, хранящая коллекцию терминов и их предварительно рассчитанные значения DILR для различных локаций и/или языков.

Transition (Переход)

Навигационное действие пользователя (клик) от одного документа к другому. Используется для анализа пути пользователя от глобальных результатов к локальным.

User Locale (Локация пользователя)

Предполагаемое местоположение пользователя или локация, в которой он заинтересован. Определяется по IP, настройкам профиля, домену интерфейса поиска (например, google.co.uk) и т.д.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс обработки запроса в реальном времени.

1. Система получает запрос, связанный с User Locale (локацией, ассоциированной с пользователем, отправившим запрос).
2. Определяется Degree of Implicit Local Relevance (DILR) для запроса относительно одной или нескольких локаций. Важно: DILR определяется с использованием терминов запроса, которые явно не идентифицируют локацию. DILR идентифицирует совокупную степень релевантности терминов запроса к этим локациям.
3. Получаются результаты поиска, каждый из которых имеет оценку ранжирования и Result Locale.
4. Оценка ранжирования результата модифицируется с использованием DILR запроса, User Locale и Result Locale этого результата.

Claim 6 (Зависимый от 1): Уточняет механизм модификации оценки.

Модификация включает повышение оценки результата, если его Result Locale совпадает с User Locale запроса.

Claim 7 (Зависимый от 6): Уточняет механизм повышения.

Повышение происходит путем применения Score Modifier, величина которого является функцией от Degree of Implicit Local Relevance (DILR) запроса. Чем выше DILR, тем больше потенциальный буст для локального результата.

Claim 12 (Независимый пункт): Описывает офлайн-процесс вычисления DILR для терминов.

1. Идентифицируется коллекция терминов из поисковых запросов (термины не должны явно идентифицировать локацию).
2. Для каждого термина определяется DILR относительно одной или нескольких географических локаций.
3. Это определение включает оценку термина по одному или нескольким Local Relevance Criteria.
4. Термины и их DILR сохраняются в репозитории.

Claims 13-16 (Зависимые от 12): Определяют конкретные Local Relevance Criteria, основанные на поведении пользователей (оценивается статистически значимая частота).

• Claim 13: Выбирают ли пользователи локальные результаты для запросов с этим термином.
• Claim 14: Комбинируют ли пользователи этот термин с явно указанными локациями (например, добавляют название города).
• Claim 15: Ограничивают ли пользователи результаты поиска доменами, соответствующими определенной локации (например, ccTLD).
• Claim 16: Переходят ли пользователи (Transition) от общих (глобальных) результатов к локальным документам в пределах заданного числа переходов.

Где и как применяется

Изобретение затрагивает несколько ключевых этапов поиска.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна определить и сохранить Result Locale для индексируемых ресурсов (на основе контента, домена, метаданных). Это необходимо для последующего сопоставления с User Locale.

QUNDERSTANDING – Понимание Запросов
Основное применение патента. Система выполняет две функции:

1. Офлайн-анализ: Анализ логов запросов (Query History) и кликов (User Click History) для вычисления Degree of Implicit Local Relevance (DILR) для терминов и их сохранения в Term Repository.
2. Онлайн-интерпретация: При получении запроса система определяет User Locale и вычисляет DILR запроса, используя данные из Term Repository. Это определяет, следует ли активировать локальное ранжирование.

RANKING / RERANKING – Ранжирование и Переранжирование
На этих этапах происходит модификация оценок. Система применяет Score Modifier к результатам, чьи Result Locale совпадают с User Locale, основываясь на вычисленном DILR.

Входные данные:

• Исходный запрос пользователя.
• User Locale.
• Term Repository (с предварительно рассчитанными DILR).
• Набор результатов поиска с исходными оценками и Result Locale.
• Query History и User Click History (для офлайн-анализа).

Выходные данные:

• Переранжированный список результатов с модифицированными оценками, где локальные результаты потенциально повышены.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на коммерческие и транзакционные запросы, где интент часто локален (например, «ресторан», «автосервис», «купить телефон»), а также на информационные запросы с локальной спецификой.
• Конкретные типы контента: Влияет на ранжирование страниц локальных бизнесов, каталогов, региональных новостных ресурсов.
• Языковые и географические ограничения: Патент явно указывает, что DILR может рассчитываться с учетом языка, локации или их комбинации (Language-Locale combinations). Один и тот же термин может иметь разный DILR в разных странах, даже если язык один (например, «freedom» в США и Австралии, где это также название бизнеса).

Когда применяется

• Триггеры активации: Алгоритм активируется для каждого запроса, но модификация оценок происходит только тогда, когда Degree of Implicit Local Relevance (DILR) запроса превышает определенный порог (или находится вне нейтрального диапазона, например, выше 0.2 или ниже -0.2, в зависимости от реализации шкалы).
• Условия применения: Модификация применяется к конкретному результату, только если его Result Locale совпадает с User Locale (при положительном DILR) или если результат глобально релевантен (при отрицательном DILR).

Пошаговый алгоритм

Процесс А: Обработка запроса в реальном времени (Онлайн)

1. Получение запроса и локации: Система получает запрос и определяет User Locale (например, по IP или домену интерфейса) и язык интерфейса.
2. Каноникализация запроса: Запрос преобразуется в Canonical Query (стемминг, удаление стоп-слов).
3. Поиск DILR: Термины канонического запроса сопоставляются с Term Repository для получения их значений DILR, соответствующих комбинации User Locale и языка.
4. Агрегация DILR: Значения DILR терминов комбинируются (например, суммируются, перемножаются или усредняются) для получения общего DILR запроса.
5. Получение результатов: Генерируется первичный набор результатов с исходными оценками ранжирования.
6. Определение локации результатов: Для каждого результата определяется его Result Locale.
7. Модификация оценок: Система итерирует по результатам и применяет Score Modifier:
   • Если DILR запроса положителен (и выше порога) И Result Locale совпадает с User Locale: применяется положительный модификатор. Величина модификатора зависит от значения DILR.
   • Если DILR запроса отрицателен (предпочтение глобальных результатов) И результат является Globally Relevant: может применяться положительный модификатор к глобальным результатам и/или отрицательный к локальным.
8. Переранжирование: Результаты сортируются по модифицированным оценкам.

Процесс Б: Вычисление DILR (Офлайн)

1. Сбор данных: Система собирает данные из Query History и User Click History.
2. Идентификация терминов: Выделяется коллекция терминов из запросов (исключая явные геоназвания).
3. Оценка критериев (Local Relevance Criteria): Для каждого термина и каждой комбинации локация/язык анализируется статистическая значимость:
   • Частота кликов на локальные результаты (Claim 13).
   • Частота уточнений запроса явными локациями (Claim 14).
   • Частота использования доменных ограничений (ccTLD) (Claim 15).
   • Частота переходов (Transitions) от глобальных к локальным результатам (Claim 16).
4. Расчет DILR: На основе агрегации оценок по этим критериям вычисляется Degree of Implicit Local Relevance для каждой пары термин-локация/язык.
5. Сохранение: Данные сохраняются в Term Repository.

Какие данные и как использует

Данные на входе

Патент в значительной степени полагается на поведенческие и географические данные.

• Поведенческие факторы:
  • User Click History: История выбора результатов пользователями. Используется для определения того, предпочитают ли пользователи локальные результаты (Критерий 1).
  • Query History: История запросов. Используется для анализа того, как часто термины комбинируются с явными локациями (Критерий 2) или доменными ограничениями (Критерий 3).
  • Навигационные данные (Transitions): Пути пользователей по сайтам после клика на результат. Используется для определения, переходят ли пользователи от глобальных к локальным ресурсам (Критерий 4).
• Географические факторы:
  • User Locale: Определяется по IP-адресу, домену поискового интерфейса, настройкам пользователя.
  • Result Locale: Определяется по контенту ресурса (адреса, телефоны), метаданным, домену хостинга (ccTLD).
• Пользовательские факторы:
  • Язык интерфейса пользователя (используется для определения DILR для конкретной комбинации язык-локация).

Какие метрики используются и как они считаются

• Degree of Implicit Local Relevance (DILR): Основная метрика. Рассчитывается путем агрегации оценок по Local Relevance Criteria. Патент не дает конкретной формулы, но указывает, что расчет основан на «статистически значимой частоте» (statistically significant rate) наблюдаемого поведения.
• Статистическая значимость поведенческих критериев: Метрики, оценивающие, насколько часто наблюдаемое поведение (например, клик на локальный результат по запросу Х) отклоняется от среднего.
• Score Modifier: Величина, на которую изменяется оценка ранжирования. Является функцией от DILR. Если DILR высок, модификатор больше.

1. Интент определяется поведением, а не только текстом: Ключевой вывод — Google измеряет неявный локальный интент в первую очередь анализом агрегированного поведения пользователей (клики, уточнения запросов, навигация). Это делает понимание интента дата-ориентированным и динамичным.
2. Локальность — это спектр, а не бинарное состояние: Вместо того чтобы классифицировать запрос как «локальный» или «не локальный», система использует градиентную оценку (Degree of Implicit Local Relevance). Это позволяет применять разную степень бустинга для разных запросов (например, «ресторан» получит больший буст, чем «налоговое законодательство»).
3. Региональные и языковые нюансы критичны: DILR не является универсальным. Он рассчитывается для комбинаций термин-локация-язык. SEO-специалисты должны понимать, что интент ключевого слова может радикально отличаться в разных регионах и языковых средах.
4. Ранжирование условно: Локальный бустинг применяется только при выполнении двух условий: (1) DILR запроса достаточно высок, и (2) Result Locale ресурса совпадает с User Locale пользователя.
5. Важность определения локации ресурса (Result Locale): Для работы механизма критически важно, чтобы Google мог точно определить Result Locale веб-страницы. Если локация не определена, ресурс не получит бустинг, даже если запрос имеет высокий DILR.

Best practices (это мы делаем)

• Четкая сигнализация локации (Result Locale): Это критически важно. Убедитесь, что Google может легко определить географическую привязку вашего контента или бизнеса. Используйте локальные адреса (с микроразметкой Schema.org/LocalBusiness), местные номера телефонов, регистрацию в Google Business Profile (GBP) и, если применимо, соответствующие ccTLD.
• Локализация контента: Создавайте контент, который явно релевантен для целевой локации. Упоминание местных ориентиров, событий или специфических региональных терминов помогает укрепить Result Locale и повышает вероятность соответствия локальному интенту.
• Анализ локального интента в нише: Исследуйте, какие запросы в вашей тематике имеют высокий DILR в вашем регионе (например, по каким запросам Google показывает Local Pack). Ориентируйтесь на эти запросы, понимая, что Google будет активно искать локальные ответы на них.
• Удовлетворение локального интента (Поведенческие сигналы): Убедитесь, что ваш сайт быстро и полно отвечает на локальный запрос. Патент использует поведенческие данные (Transitions, клики) для расчета DILR. Если пользователи удовлетворены вашим локальным результатом, это подтверждает правильность оценки интента.
• Построение локальных связей: Получение ссылок и упоминаний от других локальных ресурсов (СМИ, организации, партнеры) помогает подтвердить ваш Result Locale.

Worst practices (это делать не надо)

• Игнорирование User Locale в стратегии: Оптимизация под запросы с высоким DILR без учета реального местоположения вашей целевой аудитории. Если ваш бизнес локален, вы должны фокусироваться на пользователях в вашем регионе.
• Гео-спуфинг и дорвеи без физического присутствия: Попытки манипулировать Result Locale путем создания множества страниц под разные города без реальной привязки к ним. Это противоречит цели патента — предоставить релевантные локальные результаты.
• Неоднозначная локализация: Использование глобальных доменов (.com) для сугубо локального бизнеса без четких сигналов локализации на сайте (адреса, язык, валюта), что затрудняет определение Result Locale.

Стратегическое значение

Этот патент является фундаментальным для локального поиска. Он подтверждает, что Google стремится удовлетворить локальные потребности пользователей, даже если они не выражены явно. Стратегически это означает, что для любого бизнеса с физическим присутствием или зоной обслуживания локальное SEO является приоритетом. Понимание того, как Google измеряет интент через поведение (DILR), смещает фокус с простого подбора ключевых слов на создание действительно полезного локального контента и обеспечение сильных сигналов географической привязки.

Практические примеры

Сценарий: Поиск услуги с высоким неявным локальным интентом

1. Ситуация: Пользователь находится в Лондоне (User Locale = London) и вводит запрос «парикмахерская» в интерфейсе google.co.uk (Language = English).
2. Анализ интента: Google обращается к Term Repository и определяет, что термин «парикмахерская» имеет очень высокий Degree of Implicit Local Relevance (например, 0.9 из 1) для комбинации UK/English. Это основано на том, что в прошлом пользователи в Великобритании часто кликали на местные салоны или уточняли запрос до «парикмахерская Лондон».
3. Ранжирование: Система получает результаты. Результат А — статья в Википедии о парикмахерских (Result Locale = Global). Результат Б — сайт конкретного салона в центре Лондона (Result Locale = London).
4. Модификация: Поскольку DILR высок (0.9) и Result Locale Б совпадает с User Locale, к оценке Результата Б применяется значительный Score Modifier.
5. Итог: Результат Б (местный салон) ранжируется значительно выше Результата А (Википедия), так как система определила сильный неявный локальный интент.