Как Google определяет, когда игнорировать местоположение пользователя и показывать глобальные результаты

Описание

Какую задачу решает

Патент решает проблему, когда поисковая система слишком агрессивно привязывает результаты поиска к предполагаемому местоположению пользователя (Inferred Location), например, на основе IP-адреса, GPS или видимой области карты. Это может приводить к нерелевантной выдаче, если пользователь ищет уникальную сущность (известный ресторан, достопримечательность, конкретный бренд), физически расположенную далеко от его текущего местоположения. Изобретение улучшает понимание интента пользователя, балансируя между локальным и глобальным поиском.

Что запатентовано

Запатентован метод выбора между набором результатов, специфичным для местоположения (Location-specific set), и глобальным набором (Global set). Система генерирует оба набора и использует ряд метрик для определения наилучшего. Ключевым элементом является оценка географической кластеризации (Cluster Score) глобальных результатов и их удаленности от пользователя. Это позволяет определить, ищет ли пользователь уникальный объект в конкретном отдаленном месте.

Как это работает

Система работает следующим образом:

• Определение контекста: Получает запрос и определяет Inferred Location пользователя (на основе данных, не входящих в текст запроса).
• Генерация кандидатов: Создаются как минимум два набора результатов: Location-specific (привязанный к Inferred Location) и Global (не привязанный к локации).
• Оценка и Сравнение: Для наборов рассчитываются метрики качества (Quality Score), релевантности (Responsiveness Score), а для глобального набора — оценка кластеризации (Cluster Score) и расстояния (Distance Score).
• Выбор: Система выбирает Primary Results Set. Глобальный набор выбирается, если он сильно кластеризован вокруг одного отдаленного места, расстояние до этого места превышает порог, результаты хорошо отвечают на запрос, и запрос не является категориальным или сетевым. В противном случае выбирается локальный набор.

Актуальность для SEO

Высокая. Понимание баланса между локальным интентом и поиском сущностей (Entity Search) является критически важным компонентом современных поисковых систем, особенно в мобильном поиске и на картах. Механизмы, описанные в патенте, напрямую влияют на обработку запросов о брендах и уникальных объектах.

Важность для SEO

Патент имеет критическое значение (85/100) для стратегий локального и Entity SEO. Он объясняет механизм, позволяющий уникальным брендам и объектам ранжироваться глобально, даже если у пользователя есть четкий локальный контекст. Для локального бизнеса это определяет условия, при которых близость будет приоритетом (например, для категориальных запросов и сетей), и подчеркивает важность уникальности бренда.

Детальный разбор

Термины и определения

Cluster Score (Оценка кластеризации)

Метрика, определяющая, насколько географически сгруппированы сущности, связанные с набором результатов поиска. Например, процент результатов в пределах определенного радиуса. Высокий Cluster Score для глобальных результатов указывает на наличие уникальной сущности в конкретном месте.

Distance Score / Aggregate Distance (Оценка расстояния / Совокупное расстояние)

Метрика, основанная на физическом расстоянии между сущностями в наборе результатов и Inferred Location пользователя. Может быть агрегированным значением (сумма, среднее).

Entity Index (Индекс сущностей)

База данных, содержащая записи для отдельных сущностей (места, бизнесы, достопримечательности) с их характеристиками, включая физическое местоположение, категорию, отзывы, связанные документы и домен.

Global set of search results (Глобальный набор результатов поиска)

Набор результатов, отвечающих на запрос, но не ограниченных конкретным Inferred Location пользователя.

Inferred Location (Предполагаемое местоположение)

Географическое местоположение, определенное как представляющее интерес для пользователя на основе информации, не включающей текст самого запроса (например, IP-адрес, GPS, видимая область карты, история поиска).

Location-specific set of search results (Локально-специфичный набор результатов поиска)

Набор результатов, отвечающих на запрос и отфильтрованных так, чтобы включать только сущности в пределах определенного расстояния от Inferred Location.

Primary Results Set (Основной набор результатов)

Набор результатов (глобальный или локальный), выбранный системой как наилучший ответ на запрос и представленный пользователю по умолчанию.

Quality Score (Оценка качества)

Метрика, оценивающая качество результатов в наборе. Может основываться на количестве доступной информации о сущности, например, количестве отзывов или связанных документов.

Responsiveness Score (Оценка отзывчивости/релевантности)

Метрика, оценивающая, насколько хорошо результаты в наборе отвечают на запрос. Может основываться на совпадении запроса с названием сущности, категорией или текстом отзывов.

Secondary Results Set (Вторичный набор результатов)

Набор результатов, который не был выбран как основной, но имеет некоторую релевантность. Может быть представлен пользователю через элемент интерфейса (например, ссылка «Возможно, вы имели в виду…»).

Ключевые утверждения (Анализ Claims)

Claim 5 (Независимый пункт): Описывает основной метод работы системы.

1. Система получает запрос и идентификатор местоположения (Inferred Location).
2. Получает Location-specific set и Global set.
3. Определяет степень отзывчивости (Responsiveness) для локального набора.
4. Определяет, кластеризован ли (Clustered) глобальный набор вокруг одного места, не связанного с Inferred Location.
5. Выбирает Primary Results Set (глобальный или локальный) на основе комбинации факторов: отзывчивости локального набора, кластеризации глобального набора, И того, что совокупное расстояние (aggregate distance) между глобальными результатами и Inferred Location превышает пороговое расстояние (threshold distance).

Ядром изобретения является многофакторная модель принятия решения. Глобальный набор может быть выбран, только если он географически сконцентрирован (кластеризован) И находится далеко от пользователя. При этом также учитывается релевантность локальных результатов.

Зависимые пункты (Уточнения и Исключения):

• Claim 12 (Уточнение кластеризации): Выбор глобального набора происходит, если предопределенный процент сущностей в нем физически расположен в пределах предопределенного расстояния друг от друга (определение сильной кластеризации).
• Claim 15 (Условие релевантности): Выбор глобального набора происходит, только если хотя бы один из результатов в нем имеет название, соответствующее запросу.
• Claim 17 (Исключение категорий): Выбор глобального набора происходит, только если слова в запросе НЕ соответствуют категории, связанной с результатами (исключение запросов типа «пиццерия»).
• Claim 13 и 14 (Исключение сетей): Выбор глобального набора происходит, только если запрос НЕ предназначен для сети бизнесов (Chain). Сеть определяется по проценту топ-результатов, находящихся в одном интернет-домене.
• Claim 16 (Условие уникальности топа): Локальный набор выбирается, если топ-результат глобального набора совпадает с топ-результатом локального набора (если объект есть и там, и там, предпочитается локальный контекст).

Где и как применяется

Изобретение применяется на нескольких этапах поиска, преимущественно в контексте локального поиска и поиска сущностей (Entity Search), например, в Google Maps или Local Pack.

INDEXING – Индексирование и извлечение признаков
На этом этапе система индексирует данные о сущностях в Entity Index. Собираются точное физическое местоположение, категории, названия, отзывы и связанные домены. Эти данные необходимы для последующего расчета всех ключевых метрик (Quality, Responsiveness, Cluster, Distance) и определения сетей.

QUNDERSTANDING – Понимание Запросов
Система определяет Inferred Location пользователя (используя IP, GPS, историю поиска и т.д.). Также определяется, следует ли активировать механизм сравнения глобальных и локальных результатов, что часто происходит при поиске через картографический интерфейс или при поиске сущностей.

RANKING – Ранжирование
Система запускает параллельные процессы ранжирования: один для Global set и один или несколько для Location-specific sets. Локальный поиск жестко фильтрует или сильно бустит результаты по расстоянию от Inferred Location. Глобальный поиск может не учитывать расстояние или учитывать его как слабый фактор.

METASEARCH – Метапоиск и Смешивание / RERANKING – Переранжирование
Основной этап применения патента. Система выступает арбитром между результатами разных процессов ранжирования.

1. Агрегация: Собираются топ-результаты из глобального и локальных наборов.
2. Расчет метрик: Вычисляются агрегированные Cluster Score, Distance Score, Quality Score, Responsiveness Score для наборов.
3. Принятие решения: Применяется логика выбора (описанная в Claims и Алгоритме) для определения Primary Results Set.

Входные данные:

• Запрос пользователя.
• Идентификаторы Inferred Location.
• Данные из Entity Index.

Выходные данные:

• Выбранный Primary Results Set.
• (Опционально) Secondary Results Set и элемент интерфейса для переключения (например, ссылка «Возможно, вы имели в виду…»).

На что влияет

• Конкретные типы контента: В первую очередь влияет на результаты, связанные с сущностями, имеющими физическое местоположение (бизнесы, достопримечательности, события).
• Специфические запросы:
  • Сильное влияние на запросы по уникальным названиям (например, «Gary Danko», «Эйфелева башня»).
  • Слабое влияние на категориальные запросы (например, «кофейня», «автосервис»), так как они часто исключаются из глобального выбора (Claim 17).
  • Специальная обработка для сетей (например, «Starbucks»), где система предпочитает локальные результаты (Claim 13).
• Конкретные ниши или тематики: Туризм, гостиничный бизнес, известные рестораны, уникальная розничная торговля — ниши, где пользователи часто ищут объекты за пределами своего текущего местоположения.

Когда применяется

• Триггеры активации: Механизм активируется, когда система может определить Inferred Location пользователя, и при этом в самом запросе нет явного указания местоположения (например, «ресторан», а не «ресторан в Москве»).
• Условия работы: Алгоритм выбора становится критичным, когда глобальные результаты сильно отличаются от локальных.
• Интерфейс: Особенно часто применяется при поиске через картографические интерфейсы (map-based search user interface).

Пошаговый алгоритм

Процесс выбора Primary Results Set (на основе FIG. 4 и описания):

1. Получение контекста: Принять запрос и определить одно или несколько Inferred Locations.
2. Генерация наборов результатов: Получить Global set и один или несколько Location-specific sets путем поиска в Entity Index.
3. Расчет метрик: Для каждого набора определить:
   • Агрегированные Quality Score и Responsiveness Score.
   • Для глобального набора определить Cluster Score (насколько тесно сгруппированы результаты) и Distance Score (насколько далеко они от Inferred Location).
4. Первичное сравнение (Этап 1): Сравнить общие оценки (например, комбинацию Quality и Responsiveness) для всех наборов. Определить, является ли один набор «существенно лучше» (substantially better) других (превышает ли разница в оценках порог).
5. Принятие решения (Этап 1): Если один набор существенно лучше, выбрать его как Primary Results Set. Процесс завершен.
6. Детальная оценка Глобального набора (Этап 2): Если явного лидера нет (наборы сопоставимы), оценить глобальный набор по критериям географической уникальности:
   • Превышает ли Cluster Score порог (результаты тесно сгруппированы)?
   • Превышает ли Distance Score порог расстояния (результаты находятся далеко от пользователя)?
   • Соответствует ли запрос названию сущности (Name Match)?
7. Применение исключений (Этап 2): Проверить, не является ли запрос категориальным или запросом о сети бизнесов. Проверить, не совпадает ли топ глобального набора с топом локального. Если любое из исключений срабатывает, глобальный набор отклоняется.
8. Финальный выбор (Этап 2): Если глобальный набор удовлетворяет критериям уникальности и не попадает под исключения, выбрать его как Primary Results Set. В противном случае выбрать лучший Location-specific set.
9. Презентация: Показать Primary Results Set и опционально предоставить ссылку на Secondary Results Set.

Какие данные и как использует

Данные на входе

Система использует данные о пользователе и данные из индекса сущностей.

• Пользовательские факторы (для определения Inferred Location):
  • IP-адрес пользователя.
  • Данные GPS (если доступны).
  • История поиска пользователя.
  • Видимая область карты (Viewport) в момент запроса.
  • Местоположение по умолчанию, указанное пользователем.
• Данные о сущностях (из Entity Index):
  • Контентные факторы: Название сущности (для Responsiveness Score), текст отзывов и связанных документов.
  • Географические факторы: Физическое местоположение сущности (координаты). Критично для Cluster Score и Distance Score.
  • Структурные факторы: Категория сущности (для определения категориальных запросов).
  • Факторы качества: Количество отзывов, количество документов, ссылающихся на сущность (для Quality Score).
  • Технические факторы: Интернет-домен, связанный с сущностью (используется для определения сетевого бизнеса).

Какие метрики используются и как они считаются

• Cluster Score: Рассчитывается на основе распределения физических локаций сущностей в наборе. Методы расчета: (i) процент результатов, находящихся в пределах заданного радиуса друг от друга, или (ii) радиус, необходимый для охвата заданного процента сущностей.
• Distance Score (Aggregate Distance): Агрегированное значение (сумма, среднее) расстояний между Inferred Location пользователя и физическими локациями сущностей в наборе.
• Quality Score (для набора): Агрегированное значение индивидуальных оценок качества сущностей. Индивидуальная оценка может зависеть от количества отзывов или связанных документов.
• Responsiveness Score (для набора): Агрегированное значение индивидуальных оценок релевантности. Включает проверку совпадения запроса с названием сущности (Name Match) и категорией.
• Определение сетевого бизнеса (Chain Detection): Рассчитывается как процент топовых результатов, принадлежащих одному и тому же интернет-домену.
• Пороговые значения:
  • Threshold Distance: Минимальное расстояние от пользователя, при котором глобальные результаты начинают рассматриваться как предпочтительные.
  • Порог кластеризации: Минимальный уровень географической группировки для глобальных результатов.
  • Порог «Substantially better»: Минимальная разница в общих оценках, необходимая для немедленного выбора лидирующего набора.

Выводы

1. Баланс локального и глобального интента: Google активно управляет ситуациями, когда интент пользователя конфликтует с его предполагаемым местоположением. Inferred Location является сильным сигналом, но он может быть проигнорирован при наличии веских оснований, указывающих на поиск уникальной удаленной сущности.
2. Критерии игнорирования локации (Триггер Глобального Поиска): Чтобы игнорировать местоположение пользователя, система требует одновременного выполнения трех условий: высокой географической кластеризации (Cluster Score), большого расстояния от пользователя (Distance Score выше порога) и высокой релевантности (Responsiveness, например, совпадение названия).
3. Предпочтение локальным результатам по умолчанию: Система настроена так, чтобы предпочитать локальные результаты, если они сопоставимы по качеству и релевантности с глобальными. Глобальный набор выбирается, только если он «существенно лучше» или удовлетворяет строгим критериям географической уникальности.
4. Явные исключения для категорий и сетей: Патент описывает механизмы исключения для категориальных запросов (например, «пиццерия») и запросов о сетях (например, «Starbucks»). В этих случаях система намеренно отдает приоритет локальным результатам, предполагая, что пользователь ищет ближайший объект.
5. Фокус на Entity Search и важность атрибутов: Описанные механизмы применяются при поиске в Entity Index, что подчеркивает важность корректного представления бизнеса как сущности с четкими атрибутами (точное местоположение, правильная категория, уникальное название, связанный домен).

Практика

Best practices (это мы делаем)

• Для уникальных брендов и объектов (Туризм, Известные места): Необходимо обеспечить максимальную консолидацию информации о сущности и ее точном местоположении (например, через Google Business Profile и Knowledge Graph). Это поможет системе правильно рассчитать высокий Cluster Score. Высокий Quality Score (например, за счет отзывов и упоминаний) критичен для победы глобального набора над потенциальными локальными результатами. Используйте уникальное название, не совпадающее с категориями.
• Для локального бизнеса (Не сети): Если ваш бизнес предоставляет стандартные услуги, сосредоточьтесь на повышении Quality Score и Responsiveness Score для релевантных запросов в вашем регионе. Если ваш локальный набор будет иметь сопоставимое или лучшее качество, система предпочтет вас (принцип «Substantially better»).
• Для сетей (Chains): Понимайте, что система идентифицирует сети (например, по доменному имени в топ-результатах) и намеренно отдает предпочтение локальным результатам. Стратегия должна фокусироваться на оптимизации каждой отдельной точки присутствия для гиперлокального поиска, а не на попытках доминировать в глобальной выдаче по брендовому запросу.
• Четкое Категоризирование: Убедитесь, что ваша сущность правильно категоризирована в Entity Index. Это помогает системе понять, когда запрос является категориальным (и следует предпочесть локальный поиск), а когда — запросом по конкретной сущности.

Worst practices (это делать не надо)

• Использование общих названий для уникальных бизнесов: Выбор названия, которое звучит как категория (например, «Центр ремонта ноутбуков»), приведет к тому, что система будет считать запросы категориальными и локализовать их, ограничивая вашу видимость за пределами региона.
• Манипуляции с местоположением: Попытки создать видимость присутствия в нескольких местах без реальной физической привязки или неточные данные NAP могут привести к низкому Cluster Score, так как результаты будут географически размыты, что снизит шансы на глобальное ранжирование.
• Игнорирование контекста поиска на картах: Этот патент особенно актуален для поиска на картах и в Local Pack. Оптимизация только под веб-поиск без учета того, как ваша сущность представлена в Entity Index, является стратегической ошибкой для локального бизнеса.

Стратегическое значение

Патент подтверждает стратегию Google по глубокому пониманию сущностей и их контекста. Для SEO это означает, что управление данными о сущности (Entity SEO) и локальная оптимизация тесно взаимосвязаны. Система не просто ищет ключевые слова, она пытается определить интент: ищет ли пользователь конкретный объект (и тогда может показать его глобально) или тип объекта рядом (и тогда поиск будет локальным). Cluster Score является ключевым техническим инструментом для реализации этой стратегии.

Практические примеры

Сценарий 1: Поиск уникального ресторана (Глобальный выбор)

1. Контекст: Пользователь находится в Нью-Йорке (Inferred Location).
2. Запрос: «Gary Danko» (известный ресторан в Сан-Франциско).
3. Анализ:
   • Локальный набор (Нью-Йорк): Низкий Responsiveness Score (нет ресторанов с таким названием).
   • Глобальный набор: Высокий Responsiveness Score (точное совпадение названия). Высокий Cluster Score (результаты сконцентрированы в Сан-Франциско). Высокий Distance Score (расстояние НЙ-СФ велико). Запрос не категориальный и не сетевой.
4. Результат: Система выбирает глобальный набор. Пользователь видит информацию о ресторане в Сан-Франциско.

Сценарий 2: Поиск сети кофеен (Локальный выбор из-за исключения)

1. Контекст: Пользователь находится в Нью-Йорке (Inferred Location).
2. Запрос: «Starbucks».
3. Анализ:
   • Локальный и Глобальный наборы имеют высокие Responsiveness Score.
   • Система определяет, что запрос относится к сети (Claim 13, много результатов с одного домена).
4. Результат: Система применяет исключение для сетей и выбирает локальный набор. Пользователь видит ближайшие кофейни Starbucks в Нью-Йорке.

Сценарий 3: Категориальный запрос (Локальный выбор из-за исключения)

1. Контекст: Пользователь находится в Нью-Йорке (Inferred Location).
2. Запрос: «Пиццерия».
3. Анализ: Система определяет, что запрос соответствует категории сущностей (Claim 17).
4. Результат: Система применяет исключение для категориальных запросов и выбирает локальный набор. Пользователь видит пиццерии в Нью-Йорке.

Вопросы и ответы