Как Google использует категории бизнеса и историю рекламы для расширения таргетинга в локальном поиске

Описание

Какую задачу решает

Патент решает проблему нехватки или низкой релевантности контента (преимущественно рекламы) при обработке специфических локальных запросов. Когда пользователь ищет название конкретного, возможно, малоизвестного местного бизнеса (например, «ChezBurrito»), стандартный таргетинг по ключевым словам может не найти достаточно объявлений. Изобретение направлено на расширение пула доступной рекламы за счет понимания категорий, связанных с этим запросом и местоположением.

Что запатентовано

Запатентована система для улучшения таргетинга рекламы (advertisements) в ответ на локальные запросы. Система определяет, является ли запрос локальным и связан ли он с конкретной сущностью (entity). Если да, она определяет категории этой сущности, основываясь на исторических данных, в частности, на том, какие бизнесы ранее давали локальную рекламу (prior local advertisement) по этому запросу. Эти категории затем используются для выбора и показа релевантной рекламы.

Как это работает

Механизм работает в двух режимах:

• Офлайн: Система анализирует логи запросов (Query Logs) и историю показа рекламы, чтобы связать пары «запрос-местоположение» (query-location pair) с категориями бизнеса.
• Онлайн: При получении запроса система определяет местоположение (текущее или location-of-interest, например, область просмотра карты – viewport). Если запрос локальный и связан с сущностью, система извлекает ассоциированные категории.
• Таргетинг: Названия категорий используются как дополнительные ключевые слова для поиска релевантной рекламы.
• Ранжирование: Отобранная реклама ранжируется, в том числе на основе расстояния (distance) от рекламируемого бизнеса до местоположения, связанного с запросом.

Актуальность для SEO

Высокая (для Google Ads и Local SEO). Точное понимание локальных запросов, категоризация сущностей и эффективная монетизация локального поиска (включая карты) остаются критически важными для Google. Описанные принципы являются фундаментальными для работы локальной рекламы.

Важность для SEO

Влияние на SEO — умеренное (5/10). Патент и его Claims строго сфокусированы на выборе и ранжировании рекламы, а не органических результатов. Однако он имеет высокое стратегическое значение для специалистов по Local SEO и Google Business Profile (GBP). Патент раскрывает, как Google использует исторические данные (включая PPC) для категоризации сущностей и подтверждает использование расстояния (distance) как фактора ранжирования в локальном контексте (хотя и только для рекламы).

Детальный разбор

Термины и определения

Categories Data Store (Хранилище категорий)

База данных, хранящая ассоциации между Query-Location Pairs и соответствующими категориями. Генерируется офлайн.

Content Management System (Система управления контентом)

В контексте патента – система управления рекламой (Ad Server), отвечающая за выбор и предоставление рекламных объявлений.

Entity (Сущность)

Конкретный объект, идентифицируемый в запросе, например, название локального бизнеса (ресторана, магазина).

Local Query (Локальный запрос)

Запрос, с которым ассоциировано географическое местоположение.

Location-of-Interest (Место интереса)

Местоположение, интересующее пользователя, которое может не совпадать с его физическим местоположением. Определяется, например, по области просмотра карты (Viewport).

Prior Local Advertisement (Предшествующая локальная реклама)

Рекламное объявление, которое было показано ранее в ответ на определенный локальный запрос. Используется как источник данных для определения категорий.

Query Fingerprint (Отпечаток запроса)

Уникальный идентификатор контекста запроса для анализа логов. Может включать термины запроса, location-of-interest, язык запроса и язык отображения.

Query Logs (Логи запросов)

Хранилище исторических данных о запросах, местоположениях и показанном контенте. Используется для офлайн-анализа.

Query-Location Pair (Пара запрос-местоположение)

Комбинация поискового запроса и связанного с ним местоположения. Используется как ключ для поиска ассоциированных категорий.

Viewport (Область просмотра)

Видимая область в приложении (например, на карте). Используется для определения Location-of-Interest.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс выбора рекламы для локального запроса, связанного с сущностью на странице результатов поиска.

1. Система получает запрос (для получения результатов поиска).
2. Проверяются два условия: содержит ли запрос идентификацию entity И является ли он local query.
3. Если ДА, определяются categories, связанные с этой сущностью и локальным запросом.
4. Определяются характеристики рекламных слотов (ad slots).
5. Выбираются рекламные объявления (advertisements) на основе локального запроса, местоположения, определенных категорий и характеристик слотов.
6. Ключевое уточнение: Определение категорий включает определение категории, связанной с бизнесом, который предоставил prior local advertisement в ответ на предыдущий идентичный запрос.

Система использует историю показов рекламы для определения категорий сущности, что позволяет расширить текущий показ рекламы.

Claim 18 (Независимый пункт): Описывает процесс с добавлением ранжирования по расстоянию.

1. Система получает запрос, определяет entity и локальность, определяет категории (на основе prior local advertisement).
2. Ранжирование: Рекламные объявления ранжируются на основе distance (расстояния) от рекламируемых сущностей до местоположения, связанного с запросом.
3. Выбор: Реклама выбирается на основе локального запроса, категорий и этого ранжирования на основе местоположения (location-based ranking).

Это прямое указание на использование расстояния как фактора ранжирования для локальной рекламы.

Claim 21 (Зависимый от 1): Уточняет, что категориям могут присваиваться веса (weight).

Вес определяется на основе количества запросов (number of queries), связанных с этой категорией в исторических данных.

Где и как применяется

Изобретение применяется в рамках рекламной системы (Content Management System) и затрагивает несколько этапов обработки запроса.

INDEXING / Офлайн-анализ данных
На этом этапе происходит предварительная обработка данных:

1. Анализ Query Logs и истории показа рекламы (prior local advertisements).
2. Определение категорий бизнесов, которые ранее рекламировались по конкретным Query-Location Pairs.
3. Расчет весов (weights) для категорий.
4. Сохранение ассоциаций в Categories Data Store.

QUNDERSTANDING – Понимание Запросов
В реальном времени система должна:

1. Определить, является ли запрос локальным (Local Query).
2. Определить ассоциированное местоположение (GPS, IP-адрес или Location-of-Interest, например, координаты Viewport).
3. Идентифицировать сущность (Entity) в запросе.

RANKING / METASEARCH (Выбор и ранжирование рекламы)
Это основной этап применения патента:

1. Извлечение релевантных категорий из Categories Data Store.
2. Использование этих категорий как дополнительных ключевых слов для расширения пула подходящей рекламы.
3. Ранжирование отобранной рекламы. Ranking Engine использует информацию о местоположении, в частности, расстояние (distance) от рекламируемого объекта до местоположения запроса.

На что влияет

• Конкретные типы контента: Влияет исключительно на показ локальной рекламы (Google Ads) на страницах результатов поиска или в картографических приложениях. Не описывает органическое ранжирование.
• Специфические запросы: Наибольшее влияние на запросы по конкретным названиям бизнесов или брендов (например, «ChezBurrito»), которые являются локальными и идентифицируют Entity.
• Конкретные ниши или тематики: Влияет на все локальные ниши (рестораны, услуги, ритейл).

Когда применяется

• Триггеры активации: Алгоритм активируется строго при выполнении двух условий: запрос идентифицирован как Local Query И запрос связан с идентификацией конкретной Entity (Claim 1).
• Особые случаи: Механизм особенно полезен, когда название сущности редкое или неоднозначное, и стандартного таргетинга по ключевым словам недостаточно для подбора релевантной рекламы.

Пошаговый алгоритм

Процесс А: Обработка запроса в реальном времени

1. Получение запроса и контекста: Система получает запрос и данные о контексте (местоположение, язык).
2. Определение локальности и сущности: Location Engine определяет местоположение (используя GPS, IP или Viewport). Система определяет, является ли запрос локальным и идентифицирует ли он Entity.
3. Проверка условий: Если условия не выполнены, используется стандартный таргетинг. Если выполнены, процесс продолжается.
4. Извлечение категорий: Category Engine использует Query-Location Pair для извлечения категорий из Categories Data Store.
5. Расширение запроса: Полученные категории используются как дополнительные ключевые слова для таргетинга рекламы.
6. Выбор рекламы: Система выбирает подходящую рекламу, используя расширенный набор ключевых слов и местоположение.
7. Ранжирование: Ranking Engine ранжирует отобранную рекламу. Ранжирование учитывает расстояние (distance) между рекламируемым объектом и местоположением запроса.
8. Предоставление контента: Реклама предоставляется для показа в ad slots.

Процесс Б: Офлайн-генерация базы категорий

1. Анализ логов: Система анализирует Query Logs.
2. Идентификация связей: Определяются связи между Query-Location Pairs и рекламой, которая показывалась ранее.
3. Определение категорий рекламодателей: Система определяет категории бизнесов, которые размещали эту рекламу (prior local advertisement).
4. Ассоциация и взвешивание: Категории ассоциируются с Query-Location Pair. Рассчитываются веса (weights) на основе частоты запросов.
5. Сохранение: Ассоциации сохраняются в Categories Data Store.

Какие данные и как использует

Данные на входе

• Контентные факторы: Термины запроса используются для идентификации Entity.
• Географические факторы: Критически важные данные. Используются:
  • IP-адрес устройства.
  • Данные GPS или триангуляции сотовых вышек.
  • Location-of-Interest: данные из картографических приложений, включая координаты текущего Viewport.
  • Названия местностей или адреса в запросе.
• Исторические данные (для офлайн-анализа): Query Logs. Ключевым фактором является история показа рекламы (prior local advertisement) и данные о рекламодателях.
• Пользовательские факторы: Язык запроса и язык отображения (используются для формирования Query Fingerprint).

Какие метрики используются и как они считаются

• Distance (Расстояние): Метрика для ранжирования рекламы. Рассчитывается как расстояние между местоположением рекламируемого бизнеса и местоположением, ассоциированным с запросом (Claim 18).
• Category Weights (Веса категорий): Метрика значимости категории для данной Query-Location Pair. Рассчитывается на основе анализа Query Logs, например, по количеству запросов (Claim 21).
• Query Fingerprint (Отпечаток запроса): Составная метрика (термины + location-of-interest + языки). Используется для точного сопоставления текущего запроса с историческими данными.

Выводы

1. Патент строго ориентирован на рекламу: Основная цель патента – улучшение таргетинга и расширение показа рекламных объявлений (Ads). Он не описывает механизмы ранжирования органической выдачи.
2. Категоризация как механизм расширения запроса: Система использует категории сущностей как дополнительные ключевые слова в локальном контексте. Это подтверждает критическую важность правильной категоризации бизнеса для его видимости.
3. Исторические данные о рекламе как источник категорий: Ключевой механизм, описанный в Claims, — это определение категорий сущности на основе того, какие бизнесы ранее давали локальную рекламу (prior local advertisement) по этому запросу в этой локации. Данные из рекламной системы используются для обучения пониманию сущностей.
4. Важность «Пары Запрос-Местоположение»: Категории определяются для конкретной комбинации запроса и локации (Query-Location Pair), а не для запроса в целом.
5. Гибкое определение местоположения: Патент учитывает как физическое местоположение пользователя (GPS/IP), так и Location-of-Interest (например, просмотр карты в другом городе через Viewport).
6. Расстояние как явный фактор ранжирования локальной рекламы: Claim 18 прямо указывает, что реклама ранжируется на основе расстояния (distance) до рекламируемого объекта, подтверждая значимость фактора близости в локальном поиске Google.

Практика

Best practices (это мы делаем)

Хотя патент сфокусирован на рекламе, описанные механизмы категоризации и локального ранжирования дают важные инсайты для Локального SEO (Google Business Profile) и PPC.

• Максимально точная категоризация в GBP: Убедитесь, что основная и дополнительные категории в Google Business Profile максимально точно отражают деятельность бизнеса. Это фундамент для того, чтобы Google корректно идентифицировал вашу Entity и связал ее с правильными категориями.
• Усиление сигналов категорий на сайте и лендингах: Контент локального сайта и рекламных лендингов должен четко соответствовать выбранным категориям GBP. Патент упоминает анализ лендингов для определения категорий. Используйте названия категорий в контенте.
• Стратегическое использование локальной рекламы (Google Ads): Патент прямо указывает (Claim 1, 12), что prior local advertisements используются для определения категорий. Запуск локальных рекламных кампаний может помочь системе быстрее и точнее категоризировать ваш бизнес в нужной локации.
• Оптимизация под близость (Proximity): Патент подтверждает использование distance как фактора ранжирования (для рекламы). Необходимо обеспечивать точность геолокационных данных (NAP, координаты) для корректного расчета расстояния.

Worst practices (это делать не надо)

• Выбор нерелевантных или слишком широких категорий (Category Spam): Попытка охватить много категорий в GBP может размыть релевантность и привести к некорректным ассоциациям в Categories Data Store.
• Несоответствие данных: Расхождение между категориями на сайте, в GBP и на рекламных лендингах затрудняет для системы точную категоризацию Entity.
• Игнорирование локального контекста: Применение единой стратегии без учета географической специфики неэффективно, так как система использует Query-Location Pair.

Стратегическое значение

Патент подтверждает стратегию Google по глубокой интеграции геолокационных данных и категоризации сущностей для обработки локального интента. Для SEO-специалистов это подчеркивает, что локальный поиск функционирует на основе понимания Entity, ее категории и местоположения. Также патент демонстрирует, как данные из рекламных систем (PPC) используются для обучения общих алгоритмов понимания сущностей, что может косвенно влиять и на органический поиск.

Практические примеры

Сценарий: Расширение показа рекламы для локального ресторана

1. Ситуация: Пользователь находится в Сан-Франциско (определено по GPS) и ищет «ChezBurrito» (конкретная Entity).
2. Проблема: «ChezBurrito» – малоизвестное заведение, мало кто таргетирует рекламу на это ключевое слово.
3. Офлайн-анализ Google: Ранее система проанализировала Query Logs и увидела, что по запросу «ChezBurrito» в Сан-Франциско ранее показывалась реклама (prior local advertisements) от бизнесов в категориях «Мексиканский ресторан» и «Еда на вынос». Эта связь сохранена в Categories Data Store.
4. Обработка запроса (Реал-тайм): Система идентифицирует запрос как локальный и извлекает категории «Мексиканский ресторан» и «Еда на вынос».
5. Расширение таргетинга: Система ищет рекламу не только по ключу «ChezBurrito», но и по ключам «Мексиканский ресторан» и «Еда на вынос» с таргетингом на Сан-Франциско.
6. Ранжирование: Система отбирает несколько подходящих объявлений (например, от конкурентов) и ранжирует их, используя distance от их адреса до текущего местоположения пользователя.
7. Результат: Пользователь видит рекламу других мексиканских ресторанов поблизости, даже если они не упоминали «ChezBurrito» в своих кампаниях.

Вопросы и ответы