Как Google группирует подсказки в Google Картах и адаптирует их в зависимости от масштаба карты

Термины и определения

Common Primary Query Term (Общий основной термин запроса)

Базовый поисковый термин, общий для нескольких поисковых подсказок. Например, в подсказках «отели люкс» и «отели рядом с Oakland» основным термином являются «отели».

Geographical Refinement (Географическое уточнение)

Уточняющий термин, который сужает поиск до определенного местоположения (например, «... near Oakland»).

Qualitative Refinement (Качественное уточнение)

Уточняющий термин, который фильтрует поиск по атрибутам или характеристикам (например, «... luxury», «... pet-friendly»).

Query Grouping Engine (Механизм группировки запросов)

Компонент системы, отвечающий за анализ подсказок, выявление общих основных терминов и формирование групп уточнений.

Refinement Terms (Уточняющие термины)

Термины, добавляемые к основному запросу для его сужения или уточнения. Отображаются на subordinate positions.

Viewport (Окно просмотра)

Видимая пользователю область интерфейса, отображающая часть графического представления карты.

Zoom Level (Уровень масштабирования / Масштаб)

Степень приближения карты в окне просмотра. Используется как ключевой сигнал для определения типа предлагаемых уточнений.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод группировки подсказок в картографическом интерфейсе.

1. Система получает ввод текста в поле запроса интерфейса карты, который имеет viewport, отображающий часть карты с определенным zoom level.
2. До отправки запроса (на этапе автозаполнения):
   1. Определяется текущий zoom level и географическое положение, отображаемое в viewport.
   2. Получается набор query suggestions на основе введенного текста.
   3. Производится группировка подсказок, имеющих common primary query term.
   4. Ключевое условие: refinement terms в этой группе выбираются на основе как zoom level, так и географического положения, отображаемого в viewport в момент ввода текста.
   5. Набор подсказок передается на клиентское устройство. Группа представляется так, что основной термин занимает видное положение (prominent position), а уточнения — подчиненное (subordinate positions). Все элементы кликабельны.

Claims 3, 4, 5 (Зависимые от 1): Детализируют логику выбора уточнений в зависимости от масштаба.

• Claim 3 (Отдаленный масштаб): Если zoom level отдален (регион с несколькими городами), то refinement terms выбираются для географического уточнения.
• Claim 4 (Средний масштаб): Если zoom level приближен к конкретному городу, то refinement terms выбираются для географического и качественного уточнения.
• Claim 5 (Приближенный масштаб): Если zoom level приближен к конкретному местоположению внутри города (район), то refinement terms выбираются для качественного уточнения.

Claim 6 (Зависимый от 1): Описывает механизм итеративного уточнения («стекирование» или Query Stacking).

Пользователь выбирает подсказку (она становится текущим запросом). До отправки этого нового запроса система получает и группирует второй набор подсказок, которые уточняют новый запрос. Они отображаются так, чтобы было понятно, что они уточняют текущий запрос в поле ввода (например, пользователь выбрал «hotels near San Francisco», система предлагает «...luxury»).

Claim 7 (Зависимый от 1): Описывает механизм уточнения после поиска.

Пользователь отправляет common primary query term (например, «отели»). Одновременно с результатами поиска пользователю отображаются refinement terms (которые ранее были в группе подсказок) как выбираемые опции для уточнения уже отправленного запроса.

Где и как применяется

Изобретение применяется исключительно на этапе взаимодействия пользователя с поисковой строкой, до или сразу после отправки запроса.

QUNDERSTANDING – Понимание Запросов
Это основная область применения патента. Система работает в рамках механизма поисковых подсказок (Autocomplete/Query Suggestions) и помогает в формулировании запроса (Query Formulation).

• Взаимодействие: Система взаимодействует с Query Suggestion Engine для получения базовых подсказок и с Query Grouping Engine для их структурирования. В контексте карт она также взаимодействует с интерфейсом карты для получения данных о текущем состоянии (Viewport, Zoom Level).
• Входные данные:
  • Частично введенный текст запроса.
  • Текущий Zoom Level карты.
  • Географическое положение, отображаемое в Viewport.
  • Набор исходных Query Suggestions.
• Выходные данные:
  • Структурированный и сгруппированный набор поисковых подсказок, адаптированный к контексту карты.

На что влияет

• Конкретные типы контента: В первую очередь влияет на локальный контент и сущности, привязанные к карте (бизнесы, адреса, достопримечательности).
• Специфические запросы: Влияет на категорийные запросы в локальном контексте (например, «рестораны», «отели»).
• Конкретные ниши или тематики: Наибольшее влияние в тематиках с высокой локальной спецификой и богатым набором атрибутов (HoReCa, ритейл, услуги).

Когда применяется

Алгоритм применяется в реальном времени при выполнении следующих условий:

• Условие работы: Пользователь вводит текст в поле поиска картографического интерфейса.
• Триггеры активации:
  • Ввод символов в поле поиска.
  • Изменение Zoom Level или перемещение карты при активном поле поиска.
  • Выбор предыдущей подсказки (для итеративного уточнения, Claim 6).
• Особые случаи: В описании патента указано, что система может исключать из группы подсказки, содержащие явное географическое указание, которое не отображается в текущем viewport (например, не показывать «отели в Oakland» в группе, если карта сильно приближена к району San Francisco).

Пошаговый алгоритм

Процесс А: Группировка подсказок при вводе текста

1. Получение ввода и контекста: Система получает текстовый ввод от пользователя. Одновременно определяются текущий Zoom Level и географическое положение в Viewport.
2. Генерация подсказок: Query Suggestion Engine генерирует набор поисковых подсказок.
3. Анализ и идентификация: Query Grouping Engine анализирует подсказки для выявления Common Primary Query Term (например, «отели»).
4. Определение типа уточнений: Система определяет требуемый тип Refinement Terms на основе Zoom Level (согласно Claims 3-5):
   1. Масштаб отдален (много городов): Приоритет географическим уточнениям.
   2. Масштаб средний (один город): Комбинация географических и качественных уточнений.
   3. Масштаб приближен (район): Приоритет качественным уточнениям.
5. Фильтрация и группировка: Подсказки, соответствующие основному термину и требуемому типу уточнений, объединяются в группу. Подсказки с нерелевантными географическими указаниями могут быть исключены из группы.
6. Форматирование вывода: Группа форматируется для отображения: основной термин выделяется (prominent position), уточнения подчиняются (subordinate positions).
7. Отображение: Сгруппированный набор передается пользователю.

Процесс Б: Итеративное уточнение (Stacking)

1. Выбор подсказки: Пользователь выбирает одну из подсказок (например, «отели в San Francisco»). Она помещается в поле ввода.
2. Генерация новых уточнений: До отправки запроса система генерирует новый набор подсказок, основанный на полном тексте в поле ввода.
3. Группировка и Отображение: Новые подсказки группируются как уточнения к текущему запросу (например, «...люкс», «...с бассейном») и отображаются в подчиненном положении.
4. Повторение: Пользователь может выбрать уточнение, и процесс повторяется, позволяя «наращивать» запрос.

Какие данные и как использует

Данные на входе

Патент фокусируется на обработке подсказок и контексте интерфейса. Он использует следующие данные:

• Пользовательские факторы:
  • Текст, вводимый пользователем в реальном времени (text input).
• Географические факторы (Контекстуальные):
  • Географическое положение, отображаемое в Viewport.
  • Zoom Level (масштаб карты). Эти данные критически важны для выбора типа уточнений.
• Системные данные:
  • Набор Query Suggestions, сгенерированный Query Suggestion Engine.

Какие метрики используются и как они считаются

Патент не детализирует конкретные метрики или формулы, но описывает логику принятия решений:

• Классификация масштаба: Система классифицирует Zoom Level по категориям (регион, город, район). Конкретные пороговые значения масштаба для переключения между категориями в патенте не указаны.
• Логика выбора уточнений: Используется условная логика для маппинга категории масштаба на тип уточнений (географические, качественные или смешанные).
• Идентификация основного термина: Методы определения Common Primary Query Term (анализ префиксов или структуры подсказок).
• Метрика уверенности (Косвенно): В описании патента упоминается, что количество предложенных уточнений может зависеть от уверенности системы в том, что основной термин является правильным завершением ввода.

1. Контекст карты определяет тип подсказок: Ключевым выводом является то, что Google динамически адаптирует предлагаемые уточнения запроса в зависимости от того, что пользователь видит на карте. Масштаб (Zoom Level) является определяющим фактором: отдаленный вид стимулирует географические уточнения, приближенный — качественные (атрибуты бизнеса).
2. Структурирование локального интента (Где vs. Что): Система использует четкую логику приоритезации. При широком охвате карты важнее сузить географию («Где?»). При узком охвате важнее фильтровать по атрибутам («Что?» или «Какой?»).
3. Итеративное уточнение (Stacking): Система поддерживает «стекирование» уточнений (Claim 6), позволяя пользователю последовательно выбирать атрибуты (Категория -> Местоположение -> Качество) для формирования сложного запроса до его отправки.
4. Уточнение после поиска: Даже после отправки базового запроса система продолжает предлагать релевантные уточнения в виде фильтров (Claim 7), обеспечивая непрерывный процесс поиска.
5. Приоритезация атрибутов: Те качественные и географические термины, которые используются в качестве Refinement Terms, являются наиболее важными атрибутами, по которым Google классифицирует сущности в данной локации и для данной категории.

Best practices (это мы делаем)

• Максимальное заполнение атрибутов в Google Business Profile (GBP): Поскольку система активно предлагает качественные уточнения (qualitative refinements) при приближении карты (Claim 5), критически важно обеспечить наличие всех релевантных атрибутов у локального бизнеса (например, «pet-friendly», «gym», «luxury»). Это повышает вероятность соответствия уточненному запросу пользователя.
• Оптимизация под географические идентификаторы разного уровня: Необходимо убедиться, что бизнес корректно ассоциирован не только с городом, но и с районами и ориентирами. Система использует эти данные для географических уточнений (geographical refinements) на среднем уровне масштаба (Claim 4).
• Анализ предлагаемых уточнений в нише: Регулярно анализируйте, какие именно уточнения Google предлагает в вашей категории при разных масштабах карты в целевых локациях. Это прямой индикатор того, какие атрибуты и интенты Google считает приоритетными.
• Оптимизация под комбинации (Stacking): Учитывайте механизм итеративного уточнения (Claim 6). Создавайте локальный контент и посадочные страницы, оптимизированные под длинные запросы, включающие как географические, так и качественные модификаторы (например, «отели в центре Сочи с бассейном»).

Worst practices (это делать не надо)

• Игнорирование атрибутов бизнеса: Фокусироваться только на основном категорийном запросе (например, «отель») и игнорировать атрибуты. Система активно уводит пользователей от общих запросов к уточненным.
• Оптимизация только под один уровень географии (только город): Это ограничивает видимость бизнеса на тех уровнях масштаба, где система предлагает уточнения по районам или качественным характеристикам.
• Манипуляция атрибутами: Указание ложных атрибутов в GBP в попытке охватить больше qualitative refinements приведет к плохому пользовательскому опыту и потенциальным санкциям.

Стратегическое значение

Патент подчеркивает важность структурированных данных и атрибутов для локального поиска. Он демонстрирует, как Google использует интерфейс для управления пользовательским поведением, направляя его по пути уточнения запроса. Для SEO это означает, что видимость в локальном поиске сильно зависит от полноты и точности данных о сущности (бизнесе) и ее атрибутах. Стратегия должна быть направлена на максимальное соответствие всем релевантным комбинациям «Категория + Местоположение + Атрибут».

Практические примеры

Сценарий: Оптимизация отеля в San Francisco

1. Анализ масштаба 1 (Регион): SEO-специалист открывает карту с видом на Bay Area (включая Oakland, San Francisco и т.д.) и вводит «отели». Система группирует подсказки (Claim 3): «отели ...near Oakland», «...near San Francisco».
   Действие: Убедиться, что отель четко ассоциирован с San Francisco в GBP и на сайте.
2. Анализ масштаба 2 (Город): Специалист приближает карту к центру San Francisco и снова вводит «отели». Система предлагает (Claim 4): «отели ...luxury», «...near Pacific Heights».
   Действие: Добавить атрибут «luxury» (если применимо) и убедиться в наличии контента/отзывов, упоминающих район Pacific Heights, если отель находится рядом.
3. Анализ масштаба 3 (Район): Специалист сильно приближает карту к району, где находится отель. Ввод «отели». Система предлагает (Claim 5): «отели ...pet-friendly», «...gym».
   Действие: Максимально заполнить все сервисные атрибуты в GBP (наличие спортзала, возможность проживания с животными).
4. Анализ итеративного уточнения (Stacking): Специалист выбирает «отели near Pacific Heights». Система предлагает (Claim 6) «...cheap».
   Действие: Если отель позиционируется как бюджетный, использовать соответствующие атрибуты и ценовые указатели.