Как Google определяет приоритет локальных результатов в поиске на основе скрытого намерения пользователя

Описание

Какую задачу решает

Патент решает проблему определения оптимального порядка представления различных категорий (вертикалей) поиска в ответ на запрос пользователя в рамках универсального поиска (Universal Search). Основная задача — предсказать, какая категория результатов (например, Веб, Картинки, Новости, Локальные/Карты) наиболее релевантна намерению пользователя, и соответствующим образом упорядочить выдачу. Особое внимание уделяется идентификации локального намерения (Local Intent) и определению приоритета локальных результатов, особенно в контексте мобильного поиска и при отсутствии явной информации о местоположении.

Что запатентовано

Запатентована система и метод для динамического ранжирования категорий результатов поиска. Система генерирует несколько наборов результатов (result sets) по разным категориям, включая локальный набор (local result set) и нелокальные наборы (non-local result sets). Ключевым изобретением является определение «индикатора локальной релевантности» (local relevance indicium) для запроса. На основе этого индикатора система определяет позицию локальных результатов относительно других категорий в финальной выдаче.

Как это работает

Система работает следующим образом:

• Получение запроса: Система получает запрос от устройства пользователя.
• Определение местоположения: Система пытается определить местоположение (явное в запросе, сохраненное по умолчанию или推断ное).
• Расчет локальной релевантности: Вычисляется local relevance indicium, показывающий, насколько вероятно, что запрос имеет локальное намерение. Для этого используются либо обученная модель машинного обучения (machine learning system), либо предопределенные списки запросов (whitelist/blacklist).
• Генерация результатов: Генерируются наборы результатов по разным категориям.
• Ранжирование категорий: Система определяет порядок отображения категорий. Если local relevance indicium высок, локальные результаты показываются выше (например, на первой вкладке или в виде OneBox).
• Обработка отсутствия местоположения: Если местоположение неизвестно, но локальное намерение высокое, система может активно запросить у пользователя указать местоположение.

Актуальность для SEO

Высокая. Определение намерения пользователя и смешивание результатов из разных вертикалей (Universal Search/Blending) являются основой современного поиска Google. Идентификация локального интента, особенно на мобильных устройствах, критически важна. Описанные механизмы, включая использование машинного обучения для классификации запросов и динамическое упорядочивание результатов, остаются актуальными для понимания логики формирования SERP.

Важность для SEO

Патент имеет высокое значение для SEO, особенно для локального (Local SEO) и мобильного продвижения. Он объясняет механизм, с помощью которого Google может классифицировать запрос как локальный, даже если в нем нет явных указаний на местоположение (например, названия города). Это влияет на то, будет ли показан Local Pack и насколько высоко он будет расположен. Понимание факторов, влияющих на local relevance indicium, позволяет оптимизировать контент так, чтобы он соответствовал локальному намерению и получал приоритет в выдаче.

Детальный разбор

Термины и определения

Blacklist (Черный список)

Список запросов или терминов, которые имеют низкую корреляцию с локальным поиском. Формируется путем анализа наиболее частых запросов в веб-поиске и удаления из них тех, которые также часто встречаются в локальном поиске.

Local Relevance Indicium (Индикатор локальной релевантности)

Метрика или набор правил, определяющий степень корреляции поискового запроса с локальными результатами. Может быть дискретным или непрерывным значением.

Local Result Set (Локальный набор результатов)

Набор результатов поиска, привязанных к определенной географической области (например, рестораны, магазины, погода, местные новости).

Machine Learning System (Система машинного обучения)

Система, обученная на исторических данных поиска (логи запросов и действия пользователей), которая генерирует правила или оценки для предсказания релевантности категории (например, локальной) для нового запроса.

Non-local Result Set (Нелокальный набор результатов)

Наборы результатов из других категорий, не привязанных напрямую к местоположению (например, Web, Images, Video, News).

One Box

Специальный формат отображения результатов поиска, который предоставляет прямой ответ или сводную информацию в структурированном виде (например, блок погоды, Local Pack).

Profile (Профиль пользователя/устройства)

Данные о пользователе или устройстве, включающие историю поисковых запросов и предпочтения по категориям информации. Используется для персонализации порядка результатов.

Whitelist (Белый список)

Список запросов или терминов, которые высоко коррелируют с локальным поиском. Формируется путем анализа наиболее частых запросов в локальном поиске и удаления из них тех, которые также часто встречаются в веб-поиске.

Ключевые утверждения (Анализ Claims)

Патент содержит несколько независимых пунктов формулы изобретения (Claims 1, 7), описывающих разные методы реализации системы.

Claim 1 (Независимый пункт): Описывает метод с использованием машинного обучения.

1. Система получает поисковый запрос от удаленного устройства.
2. Определяется location indicia (индикатор локальной релевантности) для запроса. Ключевой момент: этот индикатор генерируется machine learning system, обученной на предыдущих запросах.
3. Если на основе индикатора определяется, что запрос высоко коррелирует с локальными результатами, система отправляет сообщение на устройство с запросом на ввод местоположения.
4. Система получает указание местоположения от пользователя.
5. Генерируется local result set на основе запроса и полученного местоположения.
6. Генерируются non-local result sets на основе запроса, но без учета местоположения.
7. Система форматирует и отправляет сообщение, включающее локальные и нелокальные результаты.

Система использует модель машинного обучения для оценки вероятности локального намерения запроса. Если намерение сильное, но точное местоположение неизвестно (как следует из логики пункта 3), система активно запрашивает его у пользователя для генерации релевантных локальных результатов и их интеграции в выдачу.

Claim 7 (Независимый пункт): Описывает метод с использованием списков (Whitelist/Blacklist).

1. Система получает поисковый запрос.
2. Определяется, что запрос высоко коррелирует с локальными результатами. Ключевой момент: это определение основано на сравнении терминов запроса с whitelist (список высоко локальных терминов) или blacklist (список нелокальных терминов).
3. Если корреляция высокая, система отправляет сообщение на устройство с запросом на ввод местоположения.
4. Дальнейшие шаги (4-7) аналогичны Claim 1: получение местоположения, генерация локальных и нелокальных результатов, форматирование и отправка.

В этом варианте вместо машинного обучения используется более простой механизм, основанный на предопределенных списках. Если запрос содержит термины из «белого списка» локальных запросов, система считает его локальным и действует соответственно.

Где и как применяется

Изобретение затрагивает несколько ключевых этапов поисковой архитектуры, связанных с интерпретацией запроса и формированием финальной выдачи.

QUNDERSTANDING – Понимание Запросов
На этом этапе происходит классификация интента запроса. Система вычисляет local relevance indicium, используя либо модель машинного обучения (Claim 1), либо проверку по спискам (Claim 7). Это позволяет определить, является ли запрос локально ориентированным, даже без явных географических указателей.

RANKING – Ранжирование
Система запускает параллельный поиск в различных индексах (Web, Images, Local/Maps) для генерации кандидатов (result sets).

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
Это основной этап применения патента. Система использует рассчитанный local relevance indicium для определения порядка смешивания различных категорий результатов. Если индикатор высок, локальные результаты получают приоритет в отображении (например, размещаются выше, на первой вкладке или в формате OneBox). Также на этом этапе может быть принято решение о необходимости запроса местоположения у пользователя, если оно неизвестно.

RERANKING – Переранжирование
На финальном этапе могут применяться дополнительные факторы, упомянутые в патенте, такие как профиль пользователя (Profile) и тип устройства (мобильное/немобильное), для корректировки порядка категорий.

Входные данные:

• Поисковый запрос.
• Информация об устройстве (например, IP-адрес, идентификатор, указывающий на мобильный характер).
• Информация о местоположении (если доступна: явное, по умолчанию,推断ное).
• Данные профиля пользователя (история поиска, предпочтения).

Выходные данные:

• Рассчитанный local relevance indicium.
• Упорядоченный набор категорий результатов поиска (SERP).
• Возможно, запрос на уточнение местоположения пользователя.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с неявным локальным интентом (Implicit Local Queries). Например, запросы типа [ресторан], [кинотеатр], [Starbucks], где пользователь ищет объект поблизости, не указывая город.
• Конкретные типы контента: Влияет на видимость локальных страниц (бизнес-листинги, карты) по сравнению с общим веб-контентом.
• Мобильные устройства: Патент подчеркивает особую важность локальных результатов для мобильных пользователей, так как они чаще ищут информацию «на ходу».
• Форматы выдачи: Влияет на решение о показе результатов в виде стандартного списка или в формате OneBox (например, Local Pack).

Когда применяется

Алгоритм применяется при обработке большинства запросов для определения оптимального смешивания результатов, но его логика меняется в зависимости от условий:

• Триггеры активации приоритета: Когда local relevance indicium превышает определенный порог, указывая на сильное локальное намерение.
• Условие запроса местоположения: Активируется, когда локальное намерение высокое, НО точное местоположение пользователя неизвестно (нет явного указания в запросе и нет сохраненного местоположения по умолчанию).
• Использование Whitelist/Blacklist: Проверка запроса на наличие в списках предопределенных локальных или нелокальных запросов.
• Использование Machine Learning: Применение обученной модели для классификации запроса на основе его характеристик (термины, язык, домен источника запроса).

Пошаговый алгоритм

Патент описывает два основных процесса: офлайн-подготовку данных (генерация списков) и онлайн-обработку запроса.

Процесс А: Офлайн-генерация Whitelist и Blacklist (FIG. 7B)

1. Сбор данных: Получение логов запросов с мобильных устройств, разделенных на запросы к веб-индексу и запросы к локальному индексу.
2. Формирование списков частотности: Создание списков наиболее частых запросов (например, Топ-10000) для каждой категории (Web и Local).
3. Генерация Blacklist: Берется список частых веб-запросов. Из него удаляются запросы, которые также часто встречаются в списке локальных запросов. Результат — список запросов, которые редко имеют локальное намерение.
4. Генерация Whitelist: Берется список частых локальных запросов. Из него удаляются запросы, которые также часто встречаются в списке веб-запросов. Результат — список запросов, которые почти всегда имеют локальное намерение.

Процесс Б: Онлайн-обработка запроса и ранжирование категорий (FIG. 7A)

1. Получение запроса.
2. Проверка наличия местоположения в запросе: Идентификация явных указателей (почтовый индекс, название города, штата, аэропорта).
3. Проверка местоположения по умолчанию: Если в запросе нет местоположения, система проверяет, сохранено ли оно для данного пользователя или устройства.
4. Генерация индикатора локальной релевантности (Local Relevance Indicium):
   (Этот шаг может выполняться параллельно с шагами 2 и 3 или после них, в зависимости от реализации).
   Система рассчитывает индикатор, используя один из методов:
   • Метод ML (Claim 1): Применение модели машинного обучения к запросу.
   • Метод Списков (Claim 7): Проверка наличия запроса в Whitelist или Blacklist.
5. Получение наборов результатов: Генерируются local result set (используя явное, по умолчанию или推断ное местоположение) и non-local result sets.
6. Определение порядка отображения:
   На основе local relevance indicium определяется позиция локальных результатов относительно других категорий. Чем выше индикатор, тем выше приоритет локальных результатов.
7. Обработка неизвестного местоположения (Сценарий 3): Если местоположение не было определено на шагах 2 и 3:
   • Система использует local relevance indicium для определения того, нужно ли и насколько заметно отображать поле для ввода местоположения пользователем.
   • Если индикатор высок, поле ввода отображается на видном месте.
8. Отображение результатов: Результаты и (если нужно) поле ввода местоположения отображаются в определенном порядке.
9. Обновление поиска: Если пользователь вводит местоположение, процесс повторяется с новыми данными.

Какие данные и как использует

Данные на входе

• Контентные факторы (Запрос): Текст запроса анализируется для выявления терминов, которые могут указывать на локальное намерение (например, с использованием Whitelist/Blacklist или ML-модели). Также анализируется наличие явных локационных маркеров (названия городов, индексы).
• Поведенческие факторы (Логи): Исторические данные поиска (logs of prior search queries) и действия пользователей (клики на результаты, выбор категории) используются для обучения ML-модели и генерации Whitelist/Blacklist.
• Пользовательские факторы:
  • Профиль (Profile): История предыдущих запросов пользователя и предпочитаемые категории информации используются для корректировки ранжирования категорий.
  • Устройство: Тип устройства (мобильное или нет) влияет на вероятность локального намерения. Патент упоминает, что локальные результаты особенно важны для мобильных устройств.
• Географические факторы:
  • Явное местоположение (Explicit Location): Указанное в запросе.
  • Местоположение по умолчанию (Default Location): Сохраненное пользователем ранее.
  • 推断ное местоположение (Inferred Location): Определенное по IP-адресу или данным беспроводной сети.

Какие метрики используются и как они считаются

• Local Relevance Indicium (Индикатор локальной релевантности): Центральная метрика патента. Рассчитывается двумя способами:
  • Машинное обучение: Модель анализирует признаки (features) запроса (термины, язык, домен источника, качество результатов) и выдает оценку или набор правил (set of rules), предсказывающих вероятность локального намерения.
  • Списки (Whitelist/Blacklist): Проверка наличия запроса в списках, сгенерированных на основе анализа частотности запросов в веб и локальном индексах.
• Качество результатов (Quality of search results): Упоминается как фактор, который может повлиять на ранжирование категории. Если результаты в категории низкого качества, ее позиция может быть понижена, даже если она релевантна запросу.
• Взвешенная вероятность (LIKELIHOOD): В описании патента приводится пример формулы для расчета вероятности того, что пользователь ищет определенную категорию информации. Она учитывает взвешенные вклады профиля пользователя, глобальной статистики по запросу для мобильных устройств и глобальной статистики для немобильных устройств.
  LIKELIHOOD = WEIGHT_PROFILE * PROFILE(USER) + WEIGHT_NMDEVICE * NMDIST(QUERY) + WEIGHT_MDEVICE * MDIST(QUERY).

Выводы

1. Классификация интента критична для ранжирования: Патент демонстрирует, что определение намерения пользователя (в данном случае, локального) является ключевым фактором, определяющим не только релевантность отдельных документов, но и порядок целых категорий результатов в универсальном поиске.
2. Локальное намерение может быть неявным: Google активно пытается идентифицировать локальное намерение, даже если в запросе нет географических маркеров. Это делается с помощью анализа текста запроса, исторических данных и контекста пользователя.
3. Множественные методы определения локального интента: Система не полагается на один метод. Патент описывает как использование сложных моделей машинного обучения (Claim 1), так и более простые методы, основанные на списках частотных запросов (Claim 7, Whitelist/Blacklist).
4. Обработка неопределенности местоположения: Система имеет четкий протокол действий при отсутствии точной информации о местоположении. Если локальное намерение высокое, система предпочтет активно запросить местоположение у пользователя, а не показывать нерелевантные результаты.
5. Мобильный поиск имеет локальный уклон: Данные с мобильных устройств используются как основной источник для обучения системы распознаванию локального интента, что подтверждает тесную связь мобильного поиска и локальных результатов.
6. Персонализация и контекст влияют на порядок категорий: Помимо самого запроса, профиль пользователя (история поиска) и тип устройства используются для точной настройки порядка отображения категорий результатов.

Практика

Best practices (это мы делаем)

• Оптимизация под неявные локальные запросы: Необходимо оптимизировать контент под запросы, которые Google классифицирует как имеющие высокое локальное намерение (например, [услуга], [тип бизнеса]), даже если пользователи не добавляют название города. Убедитесь, что ваш контент четко сигнализирует о предоставляемых услугах и зоне обслуживания.
• Усиление локальных сигналов (Local SEO): Поскольку система стремится показать локальные результаты при высоком local relevance indicium, критически важно иметь сильные локальные сигналы: оптимизированный профиль в Google Business Profile, локальные ссылки, упоминания (NAP) и отзывы.
• Фокус на мобильной оптимизации: Так как данные с мобильных устройств играют ключевую роль в определении локального интента, необходимо обеспечить идеальную работу сайта на мобильных устройствах и учитывать контекст мобильного пользователя при создании контента.
• Анализ SERP по целевым запросам: Изучайте выдачу, чтобы понять, как Google классифицирует ваши ключевые запросы. Если по запросу часто показывается Local Pack или Карта, это указывает на высокий local relevance indicium, и стратегия должна включать локальное SEO.
• Использование локализованного контента: Создавайте страницы, ориентированные на конкретные районы или города, чтобы соответствовать как явным, так и неявным локальным запросам, когда система определит местоположение пользователя.

Worst practices (это делать не надо)

• Игнорирование локального SEO для бизнеса с физическим присутствием: Полагаться только на общую веб-оптимизацию опасно. Если ваш бизнес обслуживает клиентов локально, но вы не работаете над Local SEO, вы упустите трафик по запросам с высоким локальным намерением.
• Манипуляция локальными сигналами для нелокального бизнеса: Попытки ранжироваться в локальном поиске для бизнеса, который не имеет реальной привязки к местности (например, создание виртуальных офисов только для SEO), могут привести к пессимизации.
• Создание Doorway Pages для разных городов без уникальной ценности: Массовая генерация страниц под разные города без реального локализованного контента не поможет эффективно ранжироваться, когда система будет оценивать качество локальных результатов.

Стратегическое значение

Патент подчеркивает стратегическую важность классификации намерений (Intent Classification) в поиске Google. Он показывает, как Google интегрирует результаты из разных индексов (Blending) и как решение о приоритете той или иной вертикали принимается на основе предсказанного интента. Для SEO-стратегии это означает, что недостаточно быть релевантным в рамках одного индекса (например, Веб); важно понимать, какой индекс является приоритетным для конкретного кластера запросов, и фокусировать усилия там. В контексте этого патента, для многих коммерческих тематик локальный индекс является приоритетным.

Практические примеры

Сценарий 1: Определение локального намерения для неоднозначного запроса

1. Запрос: Пользователь вводит [пицца] с нового мобильного устройства (местоположение неизвестно).
2. Анализ: Система проверяет запрос по Whitelist (сгенерированному согласно Процессу А). [Пицца] находится в этом списке, так как исторически этот запрос с мобильных устройств почти всегда направлен на локальный поиск.
3. Действие системы: Local relevance indicium устанавливается как высокий.
4. Результат (согласно FIG. 7A, Сценарий 3): Система отображает выдачу, где на самом верху находится заметное поле ввода: «Укажите ваше местоположение для поиска пиццерий поблизости».
5. Действие SEO: Владельцы пиццерий должны убедиться, что их бизнес правильно зарегистрирован в GBP и оптимизирован под запрос [пицца], чтобы попасть в выдачу, как только пользователь укажет местоположение.

Сценарий 2: Использование машинного обучения для нового запроса

1. Запрос: Пользователь вводит [ремонт iPhone 16] (новый запрос, которого нет в списках).
2. Анализ: Система использует Machine Learning System (Claim 1). Модель анализирует термины: [ремонт] и [iPhone 16]. [Ремонт] часто связан с локальными услугами, а [iPhone 16] — с продуктом.
3. Действие системы: Модель предсказывает высокий local relevance indicium, так как пользователи обычно ищут мастерские поблизости.
4. Результат: Система приоритизирует локальные результаты (Local Pack) над общими веб-результатами (статьи о поломках iPhone 16) или результатами покупок, используя известное местоположение пользователя.
5. Действие SEO: Сервисные центры должны создавать контент, подтверждающий их экспертизу в ремонте конкретной новой модели, и обновлять свои локальные листинги.

Вопросы и ответы