Как Google идентифицирует локальных экспертов и использует их отзывы для ранжирования в локальном поиске

Термины и определения

Agreement Score (Оценка совпадения мнений)

Метрика, определяющая степень совпадения отзывов (например, рейтинговых оценок) между пользователем, выполняющим поиск, и кандидатом в эксперты по бизнесам, которые они оба рецензировали.

Business Ontology (Онтология бизнеса)

Структура данных, описывающая различные типы бизнесов (категории) и иерархические отношения между ними (например, Ресторан -> Итальянский ресторан -> Пиццерия).

Expert (Эксперт)

Пользователь, идентифицированный системой как обладающий значительными знаниями о конкретной категории бизнеса в конкретной географической области. Идентификация основывается преимущественно на количестве (и качестве) оставленных им неспамных отзывов.

Expert Index (Индекс экспертов)

Хранилище данных, содержащее записи об экспертах, проиндексированные по парам "географическая область + категория бизнеса" для быстрого извлечения.

Expertise Score (Оценка экспертизы)

Числовое значение, присваиваемое пользователю для конкретной пары "географическая область + категория бизнеса". Основано на количестве отзывов, оставленных пользователем в этой категории и области. Может также учитывать вес отзывов (время, длина, полезность).

Geographic Information System (GIS) (Геоинформационная система)

Система, хранящая данные о географических объектах (бизнесах, городах, странах) и иерархических отношениях между ними.

Personalized Expert (Персонализированный эксперт)

Эксперт, чьи отзывы схожи с отзывами пользователя, выполняющего поиск. Определяется на основе Agreement Score и количества совместно рецензированных бизнесов.

Review Filter Module (Модуль фильтрации отзывов)

Компонент, отвечающий за удаление спама, коротких отзывов и отзывов низкого качества до того, как они будут использованы для идентификации экспертов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования локальных результатов на основе отзывов экспертов.

1. Система получает запрос от пользователя.
2. Идентифицируется географическая область и категория бизнеса для запроса.
3. Идентифицируется множество экспертов из числа пользователей на основе количества отправленных ими отзывов, относящихся к данной области и категории.
4. Критический элемент: Процесс идентификации включает итеративное изменение (обобщение) категории бизнеса для нахождения по крайней мере порогового числа экспертов.
5. Локальные результаты, релевантные запросу, ранжируются на основе отзывов этих идентифицированных экспертов.
6. Ранжированные результаты отображаются пользователю.

Claim 2 (Зависимый от 1): Дополняет механизм поиска экспертов (механизм отката/обобщения).

Если экспертов недостаточно, система также может увеличивать географическую область до иерархически более высокого уровня (например, от района к городу), чтобы найти пороговое число экспертов.

Claim 3 и 4 (Зависимые от 1 и 3): Вводят и детализируют концепцию персонализации.

Система идентифицирует Personalized Expert на основе сравнения отзывов эксперта и пользователя. Идентификация включает определение количества совместно рецензированных бизнесов и расчет Agreement Score. Если мнения совпадают (score ниже порога), эксперт признается персонализированным.

Claim 5 и 7 (Зависимые от 1): Описывают фильтрацию отзывов.

Система идентифицирует и удаляет отзывы, которые вероятно являются спамом (Claim 5), или отзывы короче пороговой длины, или имеющие оценку качества (Quality Score) ниже пороговой (Claim 7), из набора данных, используемого для идентификации экспертов.

Claim 8 (Зависимый от 1): Определяет основной критерий экспертизы.

Идентификация эксперта включает ранжирование рецензентов по количеству предоставленных отзывов и определение эксперта как рецензента, предоставившего наибольшее количество отзывов.

Claim 10 (Зависимый от 1): Уточняет механизм ранжирования результатов.

Для локального результата рассчитывается взвешенный рейтинг на основе рейтинга, данного экспертом, и его Expertise Score (мнение более авторитетного эксперта весит больше).

Claim 11 (Зависимый от 1): Описывает ранжирование самих отзывов.

При просмотре выбранного результата поиска система ранжирует отзывы об этом результате на основе Expertise Scores их авторов и отправляет их пользователю в ранжированном порядке.

Где и как применяется

Изобретение затрагивает несколько этапов поисковой архитектуры, связывая процессы индексации пользовательского контента с ранжированием локальных результатов.

CRAWLING & INDEXING – Сканирование, Индексирование и Извлечение признаков
На этом этапе происходит сбор и обработка пользовательских отзывов (UGC) из различных источников (например, Business Directory, Social Network). Система выполняет ключевые офлайн-процессы:

• Фильтрация: Удаление спама и низкокачественных отзывов (Review Filter Module).
• Классификация: Использование GIS и Business Ontology для привязки отзывов к иерархиям географических областей и категорий бизнеса.
• Расчет метрик: Вычисление Expertise Scores для пользователей на основе объема их релевантных отзывов.
• Идентификация экспертов: Определение экспертов для каждой пары область/категория и сохранение их в Expert Index.

QUNDERSTANDING – Понимание Запросов
При получении запроса модули (Query Location Classifier и Query Business Classifier) анализируют его для определения географического интента и категории бизнеса.

RANKING (Local) & RERANKING – Ранжирование и Переранжирование
Основное применение патента. Local Search System использует данные из Expert Index для влияния на ранжирование.

1. Извлечение экспертов: Система извлекает список экспертов, релевантных запросу.
2. Обобщение (Механизм отката): Если экспертов недостаточно, система итеративно обобщает категорию или расширяет географию.
3. Персонализация (Опционально): Система может идентифицировать Personalized Experts на лету, сравнивая историю отзывов ищущего пользователя с кандидатами в эксперты.
4. Ранжирование результатов: Оценки, данные экспертами (взвешенные по Expertise Score или персонализированной оценке), используются для расчета рейтинга для каждого локального результата.
5. Ранжирование отзывов: При просмотре конкретного бизнеса отзывы о нем сортируются на основе Expertise Score их авторов.

Входные данные:

• Отзывы пользователей (текст, рейтинг, ID пользователя, ID бизнеса, метка времени).
• Данные GIS и Business Ontology.
• Локальный поисковый запрос.
• История отзывов пользователя, выполняющего поиск (для персонализации).

Выходные данные:

• Expert Index (офлайн).
• Ранжированный список локальных результатов поиска (онлайн).
• Ранжированный список отзывов для выбранного результата (онлайн).

На что влияет

• Конкретные типы контента: В первую очередь влияет на ранжирование локальных бизнесов (Local Packs, Google Maps) и отображение отзывов о них.
• Специфические запросы: Наибольшее влияние на локальные запросы с явным или неявным географическим интентом и указанием категории (например, "лучшие кофейни рядом", "сантехник в Бруклине").
• Конкретные ниши или тематики: Сильное влияние в нишах с большим объемом отзывов (рестораны, отели, ритейл, услуги), где возможно статистически достоверно идентифицировать экспертов.

Когда применяется

• Условия работы алгоритма: Алгоритм применяется при обработке локальных поисковых запросов.
• Триггеры активации (Идентификация экспертов): Активируется офлайн для конкретной пары область/категория, когда накоплено пороговое количество не-спамных отзывов и когда достаточное количество пользователей оставили отзывы в этой паре.
• Триггеры активации (Ранжирование): Активируется онлайн, когда для запроса удается найти пороговое количество экспертов в Expert Index. Если порог не достигнут, активируется механизм обобщения (отката).

Пошаговый алгоритм

Процесс А: Офлайн-идентификация экспертов (Expert Identification)

1. Сбор данных: Получение отзывов из Review Data Store. Опционально фильтрация по свежести (например, за последние 2 года).
2. Фильтрация: Обработка отзывов модулем Review Filter. Удаление спама, отзывов короче пороговой длины или с низким Quality Score.
3. Проверка порогов (Данные): Определение, было ли получено достаточное количество неспамных отзывов от достаточного числа рецензентов для данной комбинации область/категория. Если нет, процесс приостанавливается.
4. Классификация: Определение географической области (используя GIS) и категории бизнеса (используя Business Ontology) для каждого отзыва. Отзыв привязывается ко всем уровням иерархии (например, отзыв о пиццерии в Бруклине относится к "Пиццерии в Бруклине", "Рестораны в Нью-Йорке" и т.д.).
5. Расчет экспертизы: Вычисление Expertise Score для каждого пользователя по каждой комбинации область/категория. Счет основан на количестве отзывов пользователя в этой комбинации. Отзывы могут взвешиваться по времени, длине или полезности.
6. Выбор экспертов: Ранжирование пользователей по Expertise Score для каждой комбинации. Выбор Топ-N пользователей как экспертов.
7. Индексация: Сохранение списка экспертов в Expert Index, используя комбинацию область/категория в качестве ключа.

Процесс Б: Онлайн-ранжирование локальных результатов (Local Search Ranking)

1. Получение запроса: Local Search Engine получает запрос от пользователя.
2. Классификация запроса: Определение географической области и категории бизнеса.
3. Извлечение экспертов: Запрос к Expert Index для получения экспертов по данной паре область/категория.
4. Обобщение (Механизм отката): Определение, проиндексировано ли более порогового числа экспертов.
   1. Если НЕТ: Итеративно выбрать менее специфичную географическую область ИЛИ менее специфичную категорию бизнеса. Повторить запрос к Expert Index (Шаг 3).
   2. Если ДА: Перейти к следующему шагу.
5. Персонализация (Опционально):
   1. Извлечение отзывов пользователя и кандидатов в эксперты.
   2. Вычисление Agreement Score и количества общих рецензий.
   3. Ранжирование экспертов на основе этих данных для идентификации Personalized Experts.
6. Ранжирование результатов: Ранжирование локальных результатов.
   1. Извлечение отзывов идентифицированных экспертов о результатах поиска.
   2. Расчет агрегированной оценки для каждого результата (например, средняя оценка экспертов, взвешенная по их Expertise Score или персонализированной оценке).
   3. Финальное ранжирование на основе агрегированной оценки и других сигналов (релевантность, дистанция).
7. Отправка результатов: Отправка ранжированного списка пользователю.
8. Ранжирование отзывов (по запросу): Если пользователь выбирает результат, система ранжирует отзывы об этом бизнесе по Expertise Score авторов и отправляет их пользователю.

Какие данные и как использует

Данные на входе

• Контентные факторы (Отзывы): Текст отзыва (используется для фильтрации спама и оценки качества/длины), рейтинговая оценка (например, количество звезд; используется для ранжирования результатов и расчета Agreement Score).
• Пользовательские факторы (UGC): ID пользователя (для агрегации отзывов), история отзывов пользователя (используется для расчета Expertise Score и персонализации).
• Временные факторы: Метка времени отзыва (может использоваться для фильтрации старых отзывов или взвешивания свежих отзывов при расчете Expertise Score).
• Поведенческие факторы (Взаимодействие с отзывами): Индикаторы полезности отзыва от других пользователей (например, лайки) могут использоваться для оценки качества отзыва (Quality Score) и взвешивания при расчете Expertise Score.
• Структурные/Географические факторы (Системные): Локация бизнеса (GIS), иерархия категорий (Business Ontology). Локация пользователя или запроса.

Какие метрики используются и как они считаются

• Expertise Score: Рассчитывается для пользователя по конкретной паре область/категория. Основной компонент – количество не-спамных отзывов пользователя в этой паре. Может быть взвешенной суммой, учитывающей длину, свежесть и полезность отзывов.
• Agreement Score: Метрика схожести мнений между двумя пользователями. Рассчитывается, например, как средняя разница между рейтингами совместно рецензированных бизнесов.
• Personalization Score (или Personalized Expertise Score): Метрика для ранжирования экспертов для конкретного пользователя. Основана на комбинации Agreement Score и количества совместно рецензированных бизнесов, может корректировать вес Expertise Score.
• Expert Review Score (Агрегированная оценка бизнеса): Оценка бизнеса, основанная на отзывах экспертов. Может быть взвешенным средним, где вес определяется Expertise Score или Personalization Score эксперта.
• Review Quality Score: Оценка качества отдельного отзыва, используемая для фильтрации. Основана на длине текста, признаках спама или индикаторах полезности.
• Пороги (Thresholds):
  • Минимальное количество отзывов/рецензентов для идентификации экспертов в области/категории.
  • Минимальное количество экспертов, необходимое для активации ранжирования (иначе запускается механизм отката).
  • Порог длины и качества отзыва.
  • Порог Agreement Score для идентификации Personalized Expert.

1. Авторитет автора отзыва критичен для локального ранжирования: Патент подтверждает, что Google не рассматривает все отзывы как равные. Система активно идентифицирует локальных экспертов и придает их мнениям больший вес при ранжировании бизнесов.
2. Объем и качество отзывов определяют экспертизу: Основным фактором для идентификации эксперта является количество оставленных им отзывов в конкретной локации и категории, при условии, что эти отзывы прошли фильтры спама и качества (длина, полезность). Количество используется как прокси для экспертизы.
3. Иерархическое понимание локаций и категорий: Система использует GIS и Business Ontology для иерархической классификации. Это позволяет агрегировать экспертизу на разных уровнях (например, эксперт по "Пиццериям в Бруклине" также вносит вклад в экспертизу по "Ресторанам в Нью-Йорке").
4. Механизм отката (Generalization) при нехватке данных: Если для узкой ниши или конкретной локации нет достаточного числа экспертов, система автоматически расширяет область поиска или обобщает категорию. Это гарантирует покрытие и означает, что авторитет в широкой категории может влиять на ранжирование в узких нишах.
5. Персонализация через схожесть вкусов: Система может предпочесть мнения тех экспертов, чьи предыдущие оценки совпадали с оценками ищущего пользователя (Personalized Experts). Это делает локальную выдачу динамичной и зависимой от профиля пользователя.
6. Ранжирование самих отзывов: Не только бизнесы, но и сами отзывы ранжируются для показа пользователю на основе Expertise Score их авторов.

Best practices (это мы делаем)

• Стимулирование отзывов от активных локальных пользователей (Local Guides): Необходимо мотивировать клиентов, которые часто посещают и рецензируют аналогичные заведения в вашем регионе, оставлять отзывы о вашем бизнесе. Пользователи с высоким уровнем в Google Local Guides идеально соответствуют определению «Эксперта» в патенте, и их мнения имеют больший вес.
• Фокус на качестве и детализации отзывов: Поощряйте клиентов оставлять развернутые, информативные отзывы. Патент явно указывает на фильтрацию коротких отзывов и учет качества/полезности при определении Expertise Score.
• Активное управление репутацией (ORM) и борьба со спамом: Своевременно выявляйте и помечайте спамные или фейковые отзывы, так как система стремится исключить их из расчетов при идентификации экспертов.
• Точная категоризация бизнеса: Убедитесь, что ваш бизнес правильно категоризирован в Google Business Profile (GBP) и других источниках. Это критично для того, чтобы система корректно сопоставляла ваш бизнес с релевантными экспертами через Business Ontology.
• Мониторинг авторитетных рецензентов: Идентифицируйте ключевых локальных экспертов/гидов в вашей нише и локации. Взаимодействие с ними и получение от них обратной связи имеет стратегическое значение.

Worst practices (это делать не надо)

• Массовая закупка фейковых или низкокачественных отзывов: Эта тактика неэффективна. Review Filter Module предназначен для отсеивания спама и коротких отзывов. Они не будут учтены при расчете Expertise Score и не повлияют на ранжирование через описанный механизм.
• Использование шаблонных отзывов: Стимулирование клиентов оставлять отзывы типа "Все понравилось" неэффективно, так как такие отзывы могут быть отфильтрованы по длине и не способствуют росту авторитетности автора.
• Игнорирование негативных отзывов от экспертов: Негативный отзыв от пользователя с высоким Expertise Score окажет значительно большее негативное влияние на ранжирование, чем отзыв от случайного пользователя, из-за механизма взвешивания.
• Попытки создать фейковых «экспертов»: Создание аккаунтов для генерации большого количества отзывов с целью манипулирования Expertise Score рискованно, так как патент упоминает детекцию спама на основе идентификатора пользователя и паттернов активности.

Стратегическое значение

Патент подтверждает стратегическую важность User Generated Content (UGC) и авторитетности источника этого контента в локальном поиске. Он демонстрирует, что Google не рассматривает все отзывы одинаково. Авторитетность рецензента (определяемая через его активность и качество контента) является ключевым модификатором веса его отзыва. Для локального SEO это означает, что стратегии управления репутацией (ORM) должны быть сфокусированы не просто на количестве звезд, а на качестве и привлечении реальных, активных локальных пользователей.

Практические примеры

Сценарий 1: Влияние механизма отката (Generalization/Fallback)

1. Запрос: Пользователь ищет «Крафтовый сидр-бар в районе Сохо, Лондон».
2. Анализ: Система проверяет Expert Index. Предположим, что для узкой категории «Сидр-бар» в «Сохо» недостаточно экспертов (порог не достигнут).
3. Откат (Итерация 1): Система итеративно обобщает категорию до «Крафтовый бар» в «Сохо». Предположим, экспертов найдено достаточно.
4. Результат: Ранжирование сидр-баров будет основано на мнении экспертов по крафтовым барам. Если ваш сидр-бар имеет высокие оценки от этих экспертов, он выиграет в ранжировании, даже если эти эксперты не специализируются именно на сидре.

Сценарий 2: Персонализация ранжирования

1. Пользователь А: Регулярно ставит высокие оценки дорогим ресторанам высокой кухни и низкие оценки фастфуду.
2. Пользователь Б: Предпочитает бюджетные кафе и стритфуд.
3. Запрос: Оба ищут «Рестораны рядом».
4. Идентификация экспертов: Система находит общих экспертов по ресторанам в данной локации.
5. Персонализация:
   • Для Пользователя А система рассчитывает высокий Agreement Score с экспертами, которые также предпочитают высокую кухню. Они становятся Personalized Experts, и их мнения получают больший вес.
   • Для Пользователя Б система выберет экспертов, предпочитающих бюджетные заведения.
6. Результат: Пользователь А увидит в топе выдачи дорогие рестораны, высоко оцененные соответствующими экспертами. Пользователь Б увидит бюджетные кафе.