Как Google ранжирует локальные результаты: Feature Rank (Значимость) и математика Viewport Biasing (Близость)

Описание

Какую задачу решает

Патент решает проблему негибкости традиционных систем геокодирования, которые полагались на фиксированные форматы адресов (шаблоны) и строгий порядок слов. Такие системы плохо справлялись с ошибками написания, синонимами, международными форматами и неоднозначностью запросов. Изобретение направлено на создание гибкой системы, способной интерпретировать свободные текстовые запросы о местоположении и повышать релевантность результатов с учетом контекста пользователя.

Что запатентовано

Запатентована система геокодирования, основанная на принципах информационного поиска (Information Retrieval). Географические объекты индексируются как «документы» (Geographic Feature Documents). Запросы преобразуются в канонические, не зависящие от порядка слов булевы выражения. Ключевым элементом является формула ранжирования, которая объединяет релевантность (IR Score), важность объекта (Feature Rank) и динамическую близость к области просмотра пользователя (Viewport Biasing) через Фактор затухания оценки (Score Attenuation Factor, SAF).

Как это работает

Система работает следующим образом:

• Индексирование: Создается индекс Geographic Feature Documents, включающий названия, синонимы, опечатки, близлежащие объекты и координаты. Рассчитывается статический Feature Rank.
• Обработка запроса: Запрос нормализуется. Генерируется булево выражение с синонимами и сокращениями. Порядок слов игнорируется.
• Ранжирование: Система рассчитывает оценку (Score) кандидатов, комбинируя IR Score и Feature Rank.
• Viewport Biasing (SAF): Рассчитывается SAF, который экспоненциально снижает оценку результатов по мере их удаления от текущей области просмотра карты (Viewport).
• Выдача результатов: Результаты отображаются на карте. В случае неоднозначности (близкие оценки) система показывает несколько меток или список.

Актуальность для SEO

Критически высокая. Описанные механизмы являются фундаментом Google Maps и Локального поиска. Гибкая обработка запросов и, особенно, математическая модель учета близости (Proximity) через Viewport Biasing и SAF остаются центральными элементами ранжирования локальной выдачи в 2025 году.

Важность для SEO

Патент имеет критическое значение для Local SEO (95/100). Он детально описывает техническую реализацию двух из трех ключевых факторов локального ранжирования: Prominence (через Feature Rank) и Proximity (через SAF и Viewport Biasing). Понимание этих механизмов, особенно математики SAF, необходимо для разработки эффективных стратегий продвижения локального бизнеса и анализа ранжирования на картах.

Детальный разбор

Термины и определения

Feature Rank (FR) (Ранг объекта)

Статическая метрика, указывающая на важность, размер или популярность географического объекта. Аналог Prominence (Значимость) в Local SEO.

Geographic Feature Document (Документ географического объекта)

Запись в индексе, соответствующая географическому объекту. Содержит название, тип, синонимы, названия близлежащих объектов (nearby features) и координаты.

IR Score (Оценка информационного поиска)

Базовая оценка релевантности, основанная на качестве текстового совпадения между запросом и документом.

Score Attenuation Factor (SAF) (Фактор затухания оценки)

Динамический коэффициент, реализующий Viewport Biasing. Снижает оценку ранжирования для результатов, удаленных от Viewport. Рассчитывается по экспоненциальной функции затухания.

Skirt Region (Граничная область)

Буферная зона вокруг Viewport. Ее размер динамически адаптируется к размеру Viewport. В этой зоне SAF плавно снижается от 1 до минимального значения (MinScore).

Viewport (Область просмотра)

Географическая область, которая в данный момент отображается на экране пользователя (текущий вид карты).

Viewport Biasing (Смещение на основе области просмотра)

Механизм ранжирования, который отдает предпочтение результатам, находящимся внутри или вблизи текущего Viewport.

Canonical Expression (Каноническое выражение)

Нормализованная форма запроса, очищенная от шума и приведенная к стандартному виду, часто в виде булева выражения.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод поиска местоположения как процесс информационного поиска.

1. Система получает запрос от клиента.
2. Определяются ключевые слова.
3. Выполняется поиск в базе данных Geographic Feature Documents. Каждый документ соответствует географическому объекту и содержит информацию о его местоположении.
4. Клиенту предоставляется карта с метками (location tags) в местах, соответствующих найденным документам.

Claim 10 (Зависимый от 1): Утверждает, что идентификация документов происходит независимо от порядка ключевых слов в запросе.

Это обеспечивает гибкость обработки различных форматов адресов и пользовательского ввода.

Claim 11 (Зависимый от 1): Уточняет состав данных в индексе. Слова в документе, используемые для сопоставления, могут включать:

• Слова, описывающие географические объекты поблизости (in the vicinity or neighborhood).
• Слова, включающие ошибки в написании (misspellings).

Система индексирует локальный контекст и распространенные ошибки для повышения точности.

Claim 12 (Зависимый от 1): Критически важный пункт, описывающий Viewport Biasing.

1. Документы ранжируются на основе оценки (Score).
2. Эта оценка, по крайней мере частично, основана на близости (proximity) объекта к географической области просмотра клиента (Viewport).

Это юридически закрепляет использование контекста пользователя (текущий вид карты или его местоположение) как фактора ранжирования.

Где и как применяется

Изобретение охватывает полный цикл обработки локальных запросов в системах типа Google Maps и Local Search.

INDEXING – Индексирование и извлечение признаков
Создание базы данных Geographic Feature Documents. Извлечение названий, синонимов, близлежащих объектов, координат. Расчет статического показателя важности Feature Rank (FR).

QUNDERSTANDING – Понимание Запросов
Обработка входящего запроса. Нормализация, удаление шума (например, номера домов), генерация порядок-независимого Canonical Expression (булева выражения) с использованием синонимов.

RANKING – Ранжирование
Поиск кандидатов в индексе. Расчет базовой релевантности (IR Score). Ключевой этап: расчет динамического Score Attenuation Factor (SAF) на основе входных данных о Viewport пользователя. Вычисление финальной оценки по формуле, объединяющей IR, FR и SAF.

RERANKING – Переранжирование
Финальная сортировка результатов и применение логики разрешения неоднозначности (сравнение оценок Топ-1 и Топ-2 результатов, Claim 7).

Входные данные:

• Текст запроса местоположения.
• Данные о текущем Viewport пользователя (координаты и радиус).

Выходные данные:

• Отранжированный список географических объектов с координатами.
• Карта с метками местоположения.

На что влияет

• Типы контента и запросы: Критически важно для Local SEO и Google Maps. Влияет на ранжирование локальных бизнесов, адресов и географических объектов. Наибольшее влияние оказывает на неоднозначные запросы и запросы типа «near me», где Viewport Biasing играет решающую роль.
• Ниши: Все ниши с физическим присутствием (ритейл, услуги, рестораны и т.д.).

Когда применяется

• Условия работы: Алгоритм применяется при обработке любого запроса с локационным интентом.
• Триггеры активации SAF: Механизм Viewport Biasing (расчет SAF) активируется всегда, когда доступны данные о Viewport пользователя, для динамической корректировки ранжирования на основе близости.

Пошаговый алгоритм

Этап 1: Обработка запроса

1. Получение: Система получает запрос и данные о Viewport.
2. Нормализация и Канонизация: Удаление шума (пунктуация, номера домов). Преобразование в Canonical Form.
3. Генерация булева выражения: Создание порядок-независимого выражения с синонимами и сокращениями.

Этап 2: Поиск и Ранжирование

4. Поиск кандидатов: Поиск соответствующих Geographic Feature Documents в индексе.
5. Расчет IR Score: Расчет базовой релевантности для каждого кандидата.
6. Извлечение Feature Rank (FR): Получение статического ранга важности объекта.
7. Расчет фактора затухания (SAF) — Viewport Biasing:
   1. Определение размера Viewport (R1).
   2. Определение динамического размера Skirt Region (R2). (Размер Skirt Region больше при маленьком Viewport и меньше при большом).
   3. Определение расстояния (X3) между объектом и границей Viewport.
   4. Расчет нормализованного расстояния X = X3 / (R2 — R1).
   5. Применение SAF:
      • Внутри Viewport: SAF=1.
      • Вне Skirt Region: SAF=MinScore (например, 0.2).
      • Внутри Skirt Region: SAF рассчитывается по экспоненциальной функции затухания от X.
8. Расчет финальной оценки (Score): Применение формулы, например: Score = (Normalized IR Score)^M * FR * Q (где M — экспонента для усиления IR, Q — фактор качества, включающий SAF и штрафы).
9. Ранжирование: Сортировка кандидатов по финальной оценке.

Этап 3: Предоставление результатов

10. Анализ неоднозначности: Если лучший результат значительно превосходит следующий (превышает порог, Claim 7), выбирается он один. В противном случае выбирается несколько.
11. Отображение: Предоставление карты с метками.

Какие данные и как использует

Данные на входе

• Контентные факторы (внутри Geographic Feature Documents):
  • Explicit Name: Каноническое название объекта.
  • Associated Words: Контекстные слова (например, город, страна).
  • Synonyms: Альтернативные названия, аббревиатуры, распространенные опечатки (Claim 11).
  • Nearby features: Близлежащие объекты или районы (Claim 11).
• Технические факторы: Координаты (широта/долгота) и диапазоны адресов (используются для интерполяции точного местоположения).
• Пользовательские факторы (Контекст): Текущая область просмотра карты (Viewport). Страна пользователя также может использоваться для применения штрафов (фактор Q).

Какие метрики используются и как они считаются

Система использует сложную формулу для расчета финальной оценки. В патенте описаны варианты, включая:

Score = ((1/E) * [Sum(IR_i)])^M * FR * Q

Компоненты метрик:

• IR_i (Query Match Score): Оценка совпадения для каждого элемента запроса. Рассчитывается как произведение:
  • Token Weight: Вес типа слова (ключевое слово > синоним > аффикс (street)).
  • Relevance Score: Степень текстового совпадения (полное > частичное).
  • Element Weight: Вес элемента в зависимости от размера объекта (Страна > Город > Улица) и типа поля (Название > Контекст > Близлежащий объект).
• E (Normalization Value): Нормализующий знаменатель.
• M (Экспонента): Коэффициент (например, 2-5) для придания большего веса качеству совпадения (IR Score) по сравнению с FR.
• FR (Feature Rank): Статическая оценка важности объекта.
• Q (Quality Factor): Агрегирующий фактор, который включает SAF и штрафы (Penalties).
• SAF (Score Attenuation Factor): Динамический коэффициент от MinScore (например, 0.2) до 1.0. Рассчитывается по экспоненциальной функции затухания для объектов в Skirt Region. Формула, указанная в патенте: SAF = C + D * e^(-K*X), где X — нормализованное расстояние, K, C, D — коэффициенты.

Выводы

1. Географические объекты как документы: Фундаментальный принцип патента — применение методов информационного поиска (IR) к физическому миру. Местоположения индексируются как Geographic Feature Documents, включающие синонимы и названия близлежащих объектов (nearby features).
2. Гибкость интерпретации: Google не полагается на фиксированные форматы адресов. Система устойчива к ошибкам и изменению порядка слов (Claim 10) благодаря преобразованию запросов в канонические булевы выражения.
3. Три столпа локального ранжирования: Патент технически подтверждает три основных фактора Local SEO: Релевантность (IR Score), Значимость/Prominence (Feature Rank) и Близость/Proximity (Viewport Biasing через SAF).
4. Близость как математический множитель (SAF): SAF является мощным динамическим фактором. Он экспоненциально снижает оценку по мере удаления от Viewport пользователя. Это делает близость доминирующим сигналом в локальном поиске.
5. Динамическая локальная релевантность (Skirt Region): Область, считающаяся «локальной», динамически адаптируется к масштабу карты пользователя. При малом масштабе (вид района) локальный контекст узкий; при большом масштабе (вид страны) он шире.

Практика

Best practices (это мы делаем)

Рекомендации для Local SEO и оптимизации под Google Maps.

• Максимизация Feature Rank (Prominence): Так как Feature Rank является прямым множителем в формуле ранжирования, необходимо работать над повышением авторитетности и известности бизнеса. Это включает получение качественных локальных цитирований, отзывов, упоминаний в СМИ и построение локального ссылочного профиля.
• Насыщение локального контекста (Nearby Features): Патент (Claim 11) указывает на индексацию близлежащих объектов. Активно используйте упоминания близлежащих ориентиров, районов, станций метро в контенте сайта и описании GBP. Это помогает Google лучше понять ваш локальный контекст и обогащает ваш Geographic Feature Document.
• Учет Viewport Biasing в стратегии и аналитике: Понимание SAF критично. Ранжирование динамично и резко падает за пределами зоны близости. Используйте инструменты отслеживания позиций на сетке карты (Grid Tracking), чтобы видеть реальную зону видимости бизнеса и понимать влияние фактора близости.
• Обеспечение консистентности N.A.P. и использование Schema: Хотя система гибкая, консистентность данных (Name, Address, Phone) и использование микроразметки LocalBusiness с координатами помогает Google точнее формировать Geographic Feature Document и повышает базовый IR Score.

Worst practices (это делать не надо)

• Игнорирование локальной авторитетности: Фокус только на оптимизации GBP без работы над Feature Rank (известностью) ограничивает потенциал ранжирования в конкурентных нишах.
• Попытки ранжироваться слишком широко географически: Пытаться охватить локальным поиском территории, находящиеся далеко от физического местоположения. Фактор SAF математически пессимизирует удаленные результаты.
• Географический спам ориентирами: Искусственное перечисление слишком большого количества нерелевантных или удаленных ориентиров не принесет пользы. Фокус должен быть на действительно близлежащих и полезных для навигации объектах.
• Манипуляции с адресом (Виртуальные офисы): Создание фейковых локаций для использования преимущества близости (SAF). Это является нарушением правил Google и несет высокие риски.

Стратегическое значение

Патент подтверждает, что Proximity (Близость) — это не просто фактор, а доминирующий динамический множитель (SAF), который может переопределить сигналы релевантности и авторитетности. Успешная стратегия Local SEO требует комплексной работы над всеми тремя столпами ранжирования (Relevance, Prominence, Proximity) с четким пониманием ограничений, накладываемых географическим положением и контекстом пользователя (Viewport).

Практические примеры

Сценарий 1: Влияние SAF на ранжирование бизнеса (Proximity Override)

1. Контекст: Пользователь ищет «пиццерия» в центре города (Viewport = Центр).
2. Кандидаты: Пиццерия А (внутри Viewport), Пиццерия Б (на окраине, вне Skirt Region).
3. Ранжирование: Предположим, Пиццерия Б имеет больше отзывов (выше Feature Rank). Однако, Пиццерия А получает SAF=1.0, а Пиццерия Б получает SAF=0.2 (минимальное значение).
4. Результат: Множитель SAF (разница в 5 раз) позволяет Пиццерии А ранжироваться значительно выше Пиццерии Б для этого пользователя, несмотря на более слабые сигналы авторитетности. Близость перевесила авторитет.

Сценарий 2: Использование локальных ориентиров (Nearby Features)

1. Задача: Улучшить идентификацию ресторана в большом ТЦ с неоднозначной адресацией.
2. Действие: В описании GBP и на странице контактов добавить текст: «Мы находимся внутри [Название ТЦ], рядом с [Название известного магазина]».
3. Обоснование: Названия близлежащих объектов (ТЦ, магазин) индексируются в Geographic Feature Document ресторана (Claim 11). Это помогает системе точнее определить его местоположение при запросах, включающих эти ориентиры, и повышает общую релевантность.

Вопросы и ответы