Как Google понижает удаленные локальные результаты, если существуют более близкие альтернативы или качественные нелокальные сайты

Термины и определения

Distant Document (Удаленный документ)

Локальный документ, местоположение которого не удовлетворяет порогу близости к местоположению пользователя.

Distant Document Demotion Threshold (Порог понижения удаленного документа)

Минимальная оценка ранжирования, которую должен иметь нелокальный документ, чтобы считаться качественной альтернативой и вызвать понижение удаленного локального документа.

Distant Document Preservation Threshold (Порог сохранения удаленного документа)

Минимальная оценка Location Independent Search Score, при достижении которой локальный документ защищен от понижения, даже если он является удаленным (глобально значимый ресурс).

Local Document (Локальный документ)

Документ, классифицированный как имеющий локальную значимость (local significance) для определенного географического местоположения (например, страница бизнеса).

Local Intent Measure (Мера локального интента)

Метрика, оценивающая вероятность того, что пользователь ищет результаты, привязанные к его местоположению, даже если в запросе нет явного указания локации.

Location Independent Search Score (Оценка ранжирования, не зависящая от местоположения)

Компонент оценки ранжирования, отражающий релевантность документа запросу без учета географической близости к пользователю (глобальная релевантность).

Proximity Measure (Мера близости)

Метрика, основанная на географическом местоположении пользователя и локального документа. Может основываться на физическом расстоянии или нахождении в пределах одних политических границ.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной механизм понижения на основе наличия более близких локальных альтернатив.

1. Система получает запрос, местоположение пользователя и набор ранжированных документов (включая local documents).
2. Определяется, что первый локальный документ (Doc A) подходит для demotion operation. Это основано на proximity measure (Doc A далеко от пользователя).
3. В ответ система проверяет другие локальные документы (Doc B).
4. Doc A понижается в ранжировании, ЕСЛИ хотя бы один Doc B находится в пределах порогового расстояния (threshold distance) от пользователя.

Claim 2 (Зависимый от 1): Описывает альтернативное условие понижения на основе наличия качественных нелокальных альтернатив.

1. Если локальный документ (Doc A) подходит для понижения, система проверяет нелокальные документы (Doc C).
2. Если хотя бы один Doc C имеет оценку, удовлетворяющую distant document demotion threshold (т.е. он достаточно релевантен).
3. Система понижает рейтинг Doc A так, чтобы его ранг относительно Doc C уменьшился.

Claim 4 и 5 (Зависимые от 1): Детализируют определение "удаленности".

• Claim 4: Расстояние между пользователем и документом превышает максимальное расстояние (maximum distance).
• Claim 5: Пользователь и документ не находятся в пределах одного региона, определенного политическими границами (например, в одном штате).

Claim 6 (Зависимый от 1): Вводит условие локального интента.

• Механизм применяется к запросам без явной фразы местоположения (location phrase).
• Понижение происходит, только если local intent measure запроса соответствует пороговому значению (т.е. интент достаточно сильный).

Claim 8 (Зависимый от 1): Вводит критически важное исключение — порог сохранения.

• Локальный документ подходит для понижения, ТОЛЬКО если его location independent search score component НЕ соответствует distant document preservation threshold.

Если документ обладает высокой глобальной релевантностью, он защищен от понижения, независимо от расстояния и наличия альтернатив.

Где и как применяется

Изобретение применяется на финальных стадиях обработки запроса, используя данные, рассчитанные ранее.

INDEXING – Индексирование и извлечение признаков
На этом этапе система определяет, какие документы являются local documents, их географическую привязку и рассчитывает Location Independent Search Score.

QUNDERSTANDING – Понимание Запросов
Система определяет Local Intent Measure для запроса, часто на основе анализа логов (Query Logs) для запросов без явного указания локации.

RANKING – Ранжирование
Генерируется первоначальный набор результатов с базовыми оценками ранжирования.

RERANKING – Переранжирование (Twiddlers)
Основное применение патента. Алгоритм (Distance Adjustment Process) корректирует оценки локальных результатов в реальном времени.

1. Оценка расстояния: Сравнение местоположения пользователя с местоположением локальных документов.
2. Определение кандидатов: Идентификация удаленных документов, чей Location Independent Score ниже Preservation Threshold.
3. Проверка условий: Поиск более близких локальных альтернатив или сильных нелокальных результатов.
4. Применение понижения: Корректировка Search Scores кандидатов при выполнении условий.

Входные данные:

• Запрос и местоположение пользователя.
• Набор ранжированных документов с их оценками и классификацией (локальный/нелокальный).
• Location Independent Search Scores и географические координаты локальных документов.
• Local Intent Measure запроса.

Выходные данные:

• Переранжированный набор результатов поиска с скорректированными оценками.

На что влияет

• Специфические запросы: Наибольшее влияние на запросы с неявным (implicit) локальным интентом (например, "ресторан", "автосервис", названия брендов). Патент уточняет, что он применяется к запросам без явного указания города (location phrase).
• Конкретные типы контента: Влияет на local documents — страницы бизнесов, организаций, имеющих физический адрес.
• Конкретные ниши или тематики: Сильное влияние в сферах услуг, ритейле, общепите, где географическая близость критична.

Когда применяется

Алгоритм применяется только при выполнении строгого набора условий:

1. Интент: Запрос имеет достаточную Local Intent Measure (Порог 1).
2. Расстояние: Локальный документ находится далеко от пользователя (Proximity Measure превышает порог) (Порог 2).
3. Глобальная релевантность: Location Independent Search Score документа НИЖЕ Preservation Threshold (Порог 3).
4. Альтернативы: Существует ЛИБО другой локальный документ ближе к пользователю (Порог 4), ЛИБО нелокальный документ с оценкой выше Demotion Threshold (Порог 5).

Пошаговый алгоритм

Процесс обработки локального результата в поисковой выдаче:

1. Получение данных: Система получает запрос, локацию пользователя и набор ранжированных документов.
2. Проверка локального интента: Проверяется Local Intent Measure запроса. Если ниже порога, процесс останавливается.
3. Итерация по локальным документам: Система анализирует каждый local document.
4. Определение удаленности (Eligibility Check 1): Рассчитывается Proximity Measure. Если документ близко, он не подлежит понижению. Переход к следующему документу.
5. Проверка сохранения (Eligibility Check 2): Если документ далеко, проверяется его Location Independent Search Score. Если он выше Preservation Threshold, документ не подлежит понижению. Переход к следующему документу.
6. Идентификация кандидата: Если документ далеко и не сохранен, он помечается как кандидат на понижение.
7. Поиск локальных альтернатив (Demotion Condition 1): Система проверяет, есть ли другие локальные документы в выдаче, находящиеся в пределах порогового расстояния от пользователя.
   • Если ДА: Перейти к шагу 10 (Понижение).
8. Поиск нелокальных альтернатив (Demotion Condition 2): Система проверяет, есть ли нелокальные документы в выдаче с оценкой выше Distant Document Demotion Threshold.
   • Если ДА: Перейти к шагу 10 (Понижение).
9. Отмена понижения: Если альтернатив нет, кандидат не понижается.
10. Расчет и применение понижения: Вычисляется компонент понижения. Он масштабируется в зависимости от Local Intent Measure (например, с использованием сигмоидной функции). Search Score кандидата корректируется. Пример формулы из патента:
    $SS_{demoted} = SS * DC * DCS$SS∗DC∗DCS
    (Где SS – исходная оценка, DC – компонент понижения (<1.0), DCS – масштабирующий компонент).
11. Финальное ранжирование: Набор результатов пересортировывается.

Какие данные и как использует

Данные на входе

• Географические факторы: Местоположение устройства пользователя (например, GPS-координаты). Географическое местоположение, связанное с local document (адрес бизнеса).
• Пользовательские факторы: Устройство, с которого отправлен запрос.
• Поведенческие факторы (Косвенно): Логи запросов (Query Logs) используются для определения Local Intent Measure запроса.
• Системные данные (Scores):
  • Search Score: Общая оценка ранжирования документа.
  • Location Independent Search Score: Оценка релевантности документа без учета локальных бустингов (глобальная релевантность).
• Данные о запросе:
  • Текст запроса и его Local Intent Measure.
  • Наличие или отсутствие явного указания локации (location phrase).

Какие метрики используются и как они считаются

• Proximity Measure: Рассчитывается на основе расстояния между пользователем и локальным документом, или на основе совпадения административных/политических регионов.
• Maximum Locality Distance: Порог расстояния для определения "удаленного" документа. Может зависеть от категории документа (например, для ресторанов меньше, чем для клиник).
• Preservation Threshold: Порог для Location Independent Search Score. Используется для защиты глобально релевантных документов.
• Threshold Distance (для альтернатив): Порог расстояния для определения того, является ли альтернативный локальный результат "близким".
• Distant Document Demotion Threshold: Порог для Search Score нелокальных документов. Используется для определения достаточно качественных нелокальных альтернатив.
• Demotion Component Scaling (DCS): Коэффициент масштабирования понижения. Рассчитывается на основе Local Intent Measure, часто с использованием сигмоидной функции. Чем сильнее локальный интент, тем агрессивнее понижение.

1. Близость является условным фактором ранжирования: Само по себе расстояние не гарантирует понижения. Удаленный локальный результат будет понижен, только если существуют лучшие альтернативы (либо более близкие локальные, либо высококачественные нелокальные). Если альтернатив нет, даже удаленный результат сохранит свою позицию.
2. Глобальная релевантность защищает от локального понижения: Критически важным механизмом является Preservation Threshold. Если сайт имеет высокий Location Independent Search Score (т.е. он авторитетен и релевантен на глобальном уровне), он не будет понижен, даже если находится далеко от пользователя. Это позволяет национальным брендам и известным объектам ранжироваться вне своего региона.
3. Активное управление смешанной выдачей: Google активно управляет балансом между локальными и нелокальными результатами для запросов с неоднозначным интентом. Система стремится избежать показа нерелевантных, хотя и популярных в своем регионе, локальных сайтов удаленным пользователям.
4. Интент запроса модулирует понижение: Степень понижения напрямую зависит от Local Intent Measure. Для запросов с очень сильным локальным интентом удаленные результаты будут понижаться агрессивнее (используется сигмоидная функция для масштабирования).
5. Разделение оценок ранжирования: Патент подтверждает использование составных оценок, включая компонент, не зависящий от местоположения. Это подчеркивает важность базовых факторов ранжирования (E-E-A-T, ссылки, контент) даже в локальном поиске.

Best practices (это мы делаем)

• Для локального бизнеса: Оптимизация под близость (Proximity): Близость к пользователю является главным конкурентным преимуществом. Убедитесь, что Google точно знает ваше местоположение (Google Business Profile, локальные цитирования, гео-сигналы на сайте). Это позволит вам вытеснять удаленных конкурентов за счет активации этого алгоритма понижения.
• Для национальных брендов/сайтов: Усиление глобальной авторитетности: Необходимо работать над повышением Location Independent Search Score. Это достигается за счет классических SEO-факторов: качественный контент, сильный ссылочный профиль, E-E-A-T. Цель — достичь Preservation Threshold, чтобы избежать понижения при поиске из удаленных регионов.
• Анализ интента запросов: Разделяйте семантику на запросы с сильным локальным интентом и глобальные запросы. Для локальных запросов делайте ставку на близость и локальные сигналы, для глобальных — на общую авторитетность.
• Создание качественного нелокального контента: Если ваш сайт является информационным (нелокальным), высокий Search Score позволит вам ранжироваться выше удаленных локальных бизнесов по общим запросам, достигнув Distant Document Demotion Threshold.

Worst practices (это делать не надо)

• Игнорирование глобальных сигналов в локальном SEO: Ошибочно полагать, что для локального ранжирования важна только близость. Если ваш Location Independent Score слишком низок, вы можете проигрывать даже удаленным конкурентам, если у них он достаточно высок для достижения Preservation Threshold.
• Фокус только на локальной популярности: Генерация большого количества локального трафика или отзывов может повысить общую оценку, но не обязательно защитит от понижения в удаленных регионах, если базовая глобальная релевантность сайта низкая.
• Неоднозначный брендинг: Использование названий для локального бизнеса, которые совпадают с крупными информационными запросами (например, назвать компанию "Эдисон"). Этот алгоритм будет активно понижать такой сайт за пределами его региона в пользу информационных ресурсов.

Стратегическое значение

Патент подтверждает дуализм факторов в локальном поиске: локальные сигналы (прежде всего, близость) и глобальные сигналы (авторитетность, релевантность). Стратегия должна учитывать оба аспекта. Для доминирования на национальном уровне необходимо быть глобально релевантным (высокий Location Independent Score). Для доминирования на локальном уровне близость имеет решающее значение, но только при наличии минимально необходимого уровня авторитетности. Этот механизм объясняет, почему иногда менее авторитетный, но близкий бизнес ранжируется выше крупного бренда, и наоборот.

Практические примеры

Сценарий 1: Приоритет близости (Local vs Local)

1. Запрос: "Автосервис Ford" (Высокий локальный интент).
2. Пользователь: Город А.
3. Результаты:
   • Doc A: Автосервис в Городе Б (500 км). Высокий общий рейтинг.
   • Doc B: Автосервис в Городе А (5 км). Средний рейтинг.
4. Анализ: Doc A определяется как удаленный. Его Location Independent Score ниже Preservation Threshold. Doc B находится близко (альтернатива найдена).
5. Действие: Doc A понижается в выдаче. Doc B получает приоритет.

Сценарий 2: Приоритет нелокального результата (Local vs Non-Local)

1. Запрос: "Edison" (Неоднозначный интент).
2. Пользователь: Город А.
3. Результаты:
   • Doc A: Энергетическая компания "Edison" в Городе Б (500 км). Высокий рейтинг из-за локального трафика.
   • Doc C: Статья в Википедии о Томасе Эдисоне (Нелокальный документ). Высокий рейтинг.
4. Анализ: Doc A удаленный. Его глобальная релевантность низкая. Doc C имеет рейтинг выше Demotion Threshold (альтернатива найдена).
5. Действие: Doc A понижается ниже Doc C.

Сценарий 3: Защита глобальной релевантности (Exception)

1. Запрос: "Музей MoMA".
2. Пользователь: Город А (500 км от Нью-Йорка).
3. Результаты:
   • Doc A: MoMA в Нью-Йорке (Удаленный). Очень высокий Location Independent Score.
   • Doc B: Небольшая местная галерея в Городе А (Близкий).
4. Анализ: Doc A удаленный. Однако его Location Independent Score ВЫШЕ Preservation Threshold.
5. Действие: Doc A НЕ понижается, несмотря на расстояние и наличие Doc B.