Как Google динамически регулирует влияние фактора близости в локальном поиске в зависимости от тематики запроса и региона

Термины и определения

Distance Importance Factor (Фактор важности расстояния)

Ключевая метрика патента. Указывает на степень важности близости (proximity) между местоположением запроса и местоположением результата для конкретного запроса, региона или их комбинации.

Distance Multiplier (Множитель расстояния / Оценка расстояния)

Компонент оценки ранжирования, связанный с расстоянием (часто рассматривается как штраф за расстояние). В патенте приводится пример формулы: $a/(a+distance)$, где параметр 'a' может динамически изменяться с помощью Distance Importance Factor.

Driving Direction Distance (Расстояние по маршруту)

Расстояние, рассчитанное в ответ на запрос пользователя о построении маршрута до выбранного результата поиска. Используется как сильный сигнал пользовательского намерения преодолеть это расстояние.

Proximity Value (Значение близости)

Итоговая оценка близости результата, рассчитанная на основе фактического расстояния и Distance Importance Factor. Передается в модуль ранжирования.

Query Location (Местоположение запроса)

Географическое местоположение, связанное с запросом. Может быть извлечено из текста запроса или определено по местоположению пользователя (GPS, IP).

Region Distance Multiplier (RDM) (Региональный множитель расстояния)

Коэффициент, используемый для корректировки фактического расстояния на основе характеристик региона (например, плотности). В плотных регионах RDM может быть > 1, увеличивая "воспринимаемое" расстояние и усиливая пессимизацию.

Region-normalized distance (Регионально-нормализованное расстояние)

Typical Proximity Distance для запроса, скорректированное с учетом Typical Proximity Distance для региона (например, путем деления).

Search Result Location (Местоположение результата поиска)

Географическое местоположение сущности, представленной в результатах поиска (например, адрес магазина).

Typical Proximity Distance (Типичное расстояние близости) / Result Distance

Репрезентативное расстояние между Query Location и Search Result Location. Рассчитывается на основе исторических данных (кликов, маршрутов), часто как медиана или среднее значение.

Ключевые утверждения (Анализ Claims)

Важно отметить, что Claims (1-24 в PDF) фокусируются преимущественно на офлайн-процессе генерации данных, тогда как процесс онлайн-ранжирования описан в Abstract и Description.

Офлайн-процесс (Claims 1, 10, 18): Описывает процесс генерации базовых данных для определения важности расстояния.

1. Система получает данные логов запросов (query log data), включающие множество запросов и информацию о том, какие результаты были выбраны (кликнуты) пользователями.
2. На основе этих данных генерируется коллекция запросов, где каждый запрос ассоциируется с result distance (типичным расстоянием для запроса).
3. Одновременно генерируются данные о регионах (region data), где каждый географический регион ассоциируется с region distance (типичным расстоянием для региона).

Ядром является генерация двух ключевых наборов данных на основе исторического поведения: типичного расстояния для конкретных тематик и типичного расстояния для конкретных регионов.

Claim 9/17 (Зависимые): Детализируют расчет нормализованного фактора.

Генерируется фактор расстояния (distance factor) для каждого запроса путем деления result distance запроса на region distance региона, который включает местоположение этого запроса. Это создает регионально-нормализованную метрику.

Claim 2/11 (Зависимые): Уточняют источники данных.

Result distance может быть сгенерировано на основе driving direction distances (расстояний по запрошенным маршрутам), связанных с выбранными результатами.

Онлайн-процесс (Описан в Abstract и Description):

1. Система получает запрос и релевантные результаты.
2. Получается Distance Importance Factor для запроса и/или региона.
3. Для каждого результата определяется Proximity Value на основе Distance Importance Factor и фактической близости.
4. Proximity Values передаются в модуль ранжирования.

Где и как применяется

Изобретение применяется в системах локального поиска (Local Search) и затрагивает несколько этапов поисковой архитектуры.

QUNDERSTANDING / INDEXING (Офлайн-аспект)
Система выполняет глубокий офлайн-анализ исторических логов (Historical Log of Query and Click Data, данные о маршрутах). На этом этапе происходит генерация Query-data store и Region-data store. Это глобальный процесс понимания того, как пользователи взаимодействуют с локальными результатами в зависимости от тематики и географии.

RANKING – Ранжирование (Локальное ранжирование)
Основное применение патента. Когда система идентифицирует локальный интент запроса, активируются алгоритмы локального ранжирования.

1. Определение местоположений: Идентифицируются Query Location и Search Result Locations кандидатов.
2. Получение фактора важности: Система запрашивает Query-data store и/или Region-data store для получения Distance Importance Factor (и связанных метрик, например, RDM).
3. Расчет Proximity Value: Система вычисляет оценку близости для каждого результата. Эта оценка модулируется с помощью Distance Importance Factor.
4. Ранжирование: Proximity Value используется как один из ключевых сигналов наряду с релевантностью и авторитетностью (Prominence).

Входные данные:

• Исходный запрос и Query Location.
• Набор результатов-кандидатов и их Search Result Locations.
• Query-data store и Region-data store.

Выходные данные:

• Proximity Values (скорректированные оценки близости) для каждого результата, передаваемые в модуль ранжирования.

На что влияет

• Конкретные типы контента: Влияет исключительно на результаты, имеющие физическое местоположение — локальные бизнесы, точки интереса (POI). Применяется в основном в Local Pack/Finder и Картах.
• Специфические запросы и ниши: Влияние сильно зависит от интента и плотности ниши.
  • Высокая важность близости (Proximity-sensitive): Запросы типа "ATM", "АЗС", "кофе рядом" (commodity services).
  • Низкая важность близости (Quality/Relevance-sensitive): Запросы типа "аэропорт", "тематический парк", "лучший адвокат по банкротству" (специализированные услуги, уникальные места).
• Географические ограничения: Алгоритм специально разработан для адаптации к разным географическим условиям (плотные городские центры vs малонаселенные районы).

Когда применяется

• Условия работы алгоритма: Применяется всегда, когда система обнаруживает локальный интент в запросе и ранжирует результаты с физическими адресами.
• Триггеры активации: Активация происходит не по принципу включения/выключения, а по принципу модуляции. Степень влияния фактора близости динамически регулируется для каждой комбинации запроса и региона с помощью Distance Importance Factor.

Пошаговый алгоритм

Процесс А: Офлайн-генерация данных (Построение Модели)

1. Сбор данных: Система агрегирует исторические логи запросов, Click Data и Driving Directions Data.
2. Анализ логов и Расчет расстояний: Для каждого взаимодействия вычисляется расстояние между Query Location и выбранным Search Result Location.
3. Определение типичного расстояния для Запросов: Для конкретных запросов вычисляется Typical Proximity Distance (например, медиана всех расстояний). Сохраняется в Query-data store.
4. Определение типичного расстояния для Регионов: Для географических регионов вычисляется Typical Proximity Distance на основе всех запросов в этом регионе. Сохраняется в Region-data store.
5. Нормализация и Расчет Факторов:
   1. Рассчитывается Region-normalized distance (делением расстояния запроса на расстояние региона).
   2. Рассчитывается Region Distance Multiplier (RDM) путем сравнения регионального расстояния с глобальным базовым уровнем.

Процесс Б: Онлайн-ранжирование (Применение Модели)

1. Получение запроса: Система получает запрос и определяет Query Location.
2. Отбор кандидатов: Получается набор релевантных локальных результатов.
3. Получение фактора важности: Система извлекает Distance Importance Factor и/или RDM для данной комбинации запроса и региона.
4. Расчет фактического расстояния: Вычисляется расстояние до каждого Search Result Location.
5. Вычисление Proximity Value: Рассчитывается итоговая оценка близости (штраф за расстояние). Патент описывает несколько вариантов применения факторов:
   • Вариант 1 (Корректировка входного расстояния): Фактическое расстояние умножается на RDM. Distance_adj = Distance * RDM.
   • Вариант 2 (Модуляция параметра функции): Distance Importance Factor используется для изменения параметра 'a' в функции оценки расстояния (например, $a/(a+distance)$).
   • Вариант 3 (Компрессия диапазона/Remapping): Если важность расстояния очень низкая, диапазон функции пессимизации сжимается (например, с [0, 1] до [0.5, 1]), уменьшая максимальный штраф.
6. Ранжирование: Модуль ранжирования использует Proximity Value наряду с другими сигналами для сортировки результатов.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Основной источник данных для обучения модели.
  • Query log data: Исторические данные о введенных запросах.
  • Click Data: Информация о том, какие результаты были выбраны пользователями.
  • Driving Directions Data: Данные о запросах на построение маршрутов (откуда и куда пользователи планируют ехать после поиска).
• Географические факторы:
  • Query Location: Местоположение, связанное с запросом (GPS, WiFi, IP-адрес, извлеченное из текста запроса).
  • Search Result Location: Физические адреса или координаты бизнесов/точек интереса.
• Альтернативные данные (упомянуты как возможные источники):
  • Population Density Data: Данные о плотности населения в регионе.
  • Business Density Data: Данные о плотности бизнесов определенной категории в регионе.

Какие метрики используются и как они считаются

• Typical Proximity Distance (Типичное расстояние близости): Рассчитывается как медиана (Median) или среднее (Mean) расстояний из исторических данных (кликов или маршрутов) для конкретного запроса или региона.
• Normalized Distance (ND) (Нормализованное расстояние): Используется для масштабирования расстояний в диапазон [0, 1] для анализа. Формула: $ND = (Dist\_Result - Dist\_Closest) / (Dist\_Farthest - Dist\_Closest)$.
• Region-Normalized Distance: Рассчитывается как Typical Proximity Distance запроса, деленное на Typical Proximity Distance региона.
• Region Distance Multiplier (RDM): Метрика для корректировки расстояния на основе региональных особенностей. Рассчитывается на основе сравнения Typical Proximity Distance региона с глобальным базовым уровнем (Worldwide Baseline Distance) и фактором комбинирования (CF). Формула: $RDM = (1 + CF * WorldwideBaseline / TypicalDistance) / (1 + CF)$.

1. Близость (Proximity) — это динамический, а не статический фактор: Патент подтверждает, что Google не применяет единый вес к фактору близости. Его важность меняется в зависимости от контекста запроса и местоположения.
2. Важность расстояния определяется поведением пользователей: Система обучается на исторических данных (кликах и маршрутах), чтобы понять, насколько далеко пользователи готовы ехать по определенным запросам. Эта "готовность к перемещению" (travel tolerance) напрямую определяет Distance Importance Factor.
3. Адаптация к географическому контексту: Система учитывает региональные особенности. В плотных городских районах пользователи ожидают найти результаты ближе, чем в сельской местности. Механизм Region Distance Multiplier (RDM) корректирует восприятие расстояния системой (например, 5 км в городе "весят" больше, чем 5 км в пригороде).
4. Баланс между близостью и качеством/релевантностью: Distance Importance Factor является механизмом балансировки. Если фактор низкий (пользователи готовы ехать далеко), то сигналы качества и релевантности (Prominence/Relevance) могут позволить удаленному бизнесу занять высокие позиции. Если фактор высокий (важна шаговая доступность), близость становится доминирующим сигналом.
5. Данные о маршрутах как сильный сигнал: Запросы на построение маршрутов (Driving Direction Requests) рассматриваются как явное подтверждение намерения пользователя посетить локацию и являются очень ценными данными для обучения системы.

Best practices (это мы делаем)

• Дифференцированная стратегия для разных ниш:
  • Ниши с низкой важностью расстояния (Quality/Relevance-sensitive) (специализированные услуги, уникальные товары, B2B, достопримечательности): Фокусируйтесь на повышении авторитетности (Prominence) и релевантности. Необходимо максимизировать сигналы E-E-A-T, получать качественные отзывы и ссылки, создавать исчерпывающий контент. Это позволит расширить географический охват.
  • Ниши с высокой важностью расстояния (Proximity-sensitive) (commodity services: АЗС, ATM, кофейни, продуктовые магазины): Приоритет отдается гиперлокальной оптимизации. Критически важно точное позиционирование, оптимизация под запросы "рядом со мной" и управление репутацией в непосредственной близости.
• Анализ радиуса релевантности: Проанализируйте выдачу в вашем регионе, чтобы понять, какой радиус охватывает Google для вашей ниши. Это поможет установить реалистичные ожидания по географическому охвату и понять, насколько агрессивно Google применяет фактор близости.
• Оптимизация под пользовательский интент готовности к перемещению: Создавайте контент и сигналы, которые позиционируют ваш бизнес как "destination" (место, ради которого стоит проделать путь), если это применимо к вашей нише. Подчеркивайте уникальность и качество услуг.
• Стимулирование взаимодействия (Engagement): Поскольку система учится на поведении пользователей (клики, запросы маршрутов), оптимизируйте листинг в Google Business Profile для повышения CTR и стимулирования запросов маршрутов.

Worst practices (это делать не надо)

• Игнорирование категории бизнеса: Применение одинаковой локальной SEO-стратегии ко всем типам бизнеса. Стратегия для адвоката должна радикально отличаться от стратегии для кофейни.
• Борьба с близостью в commodity-нишах: Попытки ранжировать бизнес с высокой важностью расстояния (например, АЗС) далеко за пределами его непосредственной локации путем манипуляций с контентом или ссылками. Алгоритм будет агрессивно применять штраф за расстояние.
• Фокус только на близости в специализированных нишах: Полагаться только на то, что бизнес находится близко к пользователю, игнорируя сигналы качества и авторитетности, особенно если конкуренты предлагают более высокое качество услуг.

Стратегическое значение

Этот патент описывает фундаментальный механизм балансировки сигналов в локальном поиске. Он подтверждает, что Google стремится смоделировать реальное поведение пользователей, а не просто измерять расстояние по прямой. Стратегическое значение заключается в понимании того, что "радиус ранжирования" не является фиксированным значением, а вычисляется динамически на основе тематики запроса и географического контекста. Это подчеркивает переход к поведенческому гео-ранжированию.

Практические примеры

Сценарий 1: Специализированная юридическая фирма (Низкий Distance Importance Factor)

1. Контекст: Пользователь ищет "лучший адвокат по иммиграции" в крупном мегаполисе.
2. Анализ Google: Система определяет, что пользователи готовы ехать далеко (низкий Distance Importance Factor).
3. Действие: Google применяет низкий штраф за расстояние.
4. Результат: Высокоавторитетная фирма с отличными отзывами, расположенная в 25 км от пользователя, может ранжироваться выше, чем менее известная фирма в 3 км.
5. SEO-действие: Фирме нужно максимизировать сигналы Prominence (отзывы, E-E-A-T, PR), чтобы воспользоваться низким штрафом за расстояние.

Сценарий 2: Кофейня в плотном городском центре (Высокий Distance Importance Factor)

1. Контекст: Пользователь ищет "кофе" в центре города с мобильного устройства.
2. Анализ Google: Система определяет, что пользователи ищут кофе в шаговой доступности (высокий Distance Importance Factor). Region Distance Multiplier также высок из-за плотности застройки.
3. Действие: Google применяет очень агрессивный штраф за расстояние.
4. Результат: Кофейня в 300 метрах будет ранжироваться значительно выше, чем кофейня в 2 км, даже если у второй рейтинг немного лучше.
5. SEO-действие: Кофейне необходимо сосредоточиться на гиперлокальных сигналах. Расширение радиуса ранжирования крайне затруднено.