Как Google персонализирует локальный поиск, используя социальные связи, местоположение пользователя и NLP-анализ активностей

Описание

Какую задачу решает

Патент решает проблему ограниченности традиционного локального поиска, который часто сортирует результаты преимущественно по расстоянию (Spatial Relevance). Это вынуждает пользователей проводить дополнительные исследования, искать отзывы и спрашивать рекомендации у друзей, чтобы выбрать подходящее заведение. Существующие системы отзывов не фильтруют рекомендации на основе социального круга пользователя. Кроме того, патент решает задачу извлечения информации об Activity (видах деятельности и впечатлениях) из неструктурированных веб-данных и задачу автоматического планирования маршрутов (Itinerary).

Что запатентовано

Запатентована система для генерации результатов локального поиска, которая учитывает три измерения релевантности: пространственную (Spatial Relevance), социальную (Social Relevance) и релевантность активности (Activity Relevance). Система интегрирует данные из социальных сетей пользователя для оценки социальной релевантности, взвешивая отзывы от друзей в зависимости от степени их связи и местоположения. Для определения Activity Relevance система использует методы NLP и машинного обучения для анализа веб-данных (отзывов, блогов) и извлечения информации о категориях, характеристиках (Features) и впечатлениях (Experiences) бизнеса.

Как это работает

Система работает по нескольким направлениям:

• Социальная релевантность: При получении локального запроса система анализирует социальный граф пользователя. Она идентифицирует отзывы о найденных заведениях, оставленные социально связанными пользователями. Эти отзывы взвешиваются: больший вес придается отзывам от близких друзей (меньшая степень разделения) и, в зависимости от категории бизнеса, отзывам от людей, живущих поблизости от заведения.
• Релевантность активности: Система заранее обрабатывает веб-данные с помощью NLP, чтобы определить, с какими активностями ассоциируется бизнес (например, «подходит для детей», «романтично»). Эта информация хранится в базах данных Categories, Features и Experiences. При запросе, указывающем на активность (например, «детский день рождения»), система ищет совпадения в этих базах.
• Ранжирование: Финальный рейтинг формируется на основе взвешенной комбинации оценок Spatial Relevance, Social Relevance и Activity Relevance.

Актуальность для SEO

Высокая. Хотя прямая интеграция со сторонними социальными сетями (упомянутыми в патенте как примеры: MySpace, Facebook, Linkedin) могла измениться из-за эволюции API и приватности, основные принципы патента крайне актуальны для локального поиска Google. Персонализация выдачи, понимание нюансов локального бизнеса (атмосфера, для чего подходит) и использование сигналов доверия (например, через профили Google Maps и Local Guides) являются ключевыми элементами современных алгоритмов Google Maps и Local Pack.

Важность для SEO

Патент имеет высокое значение для стратегий локального SEO (Local SEO). Он демонстрирует, что помимо стандартной оптимизации (NAP, близость к пользователю), критически важны качественные аспекты бизнеса. Система стремится понять не только ЧТО делает бизнес, но и ДЛЯ КАКИХ СИТУАЦИЙ он подходит. Это подчеркивает важность управления репутацией, стимулирования отзывов (особенно от местных жителей) и создания контента (на сайте и в отзывах), который четко описывает характеристики (Features) и впечатления (Experiences) от посещения заведения.

Детальный разбор

Термины и определения

Activity Relevance (Релевантность активности)

Метрика, показывающая, насколько бизнес-сущность релевантна виду деятельности или впечатлению, указанному в запросе (например, «романтический ужин»). Основана на данных Categories, Features и Experiences.

Categories (Категории)

Общие категории бизнеса (например, «Питание», «Шопинг», «Развлечения»). Часто извлекаются из данных Yellow Page (YP).

Degrees of Separation (Степени разделения)

Мера социальной дистанции между пользователями в социальном графе. Друзья пользователя имеют 1-ю степень разделения, друзья друзей — 2-ю и т.д.

Experiences (Впечатления)

Типы впечатлений или событий, которые можно получить в заведении (например, «романтично», «подходит для детей», «поздние мероприятия», «высокий класс»). Извлекаются с помощью NLP или комбинации категорий и характеристик.

Features (Характеристики)

Конкретные возможности бизнеса (например, «детское меню», «принимает VISA») или оценки по определенным аспектам (например, «Ценность», «Атмосфера», «Сервис», «Шум»). Извлекаются с помощью NLP из веб-данных.

Itinerary (Маршрут/План мероприятий)

Запрос, включающий несколько активностей (например, «выходной с детьми»). Обрабатывается путем разделения на подзапросы.

Local Category / Non-Local Category (Локальная / Нелокальная категория)

Классификация бизнеса. «Локальные» (например, химчистка, сантехник) — те, для которых важны отзывы только местных жителей. «Нелокальные» (например, рестораны в туристическом месте) — те, для которых учитываются отзывы всех пользователей.

NLP (Natural Language Processing)

Методы обработки естественного языка, используемые для анализа неструктурированного текста (отзывы, блоги) и извлечения информации об активностях (Features, Experiences) и тональности (Sentiment).

Social Relevance (Социальная релевантность)

Метрика, показывающая, как бизнес-сущность оценена пользователями, социально связанными с автором запроса. Учитывает степень связи и иногда местоположение рецензента.

Socially-connected user (Социально связанный пользователь)

Пользователь, прямо или косвенно связанный с автором запроса в одной или нескольких социальных сетях.

Spatial Relevance (Пространственная релевантность)

Метрика, основанная на физическом расстоянии между бизнес-сущностью и местоположением, указанным в запросе.

Ключевые утверждения (Анализ Claims)

Анализ сфокусирован на активных пунктах формулы изобретения (Claims 1-33 отменены).

Claim 34 (Независимый пункт): Описывает основной метод генерации локальных результатов с учетом социальной релевантности и типа категории.

1. Система получает запрос о сущностях в определенном местоположении.
2. Генерируется список результатов (сущностей).
3. Для каждого результата определяется, относится ли его категория к «локальной» (local category) или «нелокальной» (non-local category) относительно местоположения запроса.
4. Система обращается к социальной сети пользователя.
5. Для результатов с «локальной» категорией идентифицируется набор отзывов от избранных рецензентов (selected reviewers).
6. Критерии для избранных рецензентов: (а) связаны с пользователем в пределах указанной степени разделения (user-specified degree of separation) И (б) имеют определенное пространственное отношение к местоположению запроса (например, находятся в пределах заданного радиуса).
7. Результаты ранжируются на основе: (i) Пространственной релевантности (Spatial relevance) и (ii) Идентифицированного набора отзывов (Social relevance).

Ключевая инновация здесь — это сложная фильтрация социальных сигналов. Учитывается не просто отзыв друга, а отзыв друга, который находится достаточно близко к пользователю социально И живет достаточно близко к объекту поиска, особенно если объект поиска относится к категории, требующей локальной экспертизы (например, выбор детского сада).

Claim 49 (Зависимый от 34): Уточняет механизм расчета социальной релевантности.

Каждый отзыв в наборе взвешивается на основе количества степеней разделения между рецензентом и пользователем в социальной сети. Это означает, что мнение прямого друга весит больше, чем мнение друга друга друга.

Claim 60 (Независимый пункт): Более общий метод, фокусирующийся на социальной и пространственной релевантности без обязательного разделения на локальные/нелокальные категории.

1. Получение запроса и генерация списка результатов.
2. Обращение к социальной сети пользователя.
3. Идентификация отзывов от избранных рецензентов (критерии те же: степень разделения И пространственное отношение к локации).
4. Ранжирование на основе Spatial relevance и идентифицированных отзывов (Social relevance).

Где и как применяется

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

INDEXING – Индексирование и извлечение признаков

На этом этапе происходит сбор и анализ данных для расчета Activity Relevance. Система сканирует веб-данные (отзывы, блоги, форумы) и применяет NLP и Machine Learning (упоминаются Hidden Markov models) для извлечения Features и Experiences. Также извлекаются Categories из YP-источников. Эта информация сохраняется в специализированных базах данных (Categories Database, Features Database, Experiences Database).

QUNDERSTANDING – Понимание Запросов

Система интерпретирует запрос для определения локального интента, а также интента, связанного с активностью (например, «романтичный ресторан») или маршрутом (Itinerary). Для маршрутов запрос разбивается на подзапросы.

RANKING / RERANKING – Ранжирование и Переранжирование

Основной этап применения. Система рассчитывает оценки по трем измерениям:

1. Spatial Relevance: Расчет расстояния.
2. Social Relevance: Система обращается к социальному графу пользователя (User Database, Relationship Manager), фильтрует связанные контакты по степени разделения и местоположению, и рассчитывает оценку на основе их отзывов.
3. Activity Relevance: Система ищет соответствие между интентом запроса и данными в базах Features и Experiences.

Затем вычисляется Composite Score путем взвешенного суммирования этих трех оценок.

Входные данные:

• Запрос пользователя (текст, местоположение).
• Профиль пользователя (идентификатор, социальный граф, его местоположение).
• Базы данных локаций (Location Database).
• Базы данных активностей (Categories, Features, Experiences).
• Веб-данные (отзывы, блоги).

Выходные данные:

• Отранжированный список локальных бизнес-сущностей с Composite Score.
• Или список предложенных маршрутов (Itineraries).

На что влияет

• Конкретные типы контента: Наибольшее влияние на локальные бизнес-страницы (Local Business Listings), карты и сервисы рекомендаций.
• Специфические запросы: Влияет на информационные и коммерческие локальные запросы, особенно те, которые подразумевают выбор на основе качества или опыта (например, «лучший детский сад рядом», «уютное кафе для работы»).
• Конкретные ниши или тематики: Влияет на все локальные бизнесы, но особенно сильно на сферы с высокой конкуренцией и субъективной оценкой качества (рестораны, услуги, развлечения, медицина, образование).

Когда применяется

• Триггеры активации: Запрос с явным или подразумеваемым локальным интентом.
• Условия для Social Relevance: Применяется, когда система может идентифицировать пользователя и имеет доступ к его социальному графу (например, пользователь залогинен).
• Условия для Activity Relevance: Применяется, когда запрос содержит указание на вид деятельности, характеристику или впечатление, или когда система автоматически предлагает варианты активностей для общих запросов.
• Фильтрация по категориям: Система активирует строгую фильтрацию рецензентов по местоположению (только местные жители), если категория бизнеса определена как Local Category (например, сантехник).

Пошаговый алгоритм

Процесс А: Обработка локального запроса (с акцентом на Social Relevance — Claim 34)

1. Получение и анализ запроса: Система получает запрос и определяет местоположение поиска.
2. Генерация кандидатов: Идентифицируются бизнес-сущности в окрестностях локации.
3. Классификация категорий: Для каждой сущности определяется, является ли ее категория Local или Non-Local.
4. Доступ к социальному графу: Система получает доступ к социальным связям пользователя.
5. Фильтрация рецензентов: Идентифицируются социально связанные пользователи, оставившие отзывы о сущности. Применяются фильтры:
   • Фильтр по степени разделения (например, только до 3-й степени).
   • Фильтр по местоположению рецензента (особенно для Local Category): учитываются только те, кто находится в заданном радиусе от локации поиска.
6. Расчет Social Relevance Score: Отзывы от отфильтрованных рецензентов агрегируются. Применяется взвешивание: отзывы с меньшей степенью разделения получают больший вес (Claim 49).
7. Расчет Spatial Relevance Score: Рассчитывается оценка на основе расстояния.
8. Комбинирование и Ранжирование: Spatial и Social Relevance Scores комбинируются (например, взвешенной суммой) для получения Composite Score. Результаты сортируются.

Процесс Б: Извлечение Activity Relevance (Офлайн-процесс)

1. Сбор данных: Сканирование веб-данных о бизнес-сущностях (отзывы, блоги, форумы, сайты).
2. NLP-анализ: Применение методов машинного обучения (включая parts-of-speech tagging и Hidden Markov models) к тексту.
3. Извлечение Features: Идентификация характеристик и тональности по отношению к ним (например, «уютная атмосфера» -> Feature: Атмосфера, Sentiment: Позитивный).
4. Извлечение Experiences: Идентификация упоминаний видов деятельности (например, «отличное место для детского праздника» -> Experience: Kids Birthday Party).
5. Сохранение: Данные сохраняются в Features Database и Experiences Database, привязанные к бизнес-сущностям.

Какие данные и как использует

Данные на входе

• Контентные факторы: Текст отзывов, блоги, форумы, описания на сайтах. Используются для NLP-анализа и извлечения Activity Relevance (Features, Experiences, Sentiment).
• Технические факторы: Данные Yellow Page (YP) используются для определения базовых Categories.
• Пользовательские факторы (для Social Relevance):
  • Социальный граф пользователя: Данные о связях пользователя в социальных сетях (MySpace, Facebook, Linkedin упомянуты как примеры).
  • Степени разделения (Degrees of Separation): Рассчитанная дистанция между пользователем и его контактами.
  • Отзывы и рейтинги: Оценки, оставленные социально связанными пользователями.
• Географические факторы:
  • Местоположение бизнеса: Используется для расчета Spatial Relevance.
  • Местоположение запроса: Центр поиска.
  • Местоположение рецензента: Используется для фильтрации отзывов (особенно для Local Categories).

Какие метрики используются и как они считаются

• Spatial Relevance Score: Рассчитывается на основе дистанции между бизнесом и локацией запроса.
• Social Relevance Score: Рассчитывается на основе агрегации отзывов от социально связанных пользователей. Расчет включает:
  • Фильтрацию по степени разделения (порог).
  • Фильтрацию по местоположению рецензента (порог радиуса).
  • Взвешивание отзывов по степени разделения (ближе связь = выше вес).
• Activity Relevance Score: Рассчитывается на основе соответствия между запросом и предварительно извлеченными данными Categories, Features и Experiences. Включает анализ тональности (Sentiment), связанной с этими данными.
• Composite Score: Взвешенная сумма Spatial, Social и Activity Relevance Scores. Веса могут настраиваться пользователем.
• Методы анализа текста (NLP): Упоминаются parts-of-speech tagging (тегирование частей речи) и Hidden Markov models (Скрытые Марковские модели) для извлечения данных об активностях из неструктурированного текста.

Выводы

1. Многомерность локального ранжирования: Патент четко определяет три ключевых измерения для локального поиска: Spatial (Расстояние), Social (Рекомендации друзей) и Activity (Для чего подходит). Успешное ранжирование требует оптимизации по всем направлениям.
2. Глубокая персонализация социальных сигналов: Система не использует социальные сигналы вслепую. Она применяет сложную логику фильтрации: учитывается сила связи (Degrees of Separation), местоположение рецензента и тип бизнеса (Local/Non-Local Category). Это попытка смоделировать реальное доверие к рекомендациям.
3. Важность локальной экспертизы: Для определенных категорий бизнеса (например, услуги по дому, образование) система целенаправленно отдает приоритет отзывам местных жителей, считая их более авторитетными.
4. Переход от Категорий к Активностям и Впечатлениям: Система стремится понять не просто формальную категорию бизнеса, а его качественные характеристики (Features) и сценарии использования (Experiences). Это критически важно для ответа на запросы типа «романтическое место» или «подходит для групп».
5. NLP как основа Activity Relevance: Для понимания активностей и впечатлений система полагается на анализ неструктурированного текста (отзывов, блогов) с помощью NLP и машинного обучения. Это означает, что текст отзывов является не просто показателем рейтинга, но и источником данных для ранжирования по конкретным характеристикам.

Практика

Best practices (это мы делаем)

• Оптимизация под «Впечатления» (Experiences) и «Характеристики» (Features): Сместите фокус с общих категорий на конкретные сценарии использования. Создавайте контент, оптимизированный под запросы, связанные с активностями (например, «лучшее место для бизнес-ланча в Центре», «кафе с детской комнатой»). Убедитесь, что эти характеристики явно описаны на вашем сайте и в профиле Google Business Profile (GBP).
• Стимулирование детализированных отзывов: Поскольку система использует NLP для извлечения Features и Experiences из текста отзывов, важно мотивировать клиентов оставлять подробные отзывы, описывающие атмосферу, качество сервиса и сценарии использования. Отзыв «Нам понравилось» менее ценен, чем «Отличное тихое место для романтического свидания, вежливый персонал».
• Акцент на локальных отзывах: Для бизнесов, которые могут быть классифицированы как Local Category (услуги, образование, медицина), критически важно получать отзывы от клиентов, проживающих в зоне обслуживания. Система может придавать таким отзывам больший вес.
• Использование разметки и атрибутов GBP: Максимально заполняйте все доступные атрибуты в GBP (например, «подходит для детей», «есть Wi-Fi», «уютная атмосфера»). Это помогает системе быстрее и точнее классифицировать Features и Experiences вашего бизнеса.

Worst practices (это делать не надо)

• Игнорирование текста отзывов: Рассматривать отзывы только как средний рейтинг — ошибка. Текст отзывов является источником данных для Activity Relevance. Негативные отзывы, описывающие плохой опыт в конкретном сценарии (например, «шумно, не подходит для работы»), могут напрямую снизить ранжирование по соответствующим запросам.
• Накрутка отзывов от нерелевантных пользователей: Попытки манипулировать рейтингом с помощью фейковых отзывов или отзывов от пользователей из других регионов могут быть неэффективны, так как система фильтрует рецензентов по местоположению и (потенциально) по уровню доверия/социальной связи.
• Фокус только на расстоянии (Spatial Relevance): Полагаться только на близость к пользователю недостаточно. Бизнес может быть ближе, но проиграть более далекому конкуренту, если у того выше Social и Activity Relevance.

Стратегическое значение

Патент подтверждает стратегию Google по созданию гиперперсонализированного и качественно-ориентированного локального поиска. Он подчеркивает важность репутации и пользовательского опыта как ключевых факторов ранжирования. Для SEO-специалистов это означает, что локальное продвижение все больше смещается от технических аспектов (NAP consistency) к маркетинговым — управлению брендом, качеством продукта и коммуникацией этого качества через контент и отзывы. Понимание того, как NLP интерпретирует отзывы о бизнесе, становится важной компетенцией в Local SEO.

Практические примеры

Сценарий: Оптимизация ресторана под Activity Relevance «Романтический ужин»

1. Анализ текущих отзывов: Проанализировать текст отзывов на предмет упоминания атмосферы, уровня шума, качества обслуживания, освещения. Определить, какие термины используют клиенты.
2. Действия по улучшению продукта: Убедиться, что ресторан действительно предоставляет соответствующий опыт (тихая музыка, приглушенный свет).
3. Действия по оптимизации контента: На сайте и в GBP добавить описания и фотографии, подчеркивающие романтическую атмосферу. Использовать атрибуты GBP, связанные с атмосферой.
4. Стимулирование релевантных отзывов: Аккуратно мотивировать пары оставлять отзывы о своем вечере. Цель — получить в тексте отзывов фразы, которые NLP-система распознает как позитивные сигналы для Feature: Atmosphere и Experience: Romantic (например, «уютно», «тихо», «идеально для свидания»).
5. Ожидаемый результат: Повышение Activity Relevance Score для запросов, связанных с романтическими ужинами, и улучшение позиций в локальной выдаче по этим запросам, даже если ресторан находится чуть дальше конкурентов.

Вопросы и ответы