Как Google использует персонализированных локальных экспертов для ранжирования результатов в локальном поиске

Описание

Какую задачу решает

Патент решает проблему качества и релевантности результатов в локальном поиске (Local Search). Стандартные системы часто полагаются на агрегированные отзывы, но многие отзывы ненадежны, так как рецензенты либо не обладают достаточной экспертизой в данной области/категории, либо их предпочтения сильно отличаются от предпочтений пользователя, задающего запрос. Система стремится повысить качество выдачи, опираясь на мнения идентифицированных и персонализированных экспертов.

Что запатентовано

Запатентована система идентификации локальных экспертов и использования их отзывов для ранжирования результатов локального поиска. Система сначала определяет Candidate Experts (Кандидатов в эксперты) на основе объема их отзывов в конкретной географической области и категории бизнеса. Затем, во время запроса, система вычисляет Agreement Score (Оценку совпадения мнений) между кандидатами и пользователем, чтобы выбрать Personalized Experts (Персонализированных экспертов), чьи вкусы совпадают с пользовательскими. Результаты поиска ранжируются на основе отзывов этих персонализированных экспертов.

Как это работает

Система работает в два этапа:

1. Офлайн (Идентификация общих экспертов): Система собирает и фильтрует отзывы (удаляя спам и короткие сообщения), классифицирует их по географии и категории бизнеса. Для каждой пары Область/Категория вычисляется Expertise Score (Оценка экспертизы) пользователя, основанная на количестве его качественных отзывов. Пользователи с наивысшими оценками индексируются как Candidate Experts.
2. Онлайн (Обработка запроса и Персонализация): При получении локального запроса система извлекает соответствующих Candidate Experts. Затем она сравнивает историю отзывов пользователя и экспертов по тем объектам, которые они оценивали совместно. Вычисляется Agreement Score. Эксперты с наилучшим совпадением мнений становятся Personalized Experts. Результаты локального поиска ранжируются (или переранжируются) с учетом оценок этих персонализированных экспертов.

Актуальность для SEO

Высокая. Локальный поиск и персонализация остаются ключевыми направлениями развития Google. Использование авторитетных мнений (например, через программу Local Guides) и адаптация выдачи под индивидуальные предпочтения пользователя являются критически важными для качества локального поиска и Google Maps. Этот патент описывает конкретный механизм для реализации этих задач, интегрируя концепции E-E-A-T на уровне авторов UGC.

Важность для SEO

Патент имеет высокое значение для стратегий локального SEO (Local SEO). Он демонстрирует, что ранжирование локальных результатов может сильно зависеть не только от агрегированных оценок, но и от мнений конкретных, авторитетных пользователей (экспертов), особенно тех, чьи вкусы совпадают с предпочтениями ищущего. Это подчеркивает важность привлечения положительных, детализированных отзывов от активных локальных рецензентов и глубокого понимания своей целевой аудитории.

Детальный разбор

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 объектам, которые они оба рецензировали. Рассчитывается как средняя разница в оценках.

Area-Category Pair (Пара Область-Категория)

Комбинация географической области и категории бизнеса (например, «Итальянские рестораны в Нью-Йорке»), определяющая тему, по которой идентифицируются эксперты.

Business Ontology (Онтология бизнеса)

Иерархическая структура данных, описывающая различные типы бизнеса и их взаимосвязи (например, Ресторан -> Итальянский ресторан -> Пиццерия).

Candidate Experts (Кандидаты в эксперты / Общие эксперты)

Пользователи, предварительно идентифицированные (офлайн) как эксперты в определенной паре Область/Категория на основе высокого Expertise Score (обычно объема отзывов).

Expert Index (Индекс экспертов)

База данных, хранящая записи об экспертах, индексированные по парам Область/Категория для быстрого доступа во время обработки запроса.

Expertise Score (Оценка экспертизы)

Метрика, рассчитываемая для пользователя по определенной паре Область/Категория. Основана преимущественно на количестве отзывов, предоставленных пользователем в этой паре. Может также учитывать качество текста отзыва (text-quality score).

Geographic Information System (GIS) (Геоинформационная система)

Система, хранящая данные о географических объектах, их местоположении и иерархических связях (например, Район -> Город -> Штат).

Personalization Score (Оценка персонализации)

Метрика, используемая для ранжирования кандидатов в эксперты для конкретного пользователя. Основана на Agreement Score и количестве объектов, совместно отрецензированных пользователем и экспертом.

Personalized Experts (Персонализированные эксперты)

Подмножество Candidate Experts, выбранное во время запроса, чьи предпочтения (на основе Agreement Score) наиболее близки к предпочтениям пользователя, выполняющего поиск.

Ключевые утверждения (Анализ Claims)

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

1. Система получает запрос от пользователя.
2. Идентифицируются географическая область и категория бизнеса для запроса.
3. Выбираются Candidate Experts для этой пары Область/Категория. Ключевой механизм выбора: ранжирование M пользователей на основе количества их отзывов в этой паре и назначении Топ-N пользователей кандидатами.
4. Для каждого кандидата вычисляется Agreement Score, основанный на разнице между отзывами пользователя и кандидата по совместно оцененным объектам.
5. На основе Agreement Scores из кандидатов выбираются Personalized Experts.
6. Локальные результаты, отвечающие запросу, ранжируются с использованием отзывов этих Personalized Experts.
7. Ранжированные результаты отображаются пользователю.

Claim 2 (Зависимый от 1): Уточняет расчет Agreement Score.

Оценка совпадения мнений включает определение средней разницы (average difference) между рейтингами бизнеса, выставленными пользователем и соответствующим кандидатом в эксперты.

Claim 3 (Зависимый от 2): Детализирует механизм выбора персонализированных экспертов через комбинирование оценок.

1. Рассчитывается Expertise Score для каждого кандидата (на основе количества отзывов).
2. Рассчитывается Personalization Score для каждого кандидата, основанный на количестве совместно оцененных объектов и соответствующем Agreement Score.
3. Выбор Personalized Experts включает корректировку (adjusting) Expertise Score кандидата с учетом его Personalization Score. Итоговая оценка эксперта для данного пользователя является функцией как его общей активности, так и совпадения вкусов.

Claim 4 (Зависимый от 3): Уточняет факторы для Expertise Score.

Расчет Expertise Score может использовать оценку качества текста (text-quality score), которая определяется на основе корреляции n-грамм (n-gram correlation) или структуры предложений (sentence structure).

Claim 8 (Зависимый от 1): Описывает механизм генерализации (уменьшения специфичности).

Если для исходной географической области и категории бизнеса не найдено экспертов, система итеративно уменьшает специфичность категории бизнеса до тех пор, пока не будут найдены эксперты для модифицированной категории и исходной географической области.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, преимущественно в контексте локального поиска (Local Search) и Google Maps.

INDEXING – Индексирование и извлечение признаков (Офлайн-процессы)

• Сбор и классификация отзывов: Отзывы собираются, фильтруются от спама и коротких сообщений, классифицируются по географии (GIS) и категории (Business Ontology).
• Расчет Expertise Score: В офлайн-режиме система анализирует активность пользователей и рассчитывает Expertise Score для каждого пользователя по различным парам Область/Категория.
• Формирование Expert Index: Идентифицируются Candidate Experts (общие эксперты), и данные о них сохраняются в Expert Index.

QUNDERSTANDING – Понимание Запросов

• Система анализирует входящий запрос для идентификации локального интента, географической области и категории бизнеса.

RANKING – Ранжирование / RERANKING – Переранжирование (Онлайн-процессы)

• Идентификация Personalized Experts: Во время обработки запроса система извлекает Candidate Experts и историю отзывов пользователя. Происходит расчет Agreement Score и Personalization Score для выбора Personalized Experts.
• Ранжирование результатов: Система локального ранжирования использует отзывы и рейтинги, оставленные Personalized Experts, как важный сигнал для определения порядка результатов. Механизм может действовать как система переранжирования.
• Ранжирование отзывов (Пост-клик): После того как пользователь выбирает конкретный результат поиска, система может ранжировать отзывы об этом бизнесе, отдавая приоритет отзывам Personalized Experts.

На что влияет

• Конкретные типы контента: Влияет на ранжирование локальных бизнес-листингов в Google Search (Local Pack) и Google Maps, а также на порядок отображения отзывов о бизнесе.
• Специфические запросы: Влияет на локальные запросы, где можно определить географическую область и категорию бизнеса (например, «лучшие кофейни рядом», «автосервис в центре»).
• Конкретные ниши или тематики: Наибольшее влияние в нишах с большим количеством отзывов и активным сообществом рецензентов, где важны субъективные оценки (рестораны, ритейл, услуги).

Когда применяется

• Триггеры активации:
  • Пользователь вводит запрос, классифицированный как локальный.
  • Система может идентифицировать географическую область и категорию бизнеса.
• Условия работы алгоритма:
  • Для данной пары Область/Категория должны существовать предварительно идентифицированные Candidate Experts в Expert Index (требуется пороговое количество отзывов офлайн).
  • Для активации персонализации у пользователя, выполняющего поиск, должна быть история отзывов, позволяющая рассчитать Agreement Score (т.е. есть пересечение с отзывами экспертов).

Пошаговый алгоритм

Процесс А: Офлайн-идентификация экспертов (Препроцессинг)

1. Сбор данных: Получение отзывов пользователей из источников.
2. Фильтрация: Удаление спам-отзывов, отзывов короче пороговой длины или с низким text-quality score.
3. Классификация: Ассоциирование каждого отзыва с иерархией географических областей (используя GIS) и иерархией категорий бизнеса (используя Business Ontology).
4. Проверка порогов: Определение, превышает ли количество неспамных отзывов/рецензентов пороговое значение для конкретной пары Область/Категория.
5. Расчет Expertise Score: Для каждой пары Область/Категория вычисление Expertise Score для каждого пользователя на основе количества (и, возможно, веса) его отзывов в этой паре.
6. Выбор экспертов: Ранжирование пользователей по Expertise Score и выбор Топ-N в качестве Candidate Experts.
7. Индексирование: Сохранение списка Candidate Experts в Expert Index с ключом, соответствующим паре Область/Категория.

Процесс Б: Обработка запроса и Персонализированное ранжирование (Онлайн)

1. Получение запроса: Система получает локальный запрос от пользователя.
2. Классификация запроса: Идентификация географической области и категории бизнеса.
3. Извлечение кандидатов: Запрос к Expert Index для получения списка Candidate Experts.
4. Генерализация (При необходимости): Если количество найденных экспертов ниже порога, выбор менее специфичной географической области или категории бизнеса и повторное извлечение экспертов.
5. Сбор данных для персонализации: Извлечение истории отзывов пользователя и истории отзывов Candidate Experts.
6. Расчет Agreement Score: Определение объектов, которые рецензировали и пользователь, и эксперт. Вычисление Agreement Score (средней разницы в оценках).
7. Расчет Personalization Score: Вычисление оценки персонализации на основе Agreement Score и количества общих отзывов.
8. Выбор Personalized Experts: Корректировка Expertise Score кандидатов с помощью Personalization Score. Ранжирование кандидатов и выбор тех, кто превышает порог, в качестве Personalized Experts.
9. Ранжирование результатов: Ранжирование локальных результатов поиска на основе отзывов/рейтингов Personalized Experts (взвешенных по их персонализированной оценке экспертизы).
10. Отправка результатов: Отправка ранжированных результатов пользователю.
11. Обработка выбора (Пост-клик): Получение выбора одного из результатов пользователем.
12. Ранжирование отзывов: Ранжирование отзывов об этом объекте в соответствии с Expertise Score (или персонализированной оценкой) авторов отзывов и отправка их пользователю.

Какие данные и как использует

Данные на входе

Система в первую очередь полагается на поведенческие и географические данные.

• Поведенческие факторы (Отзывы):
  • История отзывов пользователя и потенциальных экспертов (User Review History).
  • Рейтинги (Ratings) в отзывах (например, количество звезд) – критичны для расчета Agreement Score.
  • Метки времени отзывов (Timestamps) (для учета свежести).
  • Оценки полезности отзыва (Helpfulness votes) от других пользователей.
• Контентные факторы:
  • Текст отзывов (Review Text). Используется для оценки качества отзыва, выявления спама и расчета text-quality score.
• Географические факторы:
  • Местоположение бизнеса (из GIS).
  • Иерархия географических областей (из GIS).
  • Местоположение пользователя или локация, указанная в запросе.
• Структурные данные (Системные):
  • Business Ontology для классификации бизнеса по категориям.

Какие метрики используются и как они считаются

• Expertise Score: Рассчитывается офлайн. Преимущественно основана на количестве неспамных отзывов пользователя в определенной паре Область/Категория. Может быть взвешенной суммой, учитывающей text-quality score, длину, свежесть отзыва и его полезность.
• Agreement Score: Рассчитывается онлайн. Измеряет схожесть предпочтений пользователя и эксперта. Определяется как средняя разница между рейтингами, выставленными ими совместно оцененным объектам (Claim 2).
• Personalization Score: Рассчитывается онлайн. Агрегирует Agreement Score и количество совместно оцененных объектов (Claim 3).
• Personalized Expertise Score (Скорректированная оценка экспертизы): Рассчитывается онлайн. Является результатом корректировки Expertise Score с помощью Personalization Score. Используется для финального выбора Personalized Experts и взвешивания их мнений при ранжировании.
• Text-Quality Score / Spam Score: Используется для фильтрации отзывов. Основан на длине текста, структуре предложений (sentence structure) или корреляциях n-грамм (n-gram correlation) (Claim 4).

Выводы

1. Двухуровневая модель экспертизы: Google разделяет общую экспертизу и персонализированную релевантность. Общая экспертиза (Candidate Expert) определяется активностью (объемом качественных отзывов) в конкретной локации и категории. Персонализированная экспертиза (Personalized Expert) определяется совпадением вкусов эксперта и пользователя.
2. Активность как основа авторитета: Для того чтобы пользователь был признан экспертом в локальном поиске, ключевым фактором является количество (объем) качественных отзывов в определенной географической области и тематике (Claim 1).
3. Персонализация через совпадение вкусов: Система активно ищет экспертов, чьи предпочтения похожи на предпочтения пользователя (Agreement Score). Это означает, что для разных пользователей набор авторитетных экспертов будет разным, и, следовательно, локальная выдача будет персонализирована.
4. Важность истории пользователя: Механизм персонализации работает только в том случае, если у пользователя есть история отзывов и эта история пересекается с историей экспертов. Пользователи без истории отзывов, вероятно, получат ранжирование, основанное на общих (неперсонализированных) экспертах.
5. Генерализация при нехватке данных: Если экспертов по узкой теме или в конкретном районе недостаточно, Google будет расширять область поиска экспертов до более общих категорий или более широких географических зон (Claim 8).
6. Влияние на ранжирование SERP и отзывов: Идентифицированные эксперты влияют как на порядок локальных результатов в выдаче, так и на порядок отображения отзывов при просмотре конкретного бизнеса.

Практика

Best practices (это мы делаем)

• Стимулирование отзывов от локальных экспертов (Local Guides): Для локального бизнеса критически важно получать положительные отзывы от пользователей с высоким Expertise Score. Активные участники Google Local Guides высокого уровня с наибольшей вероятностью являются этими экспертами. Их мнения имеют больший вес в ранжировании.
• Поощрение детализированных и качественных отзывов: Поскольку система фильтрует короткие и низкокачественные отзывы (используя text-quality score) при расчете Expertise Score, необходимо мотивировать клиентов писать развернутые и полезные отзывы.
• Мониторинг профилей рецензентов (ORM): Анализируйте, кто оставляет отзывы о вашем бизнесе. Понимание того, какие еще места посещают и как оценивают ваши клиенты, может помочь понять, как система рассчитывает Agreement Score для вашей аудитории и кто влияет на вашу выдачу.
• Поддержание актуальности и точности данных о бизнесе (GBP): Убедитесь, что ваш бизнес правильно классифицирован в Google (соответствие Business Ontology) и его местоположение точно определено (соответствие GIS). Это гарантирует, что ваш бизнес будет включен в правильные пары Область/Категория и оценен релевантными экспертами.

Worst practices (это делать не надо)

• Массовая накрутка отзывов (Spam Reviews): Система активно фильтрует спам и низкокачественные отзывы. Накрученные отзывы не помогут в формировании Expertise Score и могут привести к санкциям.
• Генерация коротких, малоинформативных отзывов: Отзывы короче пороговой длины отбрасываются и не участвуют в расчете экспертизы 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. Работа с такими отзывами должна быть приоритетной.
• Фокус только на общем рейтинге (звездах): Недостаточно просто иметь высокий средний рейтинг. Важно, кто именно ставит эти оценки. Система деконструирует общий рейтинг и анализирует мнения релевантных экспертов.

Стратегическое значение

Патент подтверждает стратегическую важность управления репутацией (ORM) и работы с отзывами в локальном SEO. Он показывает, что Google рассматривает локальный поиск не просто как поиск по карте, а как систему рекомендаций, основанную на авторитетных мнениях, адаптированных под личные вкусы пользователя. Это применение концепции E-E-A-T к профилям рецензентов. Долгосрочная стратегия локального продвижения должна включать построение сообщества лояльных клиентов и активных рецензентов вокруг бизнеса.

Практические примеры

Сценарий: Персонализированное ранжирование кофеен

1. Препроцессинг: Пользователь А (Анна) и Пользователь Б (Борис) часто оставляют отзывы о кофейнях в Лондоне. У обоих высокий Expertise Score. Они оба являются Candidate Experts по теме «Кофейни в Лондоне».
2. Различие во вкусах: Анна предпочитает хипстерские кофейни с альтернативными методами заварки и ставит им высокие оценки, а сетевым кофейням – низкие. Борис предпочитает классические итальянские эспрессо-бары и ставит им высокие оценки, а хипстерским – низкие.
3. Пользовательский запрос: Пользователь В (Виктор) ищет «лучшая кофейня рядом». Виктор ранее несколько раз ставил высокие оценки хипстерским кофейням и низкие – итальянским эспрессо-барам.
4. Расчет Agreement Score: Система сравнивает отзывы Виктора с отзывами Анны и Бориса. Agreement Score Виктора с Анной высокий (вкусы совпадают). Agreement Score Виктора с Борисом низкий (вкусы различаются).
5. Выбор Personalized Experts: Анна выбрана как Personalized Expert для Виктора, а Борис – нет.
6. Ранжирование: При ранжировании кофеен для Виктора система будет отдавать приоритет тем заведениям, которые высоко оценила Анна. В результате Виктор увидит в топе хипстерские кофейни, даже если итальянский бар Бориса находится ближе.

Вопросы и ответы