Как Google использует контекстно-зависимые шаблоны запросов для понимания локальных поисковых запросов

Термины и определения

Additional Signals from User Actions (Дополнительные сигналы от действий пользователя)

Данные о поведении пользователя после выполнения запроса (например, клик по результату, уточнение запроса). Используются в офлайн-режиме для валидации интерпретаций при генерации шаблонов.

Context (Контекст)

Набор факторов, характеризующих среду пользователя в момент отправки запроса. Включает локаль (Locale), язык, страну, домен (например, .com, .de) и тип клиента (Client Type - desktop или mobile).

Geographical Search Query (Географический поисковый запрос)

Запрос, направленный на поиск информации о местоположении, адресе или географической области.

Interpretation Candidates (Кандидаты на интерпретацию)

Потенциальные варианты интерпретации входящего запроса, сгенерированные на основе Query Templates.

Probability Distribution (Распределение вероятностей)

Статистическая функция, определяющая вероятность того, что конкретный Query Template является правильной интерпретацией запроса для заданного Context.

Query Templates (Шаблоны запросов)

Абстрактные структуры географических запросов, состоящие из упорядоченного набора Term Types. Генерируются путем анализа логов. Пример: [STREET_NUMBER] [ROUTE] [LOCALITY].

Term Types (Типы терминов)

Категории, присваиваемые терминам в запросе. Примеры: ROUTE (улица), LOCALITY (населенный пункт), STREET_NUMBER (номер дома), ENTITY_POI (точка интереса), POSTAL_CODE (индекс), STATE, COUNTRY.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод интерпретации географических поисковых запросов.

1. Система получает географический поисковый запрос от клиента.
2. Система получает (из логов) множество исторических географических запросов.
3. На основе этих запросов определяются Query Templates. Каждый шаблон включает расположение нескольких географических Term Types.
4. Ключевое условие: некоторые шаблоны имеют различное расположение Term Types для разных локалей (Locales).
5. Определяются Probability Distributions для шаблонов, соответствующие этим разным локалям.
6. Шаблоны предоставляются в качестве Interpretation Candidates для интерпретации нового запроса. При этом используется распределение вероятностей, соответствующее локали, из которой был получен новый запрос.

Ядром изобретения является создание и использование контекстно-зависимых (в частности, зависимых от локали) вероятностных моделей для понимания структуры географических запросов.

Claim 15 (Зависимый): Уточняет процесс генерации шаблонов.

Определение шаблонов запросов основано на исторических запросах и связанных с ними действиях пользователей (user actions), таких как выбор результата поиска или уточнение запроса. Это подтверждает использование поведенческих данных для обучения модели.

Claim 18 (Зависимый): Расширяет понятие контекста.

Указывается, что шаблоны также могут иметь разное расположение Term Types для разных языков. Вероятности определяются с учетом как местоположения, так и языка запроса.

Claim 20 (Зависимый): Приводит конкретный пример региональных различий.

Первый шаблон имеет набор Term Types в первом порядке для первой локали, а второй шаблон имеет тот же набор Term Types, но во втором (отличном) порядке для второй локали (например, [Улица][Номер] vs [Номер][Улица]).

Где и как применяется

Изобретение применяется на этапе понимания запроса и является критически важным для локального поиска.

QUNDERSTANDING – Понимание Запросов
Это основная область применения. Система функционирует как интерпретатор географических запросов (Query interpreter). Она анализирует входящий запрос и контекст пользователя, используя предварительно рассчитанные Query Templates и Probability Distributions, чтобы определить наиболее вероятный географический интент.

Сбор данных и Анализ (Офлайн)
Процесс генерации шаблонов (Mining) происходит офлайн. Query template generator анализирует логи поисковых запросов (полученные, например, от Map Search engine) и Additional signals from user actions для построения статистических моделей.

RANKING – Ранжирование (Локальное)
Система напрямую не ранжирует результаты, но предоставляет входные данные для ранжирования. Результат интерпретации (структурированный интент) передается в географический поисковый движок (Geographic search engine) для извлечения и сортировки локальных результатов.

Входные данные (Онлайн):

• Входящий географический поисковый запрос.
• Контекст пользователя (Context): Локаль, Язык, Тип устройства.
• База данных индексированных шаблонов запросов с их распределениями вероятностей.

Выходные данные (Онлайн):

• Ранжированный список кандидатов на интерпретацию (Interpretation Candidates) с присвоенными оценками (Scores).

На что влияет

• Конкретные типы контента: Влияет на результаты в Google Maps, Local Pack, страницы локальных бизнесов и точки интереса (POI).
• Специфические запросы: Запросы с географическим интентом, особенно неоднозначные запросы, где интерпретация зависит от региональных особенностей (например, адресные запросы).
• Конкретные ниши или тематики: Все ниши, зависящие от локального трафика (ритейл, услуги, недвижимость, туризм).
• Языковые и географические ограничения: Патент специально разработан для обработки этих ограничений. Эффективность системы зависит от объема и качества накопленных логов для конкретной локали и языка.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система идентифицирует запрос как географический.
• Условия работы: Применяется для интерпретации структуры запроса до того, как он будет выполнен поисковым движком, особенно в случаях структурной неоднозначности.

Пошаговый алгоритм

Процесс А: Офлайн-генерация шаблонов запросов (Mining)

1. Сбор данных: Получение логов географических поисковых запросов из поискового движка (например, Map Search engine).
2. Извлечение уникальных запросов: Фильтрация и подсчет уникальных запросов.
3. Определение интерпретаций: Для каждого уникального запроса определяется его корректная интерпретация. Это делается с использованием результатов поискового движка и Additional signals from user actions (клики, уточнения запроса).
4. Извлечение шаблонов: Интерпретации абстрагируются до Query Templates путем замены терминов на их типы (Term Types).
5. Подсчет уникальных шаблонов: Агрегация и определение списка уникальных шаблонов.
6. Расчет вероятностей по контекстам: Определение Probability Distributions для каждого шаблона в зависимости от Context (локаль, язык, тип устройства).
7. Индексирование и хранение: Сохранение шаблонов и их вероятностей для использования в реальном времени.

Процесс Б: Интерпретация запроса в реальном времени

1. Получение запроса и контекста: Система получает входящий запрос и определяет Context пользователя.
2. Генерация кандидатов: Система сопоставляет запрос с базой Query Templates для генерации Interpretation Candidates.
3. Присвоение вероятностей: Каждому кандидату присваивается вероятность на основе Probability Distribution для текущего контекста.
4. Присвоение оценок (Scoring): Кандидатам присваиваются оценки. Оценка может основываться на вероятности шаблона и других критериях (например, популярность результата, расстояние до пользователя).
5. Ранжирование: Кандидаты ранжируются на основе оценок.
6. Предоставление результатов: Наиболее вероятная(ые) интерпретация(и) используется для выполнения запроса в поисковом движке.

Какие данные и как использует

Данные на входе

Система использует следующие типы данных:

• Поведенческие факторы: Критически важные данные. Логи выполненных географических запросов (search query log). Additional signals from user actions (выбор результата, последующие уточнения) используются для валидации интерпретаций и расчета вероятностей во время офлайн-анализа.
• Географические факторы: Данные о местоположении пользователя для определения локали (Locale) и страны. Используются как часть Context.
• Пользовательские факторы: Язык пользователя (Language) и тип устройства (Client Type - desktop/mobile). Также используются как часть Context.

Какие метрики используются и как они считаются

• Частота (Count): Количество раз, когда шаблон встретился в логах для определенного контекста.
• Probability Distribution (Распределение вероятностей): Ключевая метрика. Рассчитывается на основе частоты использования шаблона в конкретном контексте. Определяет вероятность P(Template | Context).
• Interpretation Scores (Оценки интерпретации): Оценки, присваиваемые кандидатам в онлайн-режиме. Они основываются на Probability Distribution и могут включать другие факторы, упомянутые в патенте, такие как популярность результата или расстояние между результатом и пользователем.

1. Контекст определяет интерпретацию в локальном поиске: Главный вывод — интерпретация географического запроса статистически зависит от контекста пользователя (локаль, язык, устройство). Google не применяет универсальные правила парсинга адресов.
2. Data-Driven подход и региональные различия: Система обучается на исторических данных (логах запросов) и явно учитывает, что порядок терминов (Term Types) различается в зависимости от региона (Claim 20). То, как люди ищут в определенном регионе, определяет, как Google будет интерпретировать будущие запросы из этого региона.
3. Вероятностное разрешение неоднозначности: При наличии нескольких возможных интерпретаций система использует рассчитанные Probability Distributions для выбора наиболее статистически вероятного варианта для данного контекста.
4. Важность поведенческих сигналов для обучения: Патент явно указывает (Claim 15) на использование действий пользователя (клики, уточнения запроса) для валидации интерпретаций во время генерации шаблонов. Поведенческие факторы играют ключевую роль в обучении систем понимания запросов.
5. Офлайн-вычисления для скорости: Генерация шаблонов и расчет вероятностей происходят офлайн, что позволяет системе быстро применять сложные статистические модели в реальном времени.

Best practices (это мы делаем)

• Глубокая локализация SEO-стратегии: Необходимо исследовать, как именно целевая аудитория в конкретном регионе и на конкретном языке формулирует географические запросы. Адаптируйте контент, метаданные и структуру локальных страниц под доминирующие локальные Query Templates (например, порядок адреса, использование сокращений).
• Обеспечение четкости и полноты локальных данных (NAP): Предоставляйте полные, консистентные и отформатированные в соответствии с местными стандартами данные о местоположении (Name, Address, Phone). Это помогает системе корректно классифицировать элементы адреса по Term Types.
• Использование структурированных данных (LocalBusiness Schema): Внедряйте микроразметку для точного указания всех компонентов адреса. Это помогает поисковой системе однозначно идентифицировать Term Types и снижает риск неоднозначной интерпретации.
• Учет типа устройства в SEO-стратегии: Так как тип устройства (Client Type) является частью Context, паттерны запросов могут отличаться. Анализируйте данные GSC для выявления различий в формулировках запросов с мобильных и десктопных устройств и адаптируйте стратегию соответственно.

Worst practices (это делать не надо)

• Применение универсальных форматов адресов: Использование единого стандарта форматирования (например, американского) для всех международных версий сайта. Это может привести к тому, что контент не будет соответствовать доминирующим локальным Query Templates в целевом регионе.
• Игнорирование языкового контекста: Не учитывать язык пользователя при оптимизации локального контента. Язык является важным контекстуальным сигналом, влияющим на выбор шаблона интерпретации (Claim 18).
• Прямой перевод ключевых слов без структурной адаптации: Дословный перевод географических запросов или локального контента без учета структурных и лингвистических различий в целевом языке и регионе.

Стратегическое значение

Патент подтверждает стратегическую важность локализации, выходящей за рамки простого перевода. Для успешного международного и локального SEO необходимо адаптировать структуру и семантику под реальные поведенческие паттерны пользователей в целевом регионе. Google использует сложные статистические модели, основанные на машинном обучении и анализе больших данных, для интерпретации географического интента. Долгосрочная стратегия должна фокусироваться на соответствии этим изученным моделям поведения.

Практические примеры

Сценарий 1: Обработка неоднозначного запроса в разных локалях

1. Запрос: Пользователь вводит запрос из двух терминов: [Term A] [Term B].
2. Контекст 1 (США): Система проверяет Probability Distributions для локали США. Шаблон [ROUTE] [LOCALITY] (Улица Город) имеет вероятность 70%, а шаблон [LOCALITY] [ROUTE] (Город Улица) – 10%.
3. Результат в США: Система предпочтет интерпретацию "Улица Город".
4. Контекст 2 (Некоторая страна Европы): Система проверяет вероятности для этой локали. Шаблон [LOCALITY] [ROUTE] имеет вероятность 65%.
5. Результат в Европе: Система предпочтет интерпретацию "Город Улица".

Сценарий 2: Интерпретация запроса "zurich 9000" (Пример из описания патента)

1. Запрос: "zurich 9000". Контекст: Швейцария.
2. Генерация кандидатов:
   1. Кандидат A: [CITY] [POSTAL_CODE] (Цюрих, индекс 9000).
   2. Кандидат B: [STREET_NUMBER] [ROUTE] (Дом Цюрих, улица 9000 - или наоборот).
3. Применение вероятностей: Система проверяет статистику для контекста (Швейцария). Допустим, вероятность шаблона A составляет 65%, а шаблона B – 23%.
4. Результат: Интерпретация A получает более высокий Score и выбирается для предоставления результатов.