Как Google использует местоположение и направление смартфона для понимания неявных локальных запросов

Описание

Какую задачу решает

Патент решает проблему обработки неоднозначных или неявных запросов (Implicit Queries), которые относятся к физическим объектам или местам поблизости от пользователя, но не содержат их названий. Это актуально, когда пользователь не знает названия, не может его произнести (например, на иностранном языке) или использует естественные формулировки типа: «часы работы этого места», «что это за памятник?» или «покажи отзывы». Система упрощает поиск информации и снижает количество уточняющих запросов.

Что запатентовано

Запатентована система интерпретации запросов, которая идентифицирует сущность (Entity), подразумеваемую в неявном запросе, используя не только приблизительное местоположение (Approximate Location), но и точную ориентацию (Approximate Orientation) мобильного устройства (направление по компасу и наклон). Система определяет, куда направлено устройство, формирует расширенную зону поиска в этом направлении и переписывает исходный запрос в явный (Revised Query), добавляя идентификатор или название идентифицированной сущности.

Как это работает

Ключевой механизм работы системы:

• Идентификация неявного запроса: Система определяет, что запрос не содержит явного упоминания сущности.
• Получение контекста: Получаются данные о местоположении и ориентации (направление и наклон) устройства.
• Расширение зоны поиска: Система определяет стандартную зону поиска вокруг пользователя, а затем создает расширенную область (Extended Portion), которая простирается дальше в направлении, куда указывает устройство («конус внимания»).
• Идентификация сущностей: Определяются сущности в этой расширенной зоне. Если наклон (Tilt) устройства предполагает фотосъемку, могут использоваться данные с камеры (Image Data) для распознавания объектов.
• Выбор сущности: Система сопоставляет запрос с известными паттернами запросов для сущностей (Entity Query Patterns). При наличии нескольких кандидатов могут использоваться рейтинг или популярность.
• Переписывание запроса: Исходный запрос переписывается, чтобы явно ссылаться на выбранную сущность.

Актуальность для SEO

Высокая. С развитием мобильного поиска, голосовых ассистентов и технологий дополненной реальности (AR)/визуального поиска (например, Google Lens), способность системы точно интерпретировать физический контекст пользователя на основе данных сенсоров является критически важной. Этот патент описывает фундаментальные механизмы для такого взаимодействия в локальном поиске.

Важность для SEO

Влияние на SEO оценивается как высокое (75/100). Патент имеет критическое значение для Локального SEO (Local SEO) и оптимизации сущностей (Entity Optimization). Он демонстрирует, как Google связывает физический контекст пользователя с цифровыми данными о сущности. Это подчеркивает фундаментальную важность точности и полноты данных в Google Business Profile (GBP). Если данные неточны, неполны или рейтинг низок, система может не выбрать вашу сущность при обработке неявного запроса от пользователя поблизости.

Детальный разбор

Термины и определения

Approximate Location (Приблизительное местоположение)

Географические координаты устройства, определяемые на основе GPS, WiFi, сотовых сигналов.

Approximate Orientation (Приблизительная ориентация)

Данные о положении устройства в пространстве. Включает Compass Direction (направление по компасу, определяемое магнитометром) и Tilt (наклон относительно горизонтальной плоскости, определяемый акселерометром).

Confidence Score (Оценка уверенности)

Метрика, указывающая на степень уверенности в точности данных о местоположении или ориентации.

Entity (Сущность)

Объект реального мира (ресторан, отель, памятник, магазин, парк), о котором система хранит структурированные данные (например, в Entity Graph).

Entity Query Patterns (Паттерны запросов сущностей)

Шаблоны запросов, которые часто используются для поиска информации о конкретной сущности или типе сущностей. Генерируются на основе анализа поисковых логов (Search Logs). Например, [who escaped from *] для Алькатраса.

Extended Portion (Расширенная область)

Область поиска, добавленная к стандартной зоне. Она простирается дальше стандартного радиуса в направлении ориентации устройства (например, в форме конуса или сектора) и имеет более узкий угловой охват.

Image Data (Данные изображения)

Изображение или видео, полученные с камеры устройства. Используются для распознавания сущностей в кадре с помощью Entity Recognition Service.

Implicit Query (Неявный запрос)

Запрос, который подразумевает какую-либо сущность, но не называет ее явно (например, «что это?», «часы работы»). Определяется по соответствию Query Patterns.

Revised Query (Переписанный запрос)

Итоговый запрос, в который система добавила явное упоминание идентифицированной сущности.

Tilt (Наклон)

Угол наклона устройства. Используется для определения намерения пользователя (например, если наклон велик, пользователь может снимать объект).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод интерпретации запроса с использованием ориентации для динамического формирования зоны поиска.

1. Получение запроса от устройства.
2. Получение Approximate Location и Approximate Orientation устройства.
3. Определение первой геометрической формы (first geometric shape), заданной радиусом от местоположения. Местоположение находится примерно в центре этой формы.
4. Ключевой механизм: Расширение части первой формы для создания Extended Portion. Эта область простирается дальше стандартного радиуса (extended range) в направлении ориентации устройства. Она центрирована по направлению ориентации и имеет меньший угловой размер, чем основная форма (формируя «конус внимания»).
5. Получение набора сущностей, которые хотя бы частично находятся внутри основной или расширенной геометрической формы.
6. Выбор сущности из набора.
7. Предоставление переписанного запроса (Revised Query) на основе исходного запроса и выбранной сущности.

Ядром изобретения является не просто использование местоположения, а точное определение и геометрическое расширение зоны поиска в том направлении, куда ориентировано устройство, приоритизируя направление взгляда над абсолютной близостью.

Claim 5 (Зависимый): Уточняет, что сущности могут быть идентифицированы на основе Image Data, полученных устройством в ответ на определение его ориентации.

Если ориентация (в частности, Tilt) предполагает, что пользователь может фотографировать объект, система может использовать камеру для захвата изображения и распознавания объектов на нем.

Claim 6 (Зависимый): Уточняет, что выбор сущности из набора основывается на одном или нескольких Entity Query Patterns, связанных с этой сущностью. Это механизм валидации семантической релевантности.

Где и как применяется

Изобретение применяется преимущественно на этапе понимания запроса, используя данные, подготовленные на этапе индексирования.

INDEXING – Индексирование и извлечение признаков
На этом этапе офлайн происходит подготовка данных:

• Индексация сущностей и их атрибутов (местоположение, тип, рейтинг, популярность) в Entity Graph или базе данных.
• Генерация Entity Query Patterns путем анализа исторических логов поиска (Search Logs).
• Создание моделей изображений (Image Models) для визуального распознавания сущностей.

QUNDERSTANDING – Понимание Запросов
Это основной этап применения патента. Система интерпретации запросов (Query Interpretation System) в реальном времени:

• Классифицирует запрос как неявный (Implicit Query).
• Использует данные сенсоров (Location, Orientation) для определения физического контекста.
• Определяет динамическую зону поиска (включая Extended Portion).
• При необходимости обрабатывает визуальные данные (Image Data).
• Идентифицирует, фильтрует и выбирает релевантную сущность.
• Переписывает запрос (Revised Query).

RANKING – Ранжирование
Система ранжирования получает на вход уже переписанный, явный запрос и обрабатывает его стандартным образом.

Входные данные:

• Исходный неявный запрос.
• Approximate Location (GPS, WiFi).
• Approximate Orientation (Compass Direction, Tilt).
• (Опционально) Image Data с камеры.

Выходные данные:

• Revised Query, явно ссылающийся на сущность.

На что влияет

• Конкретные типы контента: Контент, связанный с локальными сущностями – карточки Google Business Profile, отзывы, меню, контактная информация, исторические справки о достопримечательностях.
• Специфические запросы: Локальные информационные и транзакционные запросы, заданные вблизи объекта с мобильного устройства. Примеры: «часы работы», «меню», «отзывы», «когда построено это здание?».
• Конкретные ниши или тематики: Максимальное влияние в нишах с физическими точками присутствия: рестораны, ритейл, отели, туризм, развлечения, парки.
• Языковые и географические ограничения: Применимо только к мобильным устройствам с соответствующими сенсорами (GPS, компас, акселерометр).

Когда применяется

Алгоритм активируется при выполнении строго определенных условий:

• Триггер активации: Запрос классифицирован как Implicit Query (соответствует паттернам неявных запросов и не содержит названия сущности).
• Точность данных: Confidence Score для данных о местоположении и ориентации превышает установленные пороги.
• Свежесть данных: Данные о местоположении являются актуальными (Sufficiently Fresh) – разница между временем получения данных и временем запроса не превышает пороговое значение.
• Условие наклона (для Image Data): Сбор визуальных данных активируется, если Tilt устройства превышает порог (Threshold Tilt), указывающий на то, что пользователь может снимать объект перед собой.

Пошаговый алгоритм

1. Получение запроса и данных сенсоров: Система получает запрос, Approximate Location и Approximate Orientation (Compass Direction, Tilt).
2. Классификация запроса: Система определяет, является ли запрос неявным (Implicit Query), сравнивая его с известными Query Patterns. Если запрос явный, он обрабатывается стандартно.
3. Валидация контекста: Проверяется точность (Confidence Score) и свежесть (Freshness) данных о местоположении и ориентации.
4. Определение зоны поиска:
   1. Определяется базовая зона поиска (Range) вокруг местоположения.
   2. Определяется расширенная область (Extended Portion) – зона, которая простирается дальше базового радиуса в направлении ориентации устройства.
5. Сбор кандидатов (Пространственный поиск): Система формирует набор сущностей (Set of Entities), находящихся в комбинированной зоне поиска.
6. (Опционально) Сбор кандидатов (Визуальный поиск): Если Tilt превышает порог, система получает Image Data и использует Entity Recognition Service для идентификации объектов в кадре. Эти объекты добавляются в набор кандидатов.
7. Фильтрация кандидатов: Для каждой сущности система проверяет, может ли запрос относиться к ней. Это делается путем:
   1. Сравнения запроса с Entity Query Patterns, связанными с этой сущностью.
   2. Сравнения терминов запроса с типом сущности (например, запрос «меню» коррелирует с типом «ресторан»).

   Сущности, прошедшие фильтрацию, попадают в финальный поднабор (Sub-set of Entities).

8. Выбор сущности (Disambiguation):
   1. Если в поднаборе одна сущность, она выбирается.
   2. Если сущностей несколько, система выбирает лучшую на основе атрибутов (например, наивысший рейтинг (Rating), популярность (Popularity)) или основываясь на предыдущих действиях пользователя. Также может быть показан интерфейс для выбора пользователем.
9. Переписывание запроса: Генерируется Revised Query, явно включающий выбранную сущность.
10. Обработка: Revised Query передается в поисковую систему для ранжирования и предоставления результатов.

Какие данные и как использует

Данные на входе

• Географические факторы: Approximate Location устройства (GPS, WiFi, Cellular signals). Местоположение индексированных сущностей.
• Пользовательские факторы (Данные сенсоров устройства): Approximate Orientation. Данные магнитометра (для Compass Direction) и акселерометра (для Tilt).
• Мультимедиа факторы: Image Data (изображения с камеры устройства). Image Models (модели изображений сущностей для распознавания).
• Поведенческие факторы (Агрегированные): Поисковые логи (Search Logs). Используются офлайн для генерации Query Patterns и Entity Query Patterns. Популярность сущностей.
• Структурные данные (Данные о сущностях): Информация из базы знаний – типы сущностей, атрибуты (рейтинги).

Какие метрики используются и как они считаются

• Confidence Score: Оценка точности данных о местоположении и ориентации. Должна превышать порог для активации алгоритма.
• Freshness (Свежесть): Время с момента получения контекстных данных. Сравнивается с порогом (Threshold Difference).
• Threshold Tilt: Пороговое значение наклона устройства. Если Tilt выше порога, может активироваться сбор Image Data.
• Score (Оценка сходства изображения): Метрика схожести между Image Data и Image Models сущностей. Используется для визуального распознавания и сравнивается с порогом (Threshold Score).
• Атрибуты сущностей (Rating, Popularity): Используются как метрики для выбора наилучшей сущности при неоднозначности.
• Частота запросов: Используется офлайн для определения значимости Entity Query Patterns (паттерн создается, если частота превышает порог).

Выводы

1. Физический контекст как ключевой интерпретатор запроса: Патент демонстрирует механизм, где местоположение и, что более важно, ориентация устройства используются для разрешения неоднозначности в локальных запросах. Google стремится понять, на что именно смотрит пользователь.
2. Приоритет направления взгляда над близостью: Ключевым элементом является механизм Extended Portion. Зона поиска динамически расширяется в направлении ориентации устройства. Это позволяет системе приоритизировать объект, находящийся в поле зрения, даже если он расположен дальше, чем другие объекты поблизости.
3. Мультимодальная идентификация (Гео + Видео): Система комбинирует географические данные с данными компьютерного зрения (Image Data). Использование камеры активируется контекстуально (на основе наклона устройства), что связывает этот патент с технологиями визуального поиска и AR (например, Google Lens).
4. Критичность структурированных данных и атрибутов качества: Для работы системы необходимо наличие точных данных о сущностях (координаты, тип). При наличии нескольких кандидатов используются атрибуты качества (рейтинг, популярность) для выбора лучшего варианта.
5. Важность поведенческих паттернов (Entity Query Patterns): Успешная интерпретация зависит от наличия заранее рассчитанных паттернов. Система должна знать, как пользователи обычно спрашивают о данном типе сущности, чтобы корректно связать неявный запрос с объектом.

Практика

Best practices (это мы делаем)

Практические рекомендации касаются в первую очередь Локального SEO и оптимизации сущностей.

• Обеспечение абсолютной точности локальных данных (NAP/Координаты): Убедитесь, что координаты вашего бизнеса в Google Business Profile (GBP), разметке Schema.org (LocalBusiness) и каталогах абсолютно точны. Это критически важно для того, чтобы система могла включить вашу сущность в набор кандидатов (Set of Entities).
• Максимальное заполнение профиля GBP и правильная категоризация: Заполняйте все атрибуты, релевантные для вашего типа бизнеса (часы работы, меню, услуги). Правильный выбор категории (типа сущности) позволяет системе сопоставить ваш бизнес с релевантными Entity Query Patterns.
• Работа с отзывами и рейтингом: Патент явно указывает, что рейтинг (Rating) и популярность (Popularity) могут использоваться для выбора между несколькими кандидатами. Высокий рейтинг может стать решающим фактором при неоднозначности.
• Оптимизация под визуальный поиск (VSO): Поскольку система может использовать Image Data, необходимо обеспечить легкую визуальную идентификацию бизнеса. Загружайте в GBP качественные, актуальные фотографии экстерьера (фасада, вывески), которые соответствуют тому, что пользователь видит в реальности.
• Контент под локальные интенты: Убедитесь, что ваш сайт и GBP предоставляют ответы на типичные локальные запросы (например, стоимость услуг, наличие товаров). Это повышает вероятность соответствия Entity Query Patterns.

Worst practices (это делать не надо)

• Неточные или устаревшие данные о местоположении: Ошибки в координатах или адресе могут привести к тому, что система не идентифицирует ваш бизнес, даже если пользователь находится рядом и смотрит на него.
• Игнорирование атрибутов GBP: Отсутствие базовой информации (например, часов работы) делает невозможным ответ на соответствующий неявный запрос, так как система не найдет соответствия паттерну.
• Использование нерепрезентативных изображений: Загрузка стоковых фото или изображений, не соответствующих реальному виду заведения, может снизить эффективность распознавания через Image Data.

Стратегическое значение

Патент подтверждает стратегию Google на глубокое понимание физического контекста и развитие мультимодального поиска (текст + гео + видео). Для локального бизнеса это означает, что физическое присутствие и цифровая идентификация (Entity Optimization) должны быть идеально синхронизированы. Способность Google интерпретировать запрос на основе того, куда смотрит пользователь, делает присутствие в базе данных сущностей Google (Knowledge Graph/GBP) с высокими показателями качества обязательным условием для получения трафика от пользователей поблизости.

Практические примеры

Сценарий 1: Разрешение неоднозначности на основе ориентации

1. Ситуация: Пользователь стоит между Кафе А (5 метров, сбоку) и Рестораном Б (15 метров, прямо по курсу).
2. Запрос: Пользователь направляет телефон в сторону Ресторана Б и спрашивает: «Покажи меню».
3. Обработка: Google классифицирует запрос как Implicit Query. Система определяет ориентацию и формирует Extended Portion в направлении Ресторана Б.
4. Идентификация: Хотя Кафе А ближе, Ресторан Б попадает в приоритетную расширенную зону.
5. Результат: Система переписывает запрос в «Меню Ресторан Б» и показывает результат для Ресторана Б.

Сценарий 2: Разрешение неоднозначности на основе рейтинга

1. Ситуация: Пользователь стоит перед двумя отелями, расположенными рядом: Отель X (рейтинг 4.8) и Отель Y (рейтинг 3.5).
2. Запрос: Пользователь спрашивает: «Стоимость номера».
3. Обработка: Оба отеля попадают в зону поиска. Запрос соответствует Entity Query Patterns для обоих отелей.
4. Выбор (Disambiguation): Система сравнивает атрибуты качества. Отель X имеет значительно более высокий рейтинг.
5. Результат: Система переписывает запрос в «Стоимость номера Отель X» и показывает результаты для Отеля X.

Вопросы и ответы