Как Google использует историю запросов, сделанных на Картах, для ранжирования локальных результатов и рекламы

Термины и определения

Content Items (Элементы контента)

Данные, предоставляемые в ответ на запрос. В патенте конкретно упоминаются бизнес-листинги (business listings) и реклама (advertisements).

Query Log (Лог запросов)

База данных, хранящая информацию о прошлых запросах. Запись включает термины запроса, информацию о регионе, который отображался у пользователя (Viewport), и, возможно, контент, который был предоставлен в ответ.

Region of Interest (Область интереса)

Географическая область, с которой связан запрос. Может определяться текущим местоположением пользователя (GPS, WiFi, IP) или областью, отображаемой на карте.

Viewport (Область просмотра)

Часть интерфейса пользователя (например, в приложении карт), отображающая определенную географическую область. Является ключевым элементом для определения контекста запроса.

Bounding Region (Ограничивающий регион)

Географические координаты или идентификатор области, которая была отображена в Viewport пользователя в момент отправки запроса.

Pushpin Features (Метки на карте)

Визуальные элементы (например, булавки), добавляемые на карту в Viewport для обозначения местоположения Content Items.

Population-averaged interest (Усредненный по популяции интерес)

Статистическая оценка того, какой контент наиболее интересен для большинства пользователей в контексте определенной географической области.

Location-Based Ranking Module (Модуль ранжирования на основе местоположения)

Компонент системы, отвечающий за ранжирование Content Items на основе анализа Query Logs, связанных с локацией.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования контента на основе анализа локализованных логов запросов, включая временной фактор.

1. Система идентифицирует географический регион в ответ на получение информации об области просмотра (viewport) от клиентского устройства. Также идентифицируются элементы контента, связанные с этим регионом.
2. Система анализирует Query Logs от пользователей, которые отправляли запросы, связанные с этим регионом, для определения ранжирования.
3. Ключевой механизм ранжирования: Ранжирование основано на (i) количестве запросов в логах, которым соответствует данный элемент контента, И (ii) времени совершения этих запросов.
4. Темпоральный фактор (Критично): Элемент контента ранжируется выше (ranked higher), если запросы произошли в среднем недавно (more recently on average), и ниже (ranked lower), если запросы произошли в среднем давно (less recently on average).
5. Система получает новый географический поисковый запрос, связанный с этим регионом.
6. Система предоставляет результаты для отображения в viewport, основываясь на рассчитанном ранжировании.
7. Фильтрация (Усечение): Предоставляются только элементы, чей ранг выше определенного порогового значения (predetermined threshold ranking), которое основано на viewport.

Claim 8 (Независимый пункт): Описывает процесс сбора данных в Query Log и их последующее использование (петля обратной связи).

1. Система получает первый запрос от пользователя, пока определенный регион отображается в Viewport.
2. Результаты предоставляются пользователю.
3. Сбор данных: В Query Log сохраняется запись, включающая термины запроса и информацию, описывающую отображаемый регион.
4. Позже система получает второй запрос, связанный с этим же регионом.
5. Применение данных: Система анализирует Query Log, используя сохраненные данные, чтобы ранжировать элементы контента для второго запроса на основе количества прошлых запросов, которым они соответствуют.
6. Система предоставляет результаты второго запроса.

Claim 6 (Зависимый от 1): Детализирует процесс оценки логов и расчета метрики.

Процесс включает определение запросов, связанных с регионом, извлечение контента, который был показан по этим запросам, и обновление специфичной для региона метрики (region-specific measure) – счетчика того, сколько раз этот контент был релевантен запросам в регионе. Ранжирование основывается на этой метрике.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя данные, собранные в процессе взаимодействия пользователей с системой, и влияя на ранжирование локализованных результатов.

CRAWLING & INDEXING – Сканирование и Индексирование
Content Items (бизнес-листинги, реклама) должны быть проиндексированы и связаны с конкретными географическими координатами или регионами.

Сбор данных (Data Acquisition - происходит во время взаимодействия пользователя с поиском)
Query Handler непрерывно собирает данные: термины запроса, границы Viewport (географический контекст) и показанный контент. Эти данные сохраняются в Query Logs.

Офлайн-анализ (Связано с INDEXING/QUNDERSTANDING)
Location-Based Ranking Module периодически анализирует Query Logs для определения популярных запросов и соответствующего им контента для различных географических регионов. Здесь вычисляются метрики популярности (region-specific measure) и применяются темпоральные факторы.

RANKING / RERANKING – Ранжирование и Переранжирование
Основное применение патента. При получении нового локального запроса система использует предварительно рассчитанные метрики популярности из Query Logs для ранжирования или переранжирования кандидатов. Также на этом этапе применяется фильтрация (усечение) результатов.

Входные данные:

• Запрос пользователя (Query Terms).
• Информация о локации (Region of Interest), чаще всего определяемая через Viewport.
• Query Logs, содержащие прошлые запросы, связанные с локациями.

Выходные данные:

• Отсортированный и отфильтрованный список Content Items.
• Визуальное представление, например, Pushpin features на карте.

На что влияет

• Конкретные типы контента: Напрямую влияет на бизнес-листинги (business listings) и рекламу (advertisements) в картографических сервисах и локальном поиске (Local Pack).
• Специфические запросы: Наибольшее влияние на запросы с локальным интентом (например, "рестораны", "прокат велосипедов"), особенно те, которые вводятся во время использования карт.
• Конкретные ниши или тематики: Влияет на все локальные ниши. Система адаптирует ранжирование под специфику района. Патент приводит пример: прокат велосипедов может быть более популярен в районе Marina District, тогда как такси — в районе аэропорта.

Когда применяется

• Триггеры активации: Получение запроса, связанного с определенной географической областью, особенно когда пользователь использует картографическое приложение и его Viewport определяет контекст поиска.
• Условия применения: Используется для определения того, что наиболее интересно пользователям (Population-averaged interest) в данной локации. Также активируется, когда необходимо сократить (truncate) количество результатов, если их слишком много для отображения (например, в плотной городской застройке).

Пошаговый алгоритм

Процесс А: Сбор данных (Онлайн)

1. Получение контекста: Система фиксирует Region of Interest, который пользователь просматривает в Viewport.
2. Получение запроса: Пользователь вводит поисковый запрос (Query Terms).
3. Первичное ранжирование и показ: Система предоставляет результаты пользователю.
4. Логирование: Система создает запись в Query Log. Запись включает: термины запроса, информацию, описывающую отображаемый регион (Bounding Region), и показанный контент.

Процесс Б: Анализ и расчет ранжирования (Офлайн/Периодически)

1. Агрегация данных: Система анализирует Query Logs, чтобы найти все запросы, связанные с конкретным регионом.
2. Оценка популярности (Region-specific measure): Для каждого Content Item в регионе система подсчитывает, сколько раз он соответствовал запросам в этом регионе.
3. Применение темпорального фактора: Система корректирует оценку популярности на основе времени запросов. Оценка повышается для недавних запросов и понижается для устаревших.
4. Определение ранжирования: Создается ранжирование Content Items для данного региона на основе скорректированных оценок.

Процесс В: Применение ранжирования (Онлайн)

1. Получение нового запроса: Система получает новый запрос, связанный с определенным регионом.
2. Идентификация кандидатов: Определяются релевантные Content Items.
3. Применение локализованного ранжирования: Система использует ранжирование, рассчитанное в Процессе Б, для сортировки кандидатов.
4. Фильтрация (Усечение): Если результатов слишком много для Viewport, список сокращается на основе ранжирования (используется predetermined threshold ranking).
5. Предоставление результатов: Финальный набор предоставляется пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и географических данных, собранных в процессе использования сервиса.

• Поведенческие факторы:
  • Query Terms: Текст запросов, которые пользователи вводят.
  • Агрегированная частота запросов, связанных с конкретным контентом в определенном регионе (из Query Logs).
• Географические факторы:
  • Viewport / Bounding Region: Область карты, которую просматривал пользователь в момент запроса (ключевой контекст).
  • Местоположение пользователя (GPS, WiFi, IP): Используется для определения Region of Interest. Корреляция сильнее, если физическое местоположение совпадает с Viewport.
  • Географическая привязка Content Items.
• Временные факторы:
  • Метки времени прошлых запросов. Используются для оценки свежести интереса.

Какие метрики используются и как они считаются

• Частота соответствия (Query Count / Number of Queries): Основная метрика популярности. Подсчет количества раз, когда Content Item был релевантен запросам, связанным с определенным регионом.
• Region-specific measure (Специфичная для региона метрика): Счетчик популярности контента в регионе (упоминается в Claim 6).
• Темпоральная оценка (Time of Occurrence): Метрика свежести. Ранг повышается, если связанные запросы произошли "more recently on average", и понижается, если "less recently on average". Предполагает механизм временного затухания.
• Predetermined threshold ranking (Пороговое значение ранга): Используется для фильтрации (усечения) результатов, чтобы избежать перегрузки Viewport.

1. Локализованная популярность как прямой фактор ранжирования: Патент подтверждает, что Google использует агрегированные поведенческие данные (историю запросов) для определения популярности контента в конкретном географическом контексте. Если бизнес часто ищут пользователи, просматривающие определенный район на карте, этот бизнес будет ранжироваться выше в этом районе.
2. Контекст просмотра карты (Viewport) критичен: Система активно логирует и использует информацию о том, какую именно область карты (Viewport) пользователь просматривал в момент поиска. Это обеспечивает высокую точность определения географического контекста интереса (гиперлокальность).
3. Свежесть интереса (Temporal Factor) имеет решающее значение: Популярность не статична. Claim 1 явно указывает на механизм повышения ранга за недавний интерес и понижения за устаревший. Для поддержания позиций необходим постоянный поток свежих релевантных запросов.
4. Ранжирование для фильтрации (Truncation): Механизм используется не только для сортировки, но и для фильтрации результатов. В плотных городских районах система покажет только те объекты, которые наиболее популярны согласно анализу Query Logs.
5. Применимость к Local SEO и Ads: Механизм применяется как к органическим бизнес-листингам (business listings), так и к рекламе (advertisements).

Best practices (это мы делаем)

• Стимулирование локального поискового спроса (Prominence): Необходимо работать над повышением узнаваемости и востребованности бизнеса в его физическом расположении. Маркетинговые активности (офлайн и онлайн), которые побуждают пользователей искать ваш бизнес или вашу категорию услуг в контексте вашего района, напрямую улучшают ранжирование согласно этому патенту.
• Поддержание свежести интереса: Поскольку система повышает ранг за недавний интерес (Time element), необходимо генерировать постоянный поток запросов. Сезонные акции, мероприятия и инфоповоды помогают поддерживать актуальность.
• Оптимизация под микро-районы и локальный интент: Популярность оценивается на уровне Viewport (кварталы, районы). Анализируйте спрос в микро-локации и убедитесь, что ваш бизнес соответствует популярным локальным интентам (Population-averaged interest). Например, если у вокзала часто ищут «кофе с собой», акцентируйте эту услугу.
• Комплексное заполнение Google Business Profile (GBP): Обеспечьте максимальную релевантность вашего листинга широкому спектру потенциальных запросов (категории, услуги, товары). Чем большему числу релевантных запросов соответствует ваш листинг, тем выше будет его агрегированная оценка популярности в логах.

Worst practices (это делать не надо)

• Игнорирование офлайн-популярности: Полагаться исключительно на техническую SEO-оптимизацию GBP недостаточно. Если бизнес не генерирует реального интереса и поискового спроса в своей локации, его ранжирование будет уступать более популярным конкурентам.
• Накрутка локальных запросов: Попытки искусственно симулировать поисковый спрос (например, через ботов, выполняющих запросы с подменой локации или Viewport) рискованны и могут быть идентифицированы как аномальная активность в Query Logs.
• Ставка на прошлые заслуги: Полагаться на то, что бизнес был популярен год назад. Из-за темпорального фактора (затухания), отсутствие свежего интереса приведет к снижению позиций.

Стратегическое значение

Этот патент детализирует, как Google технически измеряет «Известность» (Prominence) — один из трех столпов локального SEO. Он подчеркивает, что ранжирование в Google Maps — это отражение реальной популярности и востребованности бизнеса в определенном месте и времени. Долгосрочная стратегия должна фокусироваться на построении сильного локального бренда и стимулировании органического интереса. Google использует «Мудрость толпы» (агрегированные данные Query Logs) как надежный сигнал для определения локальной релевантности.

Практические примеры

Сценарий 1: Влияние свежести интереса (Temporal Factor)

1. Контекст: В определенном районе города открылся новый ресторан, который провел агрессивную маркетинговую кампанию.
2. Логирование: В течение последних недель в Query Logs резко возросло количество запросов, связанных с этим рестораном (брендовые и категорийные), от пользователей, просматривающих этот район (Viewport).
3. Расчет и Взвешивание: Система рассчитывает метрику популярности. Благодаря тому, что запросы очень свежие (Claim 1), применяется повышающий временной коэффициент.
4. Результат: Новый ресторан быстро получает высокую видимость на Картах для этого района, опережая старые заведения, интерес к которым стабилен или снижается.

Сценарий 2: Фильтрация (Truncation) в торговом центре

1. Контекст: Пользователь смотрит на карту крупного ТЦ, где расположены сотни магазинов. Отображение всех перегрузит карту.
2. Исторические данные: Анализ Query Logs показывает, что наиболее частые запросы в этой области связаны с конкретными анкорными арендаторами (например, Apple, Zara) и категориями («фудкорт»).
3. Результат: При общем просмотре карты система применит фильтрацию (Truncation). В первую очередь будут показаны метки (Pushpin Features) магазинов, соответствующих наиболее частым историческим запросам, а менее популярные магазины будут скрыты до увеличения масштаба или уточнения запроса.