Как Google использует математическую аппроксимацию (Ряд Тейлора) для быстрого расчета релевантности категорий к местоположению пользователя

Термины и определения

Category (Категория)

Классификация сущностей. Примеры включают бизнес-категории, такие как рестораны, кинотеатры, общественный транспорт.

Entity (Сущность)

Отдельный элемент, принадлежащий категории (например, конкретный бизнес или точка интереса (POI)).

Category-location relevance score (Оценка релевантности категории к локации)

Агрегированная метрика, определяющая общую релевантность категории к заданному местоположению. Является результатом вычисления функции релевантности $f(x)$.

Category-entity-location relevance score (Оценка релевантности сущности в категории к локации)

Метрика, определяющая релевантность отдельной сущности (y) к заданному местоположению (x). Является результатом вычисления подфункции (Sub-function) $g(x, y)$. В патенте физическое расстояние часто используется как пример основы для этой оценки.

Prominent geographic locations (Значимые географические локации)

Опорные локации, для которых система заранее рассчитывает и сохраняет Taylor coefficients. Это могут быть густонаселенные районы, достопримечательности или локации, часто фигурирующие в запросах.

Taylor Coefficients (Коэффициенты Тейлора)

Значения производных функции релевантности $f(x)$ в определенной точке. Используются для аппроксимации значения функции в соседних точках.

Taylor Series (Ряд Тейлора)

Математический метод аппроксимации функции в окрестности данной точки с использованием её производных (Коэффициентов Тейлора).

Automatic Differentiation (Автоматическое дифференцирование)

Метод, упомянутый в патенте для численной оценки производной функции, необходимый для вычисления коэффициентов Тейлора.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод хранения и аппроксимации оценок релевантности.

1. Система хранит category-location relevance scores для набора географических локаций.
2. Ключевой механизм хранения: Хранение осуществляется путем сохранения Taylor coefficients для функции релевантности $f(x)$ в этой локации. Функция $f(x)$ определяется путем оценки подфункций $g(x, y)$ для каждой сущности.
3. Механизм аппроксимации: Для определения оценки в новой (первой) локации система выбирает сохраненную (вторую) локацию и вычисляет оценку на основе данных второй локации и physical distance (физического расстояния) между ними.
4. Применение: Полученная оценка используется для выбора элемента (например, рекламы или подсказки запроса) из кандидатов путем их ранжирования и выбора наилучшего.

Claim 3 (Зависимый от 1): Уточняет природу данных.

Категория является business category, сущности — бизнесами. Оценка category-entity-location relevance score (подфункция $g(x, y)$) основана на physical distance между адресом бизнеса и географической локацией.

Claim 7 (Зависимый от 1): Уточняет метод аппроксимации.

Аппроксимация оценки включает вычисление ряда Тейлора (Taylor series) для функции, используя Taylor coefficients, сохраненные для второй локации, и physical distance между первой и второй локациями.

Где и как применяется

Изобретение является инфраструктурным и затрагивает этапы предварительного расчета данных и их использования в реальном времени для локализации результатов.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит офлайн-обработка. Система рассчитывает функцию релевантности $f(x)$ и ее Taylor coefficients для предопределенных опорных локаций. Это требует доступа к базе данных сущностей (например, бизнесов) и их географических координат.

QUNDERSTANDING – Понимание Запросов
Механизм может использоваться для улучшения поисковых подсказок (query suggestions). Когда пользователь вводит часть запроса (query stub), система может быстро аппроксимировать релевантность различных категорий к текущему местоположению пользователя и предложить подсказки из наиболее релевантных категорий.

RANKING / RERANKING
Аппроксимированные оценки category-location relevance scores используются для выбора и ранжирования контента в реальном времени:

• Локализация результатов: Ранжирование результатов поиска может быть скорректировано с учетом релевантности категорий, связанных с этими результатами, к локации пользователя.
• Выбор рекламы: Система может использовать оценки для ранжирования и выбора локально релевантных рекламных объявлений (упомянуто в Claim 2).

Входные данные (Онлайн):

• Точное местоположение пользователя (Первая локация).
• Категория, для которой требуется оценка.
• База данных опорных локаций (Вторые локации) с сохраненными Taylor coefficients.

Выходные данные (Онлайн):

• Аппроксимированный category-location relevance score для запрошенной категории и локации.

На что влияет

• Конкретные типы контента: В первую очередь влияет на локальный контент, страницы бизнесов (Local SEO), точки интереса (POI) и рекламу с гео-таргетингом.
• Специфические запросы: Влияет на запросы с локальным интентом, а также на формирование поисковых подсказок, особенно на мобильных устройствах.
• Конкретные ниши или тематики: Наибольшее влияние в нишах с высокой плотностью локальных бизнесов (ритейл, рестораны, услуги).

Когда применяется

• Условия работы: Алгоритм аппроксимации применяется, когда требуется высокая скорость ответа (real-time) для определения category-location relevance score в локации, которая не совпадает с одной из предопределенных опорных локаций.
• Триггеры активации: Запрос от другой системы (ранжирования, рекламы, подсказок) на получение локационной оценки релевантности, когда прямой расчет функции слишком ресурсоемок для выполнения онлайн.

Пошаговый алгоритм

Процесс А: Офлайн — Предварительный расчет коэффициентов

1. Выбор опорной локации: Система выбирает географическую локацию (x) (например, из списка значимых локаций).
2. Итерация по сущностям: Для определенной категории система перебирает все связанные сущности (Y).
3. Вычисление подфункции: Для каждой сущности (y) вычисляется подфункция $g(x, y)$ (например, на основе расстояния).
4. Агрегация (Вычисление функции): Вычисляется функция релевантности $f(x)$ как сумма значений подфункций: $f(x) = \sum_{y \in Y} g(x, y)$.
5. Вычисление производных: Система вычисляет производные функции $f(x)$ в данной локации (например, используя Automatic Differentiation).
6. Сохранение коэффициентов: Taylor coefficients, основанные на этих производных, сохраняются для данной опорной локации.
7. Повтор: Процесс повторяется для всех опорных локаций и категорий.

Процесс Б: Онлайн — Аппроксимация оценки релевантности

1. Получение запроса: Система получает запрос на category-location relevance score для новой локации (x).
2. Поиск ближайшей опоры: Определяется ближайшая опорная локация (a), для которой сохранены Taylor coefficients.
3. Вычисление ряда Тейлора: Система аппроксимирует $f(x)$, используя сохраненные коэффициенты для точки (a) и расстояние (x-a). Используется конечный набор членов Taylor series.
4. Предоставление оценки: Аппроксимированная оценка возвращается запросившей системе.

Какие данные и как использует

Данные на входе

Патент сосредоточен на инфраструктуре вычислений и использует следующие типы данных:

• Географические факторы:
  • Координаты опорных локаций и координаты пользователя.
  • Адреса/координаты сущностей (бизнесов). Физическое расстояние (physical distance) между локацией пользователя и адресом сущности является ключевым элементом, используемым как основа для подфункции $g(x, y)$ и для аппроксимации.
• Структурные данные:
  • Привязка сущностей к категориям (например, какие бизнесы относятся к категории «Рестораны»).

Какие метрики используются и как они считаются

• Category-entity-location relevance score ($g(x, y)$): Рассчитывается подфункцией. Конкретная формула не приводится, но в качестве основного примера используется физическое расстояние.
• Category-location relevance score ($f(x)$): В офлайн-режиме рассчитывается точно как сумма $g(x, y)$. В онлайн-режиме аппроксимируется с помощью Taylor series.
• Taylor Coefficients: Рассчитываются путем дифференцирования функции $f(x)$ в опорных точках. Формула коэффициента: $\frac{f^{(n)}(a)}{n!}$.
• Формула аппроксимации (Ряд Тейлора): Для аппроксимации функции f(x) в точке x используется разложение в точке a (ближайшая опорная локация): $\sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x-a)^n$. На практике используется конечное число членов ряда.

Патент описывает внутренние процессы Google, направленные на повышение вычислительной эффективности. Прямых рекомендаций для SEO он не дает, но позволяет лучше понять инфраструктуру локального поиска.

1. Эффективность и скорость: Google готов использовать аппроксимацию вместо точного расчета для обеспечения максимальной скорости ответа в реальном времени. Это позволяет использовать сложные функции релевантности $f(x)$ (включающие миллионы сущностей) без задержек.
2. Релевантность на уровне категорий: Google системно оценивает релевантность не только отдельных сущностей, но и целых категорий к местоположению пользователя. Это используется для адаптации поисковых подсказок, рекламы и, возможно, смешивания результатов в выдаче.
3. Влияние плотности и близости сущностей: Поскольку category-location relevance score является суммой оценок отдельных сущностей, а эти оценки часто базируются на расстоянии (согласно Claim 3), патент подтверждает, что плотность и близость релевантных бизнесов определяют локальную релевантность категории.
4. Гиперлокализация: Механизм позволяет адаптировать выдачу на основе очень точного местоположения пользователя (например, GPS), а не только на уровне города или района.
5. Зависимость от точных данных о сущностях: Эффективность системы напрямую зависит от точности координат сущностей (бизнесов), так как они являются основой для расчета функции $f(x)$ и ее производных.

ВАЖНО: Патент является инфраструктурным и описывает методы вычислительной оптимизации. Он не дает прямых рекомендаций по SEO-оптимизации контента, но подтверждает фундаментальные принципы Local SEO.

Best practices (это мы делаем)

• Обеспечение точности геолокационных данных (Local SEO): Критически важно поддерживать абсолютную точность адресов и координат в Google Business Profile (GBP) и других каталогах (NAP). Поскольку функция релевантности и ее производные рассчитываются на основе этих данных (в частности, расстояния), ошибки могут привести к неверной оценке релевантности вашего бизнеса к локации пользователя.
• Правильная категоризация бизнеса: Система вычисляет релевантность на уровне категорий. Важно правильно выбирать основную и дополнительные категории в GBP, чтобы бизнес корректно учитывался при расчете агрегированной релевантности категории для данной местности.
• Регистрация всех филиалов: Для сетевого бизнеса важно, чтобы каждая точка присутствия была зарегистрирована как отдельная сущность. Это увеличивает общую плотность сущностей и влияет на расчет category-location relevance score в районах присутствия.

Worst practices (это делать не надо)

• Предоставление неточных адресов или координат: Это искажает входные данные для функции релевантности $f(x)$ и подфункции $g(x, y)$, что может привести к потере видимости в локальном поиске.
• Создание виртуальных офисов для имитации присутствия: Этот патент является частью инфраструктуры, которая полагается на точное физическое расположение сущностей. Манипуляции с локацией противоречат принципам Google и несут риски пессимизации.

Стратегическое значение

Патент подтверждает стратегический фокус Google на гиперлокализации и мобильном поиске. Он демонстрирует инвестиции в инфраструктуру, позволяющую в реальном времени понимать, какие категории наиболее актуальны для пользователя в конкретной точке пространства. Для SEO это означает, что локальные сигналы (присутствие, близость) остаются критически важными, и их обработка становится все более точной и быстрой.

Практические примеры

Сценарий: Адаптация поисковых подсказок на основе локации

1. Ситуация: Пользователь находится в центре крупного города (Локация А) и вводит поисковый запрос «Star».
2. Обработка: Система понимания запросов запрашивает category-location relevance scores для Локации А.
3. Расчет (Аппроксимация): Используя описанный механизм, система быстро определяет (аппроксимирует), что категория «Кофейни» имеет высокую релевантность в Локации А из-за высокой плотности кофеен поблизости.
4. Результат: Система предлагает поисковую подсказку «Starbucks».
5. Альтернативная ситуация: Тот же пользователь находится в обсерватории в горах (Локация Б) и вводит «Star».
6. Расчет (Аппроксимация): Система аппроксимирует оценки для Локации Б и определяет, что категория «Астрономия» имеет высокую релевантность, а «Кофейни» — низкую.
7. Результат: Система предлагает подсказку «Star gazing» или названия звезд.