Как Google использует историю местоположений для персонализации локального поиска и повышения рейтинга знакомых мест

Описание

Какую задачу решает

Патент решает задачу улучшения пользовательского опыта в географических приложениях (таких как Google Maps) за счет глубокой персонализации. Он направлен на повышение релевантности результатов локального поиска путем учета личного опыта пользователя, а также на создание более интуитивных навигационных инструкций, опираясь на знакомые пользователю места вместо абстрактных указаний расстояния или малозаметных уличных знаков.

Что запатентовано

Запатентована система (Personalized Map Data Generator), которая обрабатывает историю местоположений пользователя (Location History) для идентификации «знакомых мест» (Familiar Locations). Система рассчитывает степень знакомства (Overall Score) на основе частоты (Frequency Score) и давности (Recency Score) посещений. Эти оценки используются для повышения ранжирования (boosting) и аннотирования результатов в локальном поиске, а также для генерации персонализированных навигационных инструкций.

Как это работает

Система функционирует следующим образом:

• Сбор данных и оценка: С разрешения пользователя система собирает Location History и рассчитывает Frequency Score и Recency Score для каждого посещенного места.
• Персонализация поиска (FIG. 8): При выполнении географического запроса система идентифицирует результаты, которые пользователь посещал ранее. Ранжирование этих результатов повышается (boost) пропорционально их Overall Score, и они аннотируются (например, «Вы были здесь на прошлой неделе»).
• Персонализация навигации (FIG. 9, 10): При построении маршрута система использует знакомые места как ориентиры для маневров или как промежуточный пункт назначения (Intermediate Destination) для упрощения инструкций.

Актуальность для SEO

Высокая. Персонализация является ключевым элементом стратегии Google, особенно в контексте локального поиска и Google Maps. Использование поведенческих данных (истории местоположений) для корректировки релевантности и улучшения UX активно применяется и наблюдается в реальных продуктах.

Важность для SEO

Патент имеет значительное влияние на стратегии локального SEO (Local SEO). Он описывает конкретный механизм, при котором история физических посещений пользователя становится персонализированным фактором ранжирования. Если пользователь ранее посещал бизнес, этот бизнес получит повышение в ранжировании (boost) для данного пользователя при последующих локальных запросах. Это подчеркивает критическую важность удержания клиентов и качества реального офлайн-опыта для онлайн-видимости.

Детальный разбор

Термины и определения

Familiar Location (Знакомое место)

Место (POI или адрес), которое пользователь посещал ранее, идентифицированное через Location History.

Frequency Score (Оценка частоты)

Метрика, отражающая, как часто пользователь посещает данное место. Может учитывать общее количество посещений, частоту за период и время, проведенное на месте (Time Spent at Location).

Geographic Search Query (Географический поисковый запрос)

Запрос, введенный в картографическое приложение (например, Google Maps) для поиска мест или POI.

Intermediate Destination (Промежуточный пункт назначения)

Знакомое место, используемое для упрощения навигации. Система может дать указание двигаться к нему, прежде чем предоставить подробные инструкции до конечного пункта.

Location History (История местоположений)

Данные о местах, посещенных пользователем, включая координаты, дату, время и продолжительность визита.

Location Label (Метка локации)

Персонализированное название, присвоенное пользователем локации (например, «Дом», «Работа»).

Overall Score (Общая оценка знакомства)

Агрегированная метрика, рассчитываемая на основе Frequency Score и Recency Score. Определяет степень знакомства пользователя с местом.

Personalized Map Data Generator (Генератор персонализированных картографических данных)

Компонент системы (сервер 60), отвечающий за расчет оценок знакомства и модификацию поисковых результатов и навигационных инструкций.

Recency Score (Оценка давности)

Метрика, отражающая, как давно пользователь посещал данное место в последний раз.

Ключевые утверждения (Анализ Claims)

Данная публикация (US20240044665A1) является продолжением (continuation) более ранних заявок. Хотя описание (Description) патента охватывает широкий спектр функций, включая персонализацию поиска (FIG. 8), формула изобретения (Claims 1-20) в этом документе сфокусирована исключительно на методе навигации.

Claim 1 (Независимый пункт): Описывает метод навигации с использованием Intermediate Destination.

1. Система получает запрос на навигацию к конечному пункту (Маршрут 1).
2. Идентифицируется Intermediate Destination на основе знакомства пользователя с ним.
3. Пользователю предоставляется единственная инструкция двигаться в направлении промежуточного пункта (Маршрут 2).
4. Система определяет последнюю общую точку маршрута (Last Common Waypoint), где Маршрут 1 и Маршрут 2 пересекаются.
5. Когда пользователь достигает этой последней общей точки (до того, как он достигнет промежуточного пункта), система предоставляет набор пошаговых инструкций до конечного пункта назначения.

Анализ механизма персонализации поиска (На основе FIG. 8 и Description):

Несмотря на фокус Claims на навигации, для SEO критически важен механизм, описанный в патенте в разделе, соответствующем FIG. 8:

1. Система получает географический поисковый запрос и историю местоположений пользователя.
2. Идентифицируется набор результатов поиска.
3. Система повышает ранжирование (boost rankings) результатов, которые пользователь посещал ранее (Block 808). Величина повышения зависит от частоты (frequency) и давности (recency) посещений.
4. Результаты предоставляются в новом ранжированном порядке.
5. Подмножество результатов (посещенные ранее) аннотируется описанием взаимоотношений (Block 812) (например, «Вы часто здесь бываете»).

Система рассчитывает boosted search result score путем комбинирования стандартной оценки релевантности (relevancy score) с оценками знакомства (Overall Score). Это подтверждает, что личная история физических посещений является фактором ранжирования в персонализированной локальной выдаче.

Где и как применяется

Изобретение применяется в географических сервисах (например, Google Maps) и затрагивает несколько этапов обработки данных.

INDEXING – Индексирование и извлечение признаков
На этом этапе обрабатывается Location History пользователя. Система должна ассоциировать физические посещения с конкретными сущностями (POI, адресами) и в фоновом режиме рассчитывать метрики Frequency Score, Recency Score и Overall Score для каждого места. Эти данные сохраняются в профиле пользователя.

QUNDERSTANDING – Понимание Запросов
Система должна распознавать географические запросы, для которых активируется механизм локального поиска.

RANKING / RERANKING – Ранжирование и Переранжирование
Основное применение в контексте SEO (на основе FIG. 8). На этом этапе стандартный набор локальных результатов переупорядочивается для конкретного пользователя.

1. Получение стандартных результатов: Система получает базовый набор результатов с их relevancy scores.
2. Интеграция персональных данных (RERANKING): Система извлекает Overall Scores из профиля пользователя для этих результатов.
3. Бустинг: Вычисляется boosted search result score путем комбинирования relevancy score и Overall Score.
4. Аннотирование: К результатам добавляются персонализированные сниппеты.

Входные данные (для поиска):

• Географический поисковый запрос.
• История местоположений пользователя (Location History).
• Стандартные результаты локального поиска с relevancy scores.

Выходные данные (для поиска):

• Переранжированный список результатов с boosted search result scores.
• Аннотации, описывающие отношения пользователя с местом.

На что влияет

• Конкретные типы контента: Влияет исключительно на результаты локального поиска (Local Pack, Google Maps) – POI, бизнесы, адреса. Не влияет на стандартный веб-поиск.
• Специфические запросы: Влияет на запросы с локальным интентом (например, «ресторан», «автосервис», «кафе»).
• Конкретные ниши или тематики: Наибольшее влияние в нишах с высокой частотой повторных посещений (ритейл, рестораны, фитнес, e-commerce с физическими точками выдачи).

Когда применяется

• Триггеры активации:
  1. Пользователь выполняет географический поиск.
  2. У пользователя активирована и доступна история местоположений (Location History).
  3. В результатах поиска присутствуют места, которые пользователь посещал ранее и которые превышают пороги знакомства.
• Временные рамки: Применяется в реальном времени при обработке запроса. Расчет оценок знакомства происходит в фоновом режиме.

Пошаговый алгоритм

Процесс А: Расчет оценок знакомости (Фоновый процесс, на основе FIG. 2A, 2B)

1. Сбор данных: Получение данных о посещении (место, дата, время, продолжительность) из клиентского устройства.
2. Фильтрация: Исключение кратковременных остановок (например, менее 1 минуты), чтобы отделить реальные посещения от проезда мимо.
3. Расчет Frequency Score: Вычисление частоты посещений. Патент упоминает возможность взвешивания по продолжительности пребывания (Time Spent at Location) – более длительные визиты могут иметь больший вес.
4. Расчет Recency Score: Вычисление давности последнего значимого посещения.
5. Расчет Overall Score: Комбинирование Frequency и Recency Scores. Патент предлагает различные методы, включая взвешенное среднее (например, 0.6 * Frequency + 0.4 * Recency).
6. Сохранение: Обновление оценок в профиле пользователя.

Процесс Б: Персонализация результатов поиска (Реальное время, на основе FIG. 8)

1. Получение запроса: Получение географического поискового запроса от пользователя.
2. Генерация базовых результатов: Идентификация набора релевантных результатов и их базовых relevancy scores.
3. Извлечение персональных данных: Получение Overall Scores для результатов из истории пользователя. Для непосещенных мест Overall Score может быть равен нулю.
4. Расчет Boosted Score: Комбинирование relevancy score и Overall Score для каждого результата.
5. Переранжирование: Сортировка результатов по boosted search result score.
6. Аннотирование: Генерация текстового описания отношений (например, «Вы часто здесь бываете») для посещенных мест на основе пороговых значений частоты или давности.
7. Предоставление результатов: Отправка переранжированного и аннотированного списка пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и географических данных.

• Поведенческие факторы (Location History):
  • Идентификатор пользователя (User ID).
  • Идентификатор места (Location).
  • Дата и время посещения (Date, Time).
  • Продолжительность пребывания (Time Spent at Location). Критически важный параметр для валидации визита и взвешивания его значимости.
• Пользовательские факторы:
  • Пользовательские метки для мест (Location Label, например, «Дом», «Работа»).
  • Текущее местоположение пользователя.
• Географические факторы:
  • Расстояния между объектами (используется в навигации и для определения контекста поиска).

Контентные, технические, ссылочные и структурные факторы веб-поиска в этом патенте не упоминаются.

Какие метрики используются и как они считаются

• Frequency Score: Рассчитывается на основе количества посещений. Может быть взвешен по Time Spent at Location.
• Recency Score: Рассчитывается на основе времени, прошедшего с момента последнего посещения.
• Overall Score (Familiarity): Комбинация Frequency и Recency Scores. Патент упоминает возможность использования взвешенного среднего (например, 0.6 * Frequency + 0.4 * Recency).
• Relevancy Score: Базовая оценка релевантности результата запросу (не рассчитывается в рамках этого патента).
• Boosted Search Result Score: Итоговая оценка ранжирования, являющаяся комбинацией Relevancy Score и Overall Score.
• Пороговые значения: Используются для фильтрации данных (например, минимальное время пребывания) и для активации функций (например, минимальный Overall Score для бустинга или использования в качестве ориентира).

Выводы

1. Физические посещения как прямой фактор ранжирования в Local SEO: Патент подтверждает, что Google использует историю местоположений (офлайн-поведение) для персонализации локального поиска. Частота и давность физических визитов напрямую влияют на видимость бизнеса для конкретного пользователя в Google Maps.
2. Персонализация через бустинг и аннотации: Механизм работает на этапе Reranking. Знакомые места получают повышение (boost) в выдаче и визуально выделяются аннотациями («Вы здесь были»), что увеличивает их CTR.
3. Критическая важность удержания клиентов (Retention): С точки зрения бизнеса и SEO, стимулирование повторных визитов не только приносит прямой доход, но и улучшает видимость заведения в поиске для этого клиента. Лояльность стала измеримым фактором локального ранжирования.
4. Многофакторная оценка знакомства: Система учитывает не только факт визита, но и его контекст: частоту, давность и продолжительность пребывания (Time Spent at Location).
5. Зависимость от данных пользователя: Эффективность механизма полностью зависит от того, включил ли пользователь Location History.

Практика

Best practices (это мы делаем)

Рекомендации применимы к Локальному SEO (Local SEO) и основаны на механизме персонализации поиска (FIG. 8).

• Фокус на удержании клиентов и стимулировании повторных визитов: Это ключевая стратегия. Необходимо работать над качеством сервиса и программами лояльности, чтобы клиенты возвращались. Повторные визиты увеличивают Frequency Score, что гарантирует повышение ранжирования (boosting) вашего бизнеса в персонализированной выдаче Карт для этого пользователя.
• Конвертация онлайн-интереса в офлайн-визиты (O2O): Для новых клиентов критически важно стимулировать первый физический визит. Это добавляет бизнес в Location History пользователя и активирует механизм бустинга при будущих поисках.
• Оптимизация базовой релевантности (Стандартное Local SEO): Персонализация применяется поверх базового ранжирования. Необходимо обеспечить высокие Relevancy Scores с помощью стандартных практик (оптимизация GBP, локальные сигналы, отзывы), чтобы попасть в рассмотрение до применения бустинга.
• Обеспечение точности геолокации (GBP): Убедитесь, что пин вашего бизнеса на Google Картах установлен максимально точно. Это критично для того, чтобы система могла корректно сопоставить GPS-сигналы пользователя с вашим бизнесом и засчитать визит.
• Поощрение длительного пребывания: Поскольку Time Spent at Location может учитываться в оценке знакомства, создание комфортных условий для длительного пребывания (например, в кафе, зонах ожидания) может положительно влиять на Familiarity Score.

Worst practices (это делать не надо)

• Игнорирование качества клиентского опыта и удержания: Плохой сервис приведет к отсутствию повторных визитов. Это означает низкий Frequency Score, лишая бизнес преимуществ персонализированного бустинга для этого пользователя.
• Фокус исключительно на привлечении новых клиентов: Стратегия, игнорирующая удержание, упускает возможность доминировать в выдаче у лояльной аудитории. Конкуренты с лучшим удержанием получат преимущество за счет накопленных сигналов знакомства.
• Манипуляции с историей местоположений: Попытки искусственно генерировать визиты рискованны. Система использует фильтры (например, минимальное Time Spent at Location) для валидации визитов и может иметь другие механизмы защиты от спама.

Стратегическое значение

Патент подчеркивает стратегическую важность интеграции онлайн-маркетинга и офлайн-бизнес-процессов. В контексте Local SEO, «знакомство» (Familiarity), основанное на реальном поведении, становится одним из самых сильных персонализированных факторов ранжирования. Долгосрочная стратегия должна учитывать весь жизненный цикл клиента, признавая, что каждый реальный визит улучшает будущие позиции в поиске для этого конкретного пользователя, создавая «пузырь лояльности» в ранжировании Google Maps.

Практические примеры

Сценарий: Повышение видимости кафе за счет лояльности клиента

1. Ситуация: Пользователь ищет «кофе» в Google Maps. В районе есть Кафе А (высокая базовая релевантность, но пользователь там не был) и Кафе Б (средняя базовая релевантность, но пользователь был там три раза за последний месяц).
2. Действие системы: Система извлекает Location History. Кафе Б имеет высокий Overall Score (за счет хороших Frequency и Recency). Кафе А имеет Overall Score равный нулю для этого пользователя.
3. Расчет: Система рассчитывает Boosted Search Result Score. За счет бустинга BoostedScore(Б) оказывается выше, чем BoostedScore(А).
4. Результат: Кафе Б отображается выше в результатах поиска для этого пользователя и помечается аннотацией «Вы часто здесь бываете».
5. Вывод для SEO: Кафе Б выиграло позицию не за счет традиционного SEO, а за счет реальной лояльности клиента, конвертированной в поведенческий сигнал ранжирования.

Вопросы и ответы