Close Menu

    Как Google использует социальный граф пользователя для персонализации локальной выдачи и ранжирования отзывов контактов

    METHOD AND COMPUTER-READABLE MEDIA FOR PROVIDING RECOMMENDED ENTITIES BASED ON A USER'S SOCIAL GRAPH (Метод и компьютерно-считываемые носители для предоставления рекомендуемых сущностей на основе социального графа пользователя)
    2012 Патенты Google Персонализация

    Google персонализирует локальные результаты поиска, используя социальный граф пользователя. Если контакты пользователя оставляли отзывы, оценки или загружали фото о бизнесе (сущности), эти сущности повышаются в персональной выдаче. Система также ранжирует контакты по силе связи с пользователем, приоритизируя отображение отзывов от наиболее близких контактов.

    Описание

    Какую задачу решает

    Патент решает проблему предоставления обобщенных и потенциально ненадежных результатов при локальном поиске. Стандартная выдача может основываться на источниках (например, отзывах незнакомцев), которым пользователь не доверяет. Изобретение направлено на повышение релевантности и надежности выдачи путем интеграции социального доказательства и рекомендаций от известных пользователю контактов.

    Что запатентовано

    Запатентована система персонализации результатов локального поиска путем интеграции сигналов из внешнего социального графа пользователя (external social graph). Система идентифицирует сущности (например, бизнесы), с которыми взаимодействовали контакты пользователя (отзывы, рейтинги, фото). Эти сущности повышаются в ранжировании (boosting) и аннотируются информацией о взаимодействии. Ключевым элементом является ранжирование контактов на основе Relationship Criteria (силы связи с пользователем) для приоритизации рекомендаций.

    Как это работает

    Система работает в два основных этапа:

    • Этап 1 (Переранжирование SERP): В ответ на локальный запрос система генерирует базовый рейтинг (First Ranking). Затем она проверяет социальный граф пользователя. Сущности, с которыми взаимодействовали контакты, получают повышение, формируя персонализированный Second Ranking. Результаты аннотируются отзывом от наиболее близкого контакта.
    • Этап 2 (Страница Сущности): Когда пользователь выбирает сущность, система собирает все взаимодействия от его контактов. Контакты ранжируются по Relationship Criteria. Отзывы и фото на странице сущности отображаются в этом порядке, начиная с самых близких контактов.

    Актуальность для SEO

    Средняя/Высокая. Патент является продолжением заявок 2012-2014 годов и явно описывает механики, связанные с Google+ (Asymmetric Social Graph, «circles»). Хотя инфраструктура Google+ устарела, базовые принципы использования социального доказательства, персонализации и UGC для локального ранжирования остаются крайне актуальными. Выдача патента в 2023 году подтверждает ценность этих механизмов, которые могут быть адаптированы к текущим данным Google (например, Google Maps UGC, Контакты).

    Важность для SEO

    Патент имеет значительное влияние (7.5/10) на Локальное SEO (Local SEO). Он демонстрирует конкретный механизм персонализации, где стандартные факторы ранжирования могут быть переопределены социальными сигналами. Видимость локального бизнеса напрямую зависит от того, взаимодействовали ли с ним контакты ищущего пользователя. Это подчеркивает критическую важность стимулирования подлинного пользовательского контента (отзывы, фото) на платформе Google.

    Детальный разбор

    Термины и определения

    Entity (Сущность)
    Объект с физическим местоположением, например, бизнес (ресторан, магазин), парк или учреждение.
    External Social Graph (Внешний социальный граф)
    Социальный граф пользователя, управляемый сервисом (например, социальной сетью), который является внешним и независимым от поисковой системы.
    Asymmetric Social Graph (Асимметричный социальный граф)
    Модель социальных связей, где отношения не обязательно взаимны (односторонняя подписка). Пользователь А следит за Б, но Б не обязательно следит за А.
    Association (Ассоциация/Взаимодействие)
    Взаимодействие между контактом из социального графа и сущностью. Включает отзыв (review), рейтинг (rating), отметку о посещении (check-in) или загрузку изображения.
    Association Information (Информация о взаимодействии)
    Детали взаимодействия: текст отзыва, рейтинг, дата, имя и фото контакта, а также изображения, предоставленные контактом.
    Relationship Criteria (Критерии отношений)
    Метрики для ранжирования контактов на основе силы их связи с пользователем. Включают количество (number) и тип (type) взаимодействий между пользователем и контактом.
    First Ranking / Second Ranking
    Базовое ранжирование сущностей (на основе популярности, релевантности, близости) и переранжированный список после применения социального бустинга.

    Ключевые утверждения (Анализ Claims)

    Анализ сфокусирован на независимом пункте Claim 1 патента US11714815B2, который описывает полный цикл от поиска до детализированного отображения социальных данных.

    Claim 1 (Независимый пункт): Описывает метод отображения рекомендуемой сущности.

    Часть 1: Ранжирование и Переранжирование (SERP)

    1. Система получает поисковый запрос от пользователя, включающий географическую область.
    2. Происходит первичное ранжирование (first ranking) сущностей на основе как минимум одного из критериев: (i) близость, (ii) популярность или (iii) релевантность запросу.
    3. Происходит переранжирование (second ranking) сущностей на основе их связей (associations) с контактами пользователя.
    4. Результаты предоставляются пользователю.

    Часть 2: Отображение Социальных Данных (Post-Click)

    1. Система получает выбор одной из сущностей пользователем.
    2. Извлекаются контакты из социального графа пользователя.
    3. Определяются взаимодействия (associations) (рейтинг, отзыв или комбинация) между контактами и выбранной сущностью.
    4. Контакты ранжируются в соответствии с Relationship Criteria (сила связи с пользователем).
    5. Отображается выбранная сущность с отзывами/рейтингами контактов. Ключевой момент: Отзывы/рейтинги упорядочиваются на основе ранжирования соответствующих контактов (близкие друзья выше).
    6. Вместе с отзывами/рейтингами отображаются изображения, предоставленные этими контактами.

    Ядро изобретения включает два механизма персонализации: повышение социально-релевантных сущностей в выдаче и специфический метод упорядочивания социального доказательства на странице сущности, основанный на силе связи контакта с пользователем.

    Где и как применяется

    Изобретение применяется на нескольких этапах поисковой архитектуры, преимущественно в контексте локального поиска.

    INDEXING – Индексирование и извлечение признаков
    Индексируются данные о сущностях (Entities) и пользовательский контент (UGC или Associations), связанный с ними. Также обрабатываются данные социального графа и связи между пользователями для расчета Relationship Criteria.

    RANKING – Ранжирование
    Генерируется первичное ранжирование (first ranking) на основе стандартных локальных факторов: релевантности, популярности и близости.

    RERANKING – Переранжирование (Персонализация)
    Применяется слой персонализации. Система использует социальный граф пользователя для модификации первичного ранжирования. Сущности, с которыми взаимодействовали контакты, получают повышение (boosting), формируя second ranking.

    METASEARCH / Генерация SERP и Страниц Сущностей
    На этапе формирования SERP результаты аннотируются Association Information. При генерации страницы деталей выбранной сущности (Post-Click), система ранжирует ассоциированные контакты по Relationship Criteria и формирует отображение их отзывов и фото в соответствующем порядке.

    Входные данные:

    • Поисковый запрос и/или местоположение пользователя.
    • База данных сущностей.
    • Социальный граф пользователя и данные для расчета Relationship Criteria.
    • Данные о взаимодействиях (UGC/Associations) контактов с сущностями.

    Выходные данные:

    • Персонализированный список сущностей (second ranking) с социальными аннотациями.
    • Детализированный вид социальных взаимодействий для выбранной сущности, упорядоченный по силе связи контактов.

    На что влияет

    • Конкретные типы контента и ниши: В первую очередь влияет на Local SEO – рестораны, магазины, услуги, достопримечательности и любые сущности с физическим местоположением, подлежащие оценке (UGC).
    • Специфические запросы: Локальные запросы (например, «пицца рядом», «лучшие рестораны в Сан-Франциско») и просмотр карт.
    • Форматы контента: Local Pack, результаты в Google Maps, профили компаний (Google Business Profile).

    Когда применяется

    • Условия работы: Алгоритм применяется, когда пользователь авторизован в системе, которая имеет доступ к его социальному графу.
    • Триггеры активации: Наличие зафиксированных взаимодействий (Associations) со стороны контактов пользователя с сущностями, релевантными запросу.

    Пошаговый алгоритм

    Процесс А: Персонализация поисковой выдачи (SERP)

    1. Получение критериев поиска: Система получает запрос и/или местоположение пользователя.
    2. Первичное ранжирование: Формируется First Ranking на основе релевантности, популярности, близости.
    3. Получение социального контекста: Извлекаются контакты из социального графа пользователя.
    4. Определение взаимодействий: Идентифицируются сущности из первичного списка, с которыми взаимодействовали контакты.
    5. Ранжирование контактов: Для каждой сущности связанные контакты ранжируются на основе Relationship Criteria.
    6. Переранжирование (Boosting): First Ranking модифицируется путем повышения позиций сущностей с социальными взаимодействиями (Second Ranking).
    7. Аннотация результатов: Сущности аннотируются информацией о взаимодействии от контакта с наивысшим рейтингом отношений.
    8. Отображение: Пользователю предоставляется персонализированный список. Рекомендуемые сущности могут быть сгруппированы отдельно (например, «From your circles»).

    Процесс Б: Отображение деталей сущности (Post-Click)

    1. Получение выбора: Пользователь выбирает конкретную сущность.
    2. Извлечение всех взаимодействий: Система получает все взаимодействия (отзывы, фото) от контактов пользователя для этой сущности.
    3. Ранжирование контактов: Контакты ранжируются на основе Relationship Criteria.
    4. Отображение взаимодействий: Отображается список взаимодействий, упорядоченный в соответствии с рангом контактов. Включаются тексты отзывов и фотографии, предоставленные контактами.

    Какие данные и как использует

    Данные на входе

    • Географические факторы: Местоположение пользователя и сущностей. Используется для определения близости в first ranking.
    • Пользовательские факторы (Социальные):
      • External Social Graph: Список контактов пользователя.
      • Данные для Relationship Criteria: История и тип взаимодействий между пользователем и его контактами.
    • Контентные факторы (UGC): Пользовательский контент, связанный с сущностями: текст отзывов (review text), рейтинги (ratings), отметки о посещении (check-ins).
    • Мультимедиа факторы: Изображения (images), предоставленные контактами в рамках их взаимодействий с сущностью (Явно указано в Claim 1).

    Какие метрики используются и как они считаются

    • Метрики Первичного Ранжирования (First Ranking Metrics):
      • Popularity (Популярность).
      • Relevance (Релевантность запросу).
      • Proximity (Близость/Местоположение).
    • Relationship Criteria (Критерии Отношений): Метрика для оценки силы связи между пользователем и контактом. Рассчитывается на основе количества (number of interactions) и типа (type of interactions) взаимодействий между ними. Используется для ранжирования контактов и приоритизации их контента.
    • Boosting (Повышение): Механизм модификации first ranking. Конкретная формула не указана, но сущности с социальными связями повышаются для создания second ranking.

    Выводы

    1. Персонализация как слой поверх локального ранжирования: Патент описывает механизм, где персонализированные социальные сигналы используются для переранжирования (Reranking) стандартных локальных результатов. Видимость сущности становится сильно зависимой от социального графа пользователя.
    2. Сила связи имеет решающее значение (Relationship Strength): Система приоритизирует контент на основе близости контакта к пользователю (Relationship Criteria). Отзывы от близких контактов имеют приоритет как в аннотациях SERP, так и при сортировке на странице сущности.
    3. Критичность UGC для Local SEO: Пользовательский контент (отзывы, рейтинги, фото) является триггером для этого механизма персонализации. Отсутствие UGC от контактов означает отсутствие бустинга по этому алгоритму.
    4. Важность визуального контента: Claim 1 явно защищает отображение изображений, предоставленных контактами, как часть социального доказательства, что подчеркивает важность мультимедийного UGC.
    5. Использование Асимметричных Графов: Система разработана для работы с моделями односторонней подписки (например, Google+), что позволяет использовать рекомендации от авторитетов или друзей, даже если связь не взаимна.

    Практика

    Best practices (это мы делаем)

    Хотя прямая оптимизация под социальные графы невозможна, принципы патента определяют стратегию Local SEO и ORM:

    • Стимулирование подлинного и разнообразного UGC: Ключевая стратегия. Необходимо поощрять клиентов оставлять честные отзывы, рейтинги и загружать фотографии на платформе Google (Google Business Profile/Maps). Чем шире база клиентов, взаимодействующих с профилем, тем выше вероятность активации персонализированного бустинга для их сети контактов.
    • Акцент на мультимедийный контент (Фото): Поощряйте пользователей добавлять фото к отзывам. Патент явно указывает на использование изображений от контактов как части рекомендаций (Claim 1). Визуальное социальное доказательство усиливает рекомендацию.
    • Обеспечение сильных базовых сигналов Local SEO: Первичное ранжирование основано на релевантности, близости и популярности. Необходимо обеспечить качественную базовую оптимизацию, чтобы попадать в первичный набор кандидатов (First Ranking) для последующего переранжирования.

    Worst practices (это делать не надо)

    • Манипуляции с отзывами и социальными связями: Попытки накрутить отзывы через фейковые сети неэффективны в рамках этого патента. Система учитывает Relationship Criteria (реальную близость контактов), основанные на истории взаимодействий. Отзывы от ботов или аккаунтов без реальной связи с пользователем не будут иметь приоритета.
    • Игнорирование UGC и управления репутацией: Фокус только на традиционных факторах локального SEO без работы с отзывами и фото приведет к потере видимости в персонализированной выдаче, описанной в патенте.
    • Фокус только на количестве отзывов: Концентрация на объеме отзывов без учета качества и источника. В контексте персонализации один отзыв от близкого контакта может оказать большее влияние, чем десятки отзывов от незнакомцев.

    Стратегическое значение

    Патент подтверждает стратегическую важность персонализации и социального доказательства в локальном поиске. Он демонстрирует, как Google стремится использовать связи между пользователями для повышения доверия к результатам. Это приводит к сильной фрагментации поисковой выдачи, что затрудняет стандартный мониторинг позиций. Долгосрочная SEO-стратегия должна фокусироваться на управлении репутацией и стимулировании UGC как ключевых факторах видимости.

    Практические примеры

    Сценарий 1: Персонализация выдачи (SERP)

    1. Пользователь (Иван) ищет: «Итальянский ресторан рядом».
    2. Стандартное ранжирование (First Ranking): Ресторан «А» на 1 месте, Ресторан «Б» на 5 месте.
    3. Социальный контекст: Близкий друг Ивана, Петр (высокий Relationship Criteria), оставил 5-звездочный отзыв с фото о Ресторане «Б».
    4. Переранжирование (Second Ranking): Ресторан «Б» получает бустинг.
    5. Результат: Ресторан «Б» отображается на 1 месте в выдаче Ивана, аннотированный: «Петр оценил на 5 звезд» с фото. Ресторан «А» смещается ниже.

    Сценарий 2: Приоритизация отзывов (Post-Click)

    1. Ситуация: Иван кликает на Ресторан «Б». Этот ресторан также посещали его коллега (средний Relationship Criteria) и дальний знакомый (низкий Relationship Criteria).
    2. Действие системы: Система ранжирует контакты по силе связи.
    3. Результат: На странице Ресторана «Б» в блоке социальных рекомендаций Иван видит сначала подробный отзыв и фото Петра, затем коллеги, и в последнюю очередь — дальнего знакомого.

    Вопросы и ответы

    Что такое «Асимметричный социальный граф» (Asymmetric Social Graph) и почему это важно?

    Asymmetric Social Graph означает, что связи односторонние: вы можете следить за кем-то, не получая взаимной подписки (модель Google+ или Twitter). Для SEO это важно, потому что рекомендации могут исходить от людей, которых пользователь считает авторитетами или друзьями (он на них подписан), даже если эти люди не знают пользователя лично. Это расширяет охват потенциальных рекомендаций.

    Как система определяет, какой контакт важнее для пользователя (Relationship Criteria)?

    Патент указывает (Claim 4), что Relationship Criteria основаны на «количестве и типе взаимодействий» между пользователем и контактом. На практике это может включать частоту общения (почта, чат), совместные упоминания, взаимодействие с контентом друг друга. Чем активнее взаимодействие, тем выше ранг контакта и приоритетнее его рекомендация.

    Патент сильно завязан на Google+. Актуален ли он после его закрытия?

    Хотя инфраструктура Google+ не используется, принципы патента актуальны. Google по-прежнему собирает огромные объемы UGC через Google Maps и имеет данные о связях между пользователями (например, через Google Contacts, Photos sharing). Эти данные могут использоваться аналогичным образом для персонализации локальных рекомендаций, выступая в роли современного социального графа.

    Влияет ли этот механизм на глобальное ранжирование или только на персонализированное?

    Исключительно на персонализированное ранжирование (Second Ranking). Сущность получает повышение (boosting) только в выдаче того пользователя, чьи контакты с ней взаимодействовали. Для остальных пользователей используется базовое ранжирование (First Ranking).

    Как этот патент влияет на стратегию управления отзывами (ORM)?

    Он подчеркивает, что работа с отзывами на платформе Google критически важна. Чем шире база клиентов, оставивших положительные отзывы и фото, тем выше вероятность того, что они окажутся в социальном графе потенциальных ищущих. Это превращает существующих клиентов в микро-инфлюенсеров для их социального круга.

    Какова роль фотографий, загружаемых пользователями?

    Фотографии играют важную роль. Claim 1 явно указывает, что изображения, предоставленные контактами при взаимодействии с сущностью (например, прикрепленные к отзыву), отображаются вместе с рекомендацией. Это усиливает социальное доказательство и повышает привлекательность результата.

    Если у сущности несколько отзывов от разных контактов, чей отзыв будет показан в выдаче?

    Система ранжирует контакты на основе Relationship Criteria. В аннотации к результату поиска (SERP), скорее всего, будет показан отзыв от контакта с самым высоким рангом (наиболее близкого). При переходе на страницу сущности будут показаны все отзывы, также упорядоченные по рангу контактов.

    Как это влияет на отслеживание позиций в Local SEO?

    Он значительно усложняет мониторинг. Поскольку выдача сильно персонализирована на основе социального графа, стандартные инструменты для отслеживания ранжирования, использующие обезличенные запросы, не будут отражать реальную картину, которую видит конкретный пользователь. Видимость становится фрагментированной.

    Эффективна ли накрутка отзывов в контексте этого патента?

    Нет. Система опирается на Relationship Criteria – реальную близость между пользователем и автором отзыва, основанную на истории взаимодействий. Отзывы от фейковых аккаунтов или аккаунтов без реальной связи с пользователем не будут иметь высокого приоритета и вряд ли активируют значительный бустинг.

    Что важнее для первичного ранжирования согласно патенту?

    Патент четко указывает три фактора для первичного (неперсонализированного) ранжирования локальных сущностей: Proximity (близость), Popularity (популярность) и Relevance (релевантность). Это подтверждает фундаментальные принципы Local SEO. Социальные сигналы применяются уже на этапе переранжирования.