Как Google понижает в выдаче локальные результаты, которые находятся далеко от пользователя

Описание

Какую задачу решает

Патент решает проблему, когда результаты поиска, классифицированные как локальные (local documents), имеют очень высокие оценки ранжирования независимо от местоположения пользователя. Это может быть вызвано большой локальной популярностью или уникальностью названия. Например, веб-сайт региональной энергетической компании с названием «Эдисон» может иметь огромный трафик. Если пользователь из другого региона ищет информацию об изобретателе Томасе Эдисоне, система не должна отдавать предпочтение удаленной энергетической компании. Изобретение устраняет эту уязвимость, позволяя понижать локальные результаты, если они физически находятся далеко от пользователя и существуют более подходящие альтернативы.

Что запатентовано

Запатентована система обработки локальных результатов поиска (Distance Adjustment Process), которая выборочно понижает (demote) локальные документы, если они находятся далеко от пользователя. Система определяет, подходит ли локальный документ для понижения на основе proximity measure (меры близости). Если документ признан удаленным и не имеет глобальной значимости, он может быть понижен при наличии других локальных результатов ближе к пользователю или высокорелевантных нелокальных результатов.

Как это работает

Механизм активируется для запросов с неявным локальным интентом (без указания города в запросе) и работает следующим образом:

• Определение удаленности: Рассчитывается расстояние между пользователем и локацией документа. Если оно превышает порог, документ считается «удаленным» (distant).
• Проверка глобальной значимости: Система проверяет location independent score (оценку, не зависящую от местоположения) документа. Если эта оценка выше preservation threshold (порога сохранения), документ не понижается, даже если он удален (например, всемирно известный объект).
• Проверка альтернатив: Если документ удален и не имеет глобальной значимости, система проверяет наличие альтернатив: (а) других локальных результатов ближе к пользователю ИЛИ (б) нелокальных результатов с достаточно высокой оценкой.
• Понижение (Demotion): Если альтернативы существуют, оценка удаленного локального документа снижается. Степень понижения масштабируется в зависимости от силы локального интента запроса (local intent measure).

Актуальность для SEO

Высокая. Патент является продолжением (continuation) серии патентов, начиная с 2013 года, что указывает на постоянное развитие и важность этой технологии. Улучшение качества локального поиска, особенно на мобильных устройствах, и баланс между авторитетностью ресурса и его физической близостью остаются ключевыми задачами поисковых систем.

Важность для SEO

Патент имеет высокое значение для SEO (8.5/10), особенно для локального продвижения и крупных брендов с физическими точками присутствия. Он демонстрирует, что высокая общая авторитетность сайта не гарантирует высоких позиций в локальном поиске за пределами его основного региона, если контент классифицирован как локальный и не имеет глобальной значимости. Это подчеркивает необходимость разделения стратегий для локального и глобального SEO.

Детальный разбор

Термины и определения

Distant Document (Удаленный документ)

Локальный документ, чья proximity measure не удовлетворяет порогу близости к пользователю (например, находится слишком далеко или в другом политическом регионе).

Distant Document Demotion Threshold (Порог понижения удаленного документа)

Минимальная оценка ранжирования, которую должен иметь нелокальный документ, чтобы активировать понижение удаленного локального документа.

Distance Adjustment Process (Процесс корректировки расстояния)

Подсистема, отвечающая за корректировку оценок локальных документов на основе их удаленности от пользователя.

Local Document (Локальный документ)

Документ, который классифицирован как имеющий локальную значимость (local significance) для определенного географического местоположения.

Local Intent Measure (Мера локального интента)

Метрика, оценивающая вероятность того, что запрос имеет локальный интент, даже если в нем явно не указано местоположение. Определяется, например, по поведению пользователей.

Location Independent Score (Оценка, не зависящая от местоположения)

Компонент оценки ранжирования, который отражает релевантность документа запросу без учета локальных факторов или «буста» за близость. Отражает глобальную значимость.

Preservation Threshold (Порог сохранения)

Минимальное значение Location Independent Score, при котором удаленный локальный документ защищен от понижения, так как считается глобально значимым (также называется Distant Document Preservation Threshold).

Proximity Measure (Мера близости)

Метрика, основанная на географическом местоположение пользователя и локации документа. Может быть расстоянием (в милях/км) или определением нахождения в одном регионе (например, штат, область).

Ключевые утверждения (Анализ Claims)

Данная публикация (US20240211481A1) является патентом-продолжением. Claims 1-15 фокусируются на сценарии понижения при наличии качественных нелокальных альтернатив.

Claim 1 (Независимый пункт): Описывает метод реагирования на поисковый запрос с учетом местоположения пользователя.

1. Система получает запрос и местоположение пользователя.
2. Получается набор ранжированных документов, часть из которых являются local documents.
3. Определяется, подходит ли первый локальный документ для операции понижения (demotion operation). Это определение основано, по крайней мере частично, на proximity measure (т.е. он удален от пользователя).
4. Если документ подходит для понижения, система проверяет дополнительное условие: существует ли хотя бы один нелокальный документ в наборе, чья оценка ранжирования соответствует distant document demotion threshold (т.е. является достаточно высоким).
5. Если ДА (нелокальный документ достаточно хорош), оценка первого локального документа корректируется для понижения его ранга относительно этого нелокального документа.

Claim 3 и 4 (Зависимые): Уточняют определение удаленности. Документ подходит для понижения, если proximity measure указывает, что расстояние превышает максимальное (maximum distance) (Claim 3), или если пользователь и локация документа не находятся в одном регионе, определенном политической границей (political boundary) (Claim 4).

Claim 5 (Зависимый): Уточняет условия применения. Запрос не должен содержать явного указания местоположения (location phrase). Решение о пригодности к понижению также основывается на том, что local intent measure запроса соответствует пороговому значению.

Claim 7 (Зависимый): Вводит защиту от понижения (Исключение). Локальный документ подходит для понижения, только если его location independent search score component не соответствует distant document preservation threshold. Если документ глобально значим (оценка выше порога), он не будет понижен, даже будучи удаленным.

Где и как применяется

Изобретение применяется на финальных этапах обработки поискового запроса для корректировки локальной выдачи.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно классифицировать документы как local documents и определить их географическое местоположение. Также рассчитывается и сохраняется Location Independent Score.

QUNDERSTANDING – Понимание Запросов
Система анализирует логи запросов (Query Logs) для определения Local Intent Measure для различных запросов офлайн. Эта информация используется для определения того, следует ли активировать механизм локальной корректировки.

RANKING – Ранжирование
Генерируется первоначальный набор результатов с базовыми оценками ранжирования (Search Scores), которые могут включать как Location Independent Score, так и локальные «бусты».

RERANKING – Переранжирование
Основное применение патента (Distance Adjustment Process). Система анализирует результаты этапа RANKING в реальном времени, учитывая местоположение пользователя:

1. Оценивается близость локальных результатов к пользователю.
2. Идентифицируются документы, подходящие для понижения (удаленные и не глобально значимые).
3. Проверяется наличие альтернатив (близких локальных или качественных нелокальных).
4. Применяется понижение и происходит финальная сортировка.

Входные данные:

• Поисковый запрос и местоположение устройства пользователя.
• Набор релевантных документов с их оценками ранжирования.
• Классификация документов (локальный/нелокальный) и их географические локации.
• Location Independent Score для документов.
• Local Intent Measure для запроса.

Выходные данные:

• Скорректированный набор результатов поиска, в котором удаленные локальные документы могут быть понижены.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с неявным локальным интентом (implicit local intent) – например, «ресторан», «сантехник». Также влияет на неоднозначные запросы, которые могут иметь как локальную, так и общую интерпретацию (например, названия брендов или объектов).
• Конкретные типы контента: Влияет на страницы, классифицированные как local documents (страницы бизнеса, организаций, достопримечательностей).
• Определенные ниши: Сильное влияние в конкурентных локальных нишах (услуги, ритейл), а также на сайты крупных региональных организаций (например, коммунальные службы), которые могут иметь высокий авторитет, но нерелевантны за пределами своего региона.

Когда применяется

Алгоритм применяется при строгом соблюдении нескольких условий:

• Условия для Запроса:
  • Запрос НЕ содержит явного указания локации (location phrase).
  • Local Intent Measure запроса превышает определенный порог.
• Условия для Документа (Eligibility):
  • Документ классифицирован как local document.
  • Документ является «удаленным» (proximity measure превышает порог).
  • И Location Independent Score документа ниже Preservation Threshold (т.е. он не является глобально значимым).
• Условия для Активации Понижения (Activation): Если документ подходит для понижения, оно активируется, если выполняется ХОТЯ БЫ ОДНО из условий:
  • Существует другой локальный документ ближе к пользователю.
  • ИЛИ существует нелокальный документ, чья оценка выше Distant Document Demotion Threshold.

Пошаговый алгоритм

Процесс разделен на две основные фазы: определение пригодности документа к понижению и активация понижения.

Фаза 1: Определение пригодности к понижению (Eligibility Check)

Выполняется для каждого локального документа в наборе результатов:

1. Расчет близости: Определить proximity measure между пользователем и локацией документа.
2. Проверка удаленности: Проверить, указывает ли proximity measure на то, что документ является удаленным (например, расстояние превышает максимум или находится за пределами региона).
   • Если НЕТ (близко): Документ не пригоден для понижения.
   • Если ДА (далеко): Перейти к шагу 3.
3. Проверка глобальной значимости: Проверить Location Independent Score документа.
4. Применение порога сохранения: Если оценка НЕ достигает Preservation Threshold, пометить документ как пригодный для понижения. В противном случае (если он глобально значим) – документ не пригоден для понижения.

Фаза 2: Активация и выполнение понижения (Activation Check & Execution)

Выполняется для документов, помеченных как пригодные для понижения:

1. Поиск локальных альтернатив: Проверить, существуют ли другие локальные документы в наборе, чье местоположение находится в пределах порогового расстояния от пользователя.
   • Если ДА: Перейти к шагу 3 (Выполнение понижения).
   • Если НЕТ: Перейти к шагу 2.
2. Поиск нелокальных альтернатив: Проверить, существуют ли в наборе нелокальные документы, чья оценка ранжирования достигает Distant Document Demotion Threshold.
   • Если ДА: Перейти к шагу 3 (Выполнение понижения).
   • Если НЕТ: Понижение не активируется.
3. Выполнение понижения: Скорректировать оценку ранжирования локального документа. Степень понижения рассчитывается с использованием Demotion Component Scaling (DCS), который зависит от Local Intent Measure запроса. В патенте описано использование сигмоидной функции: более сильный локальный интент приводит к более агрессивному понижению.
4. Переранжирование: Гарантировать, что ранг пониженного документа уменьшился относительно альтернативных документов.

Какие данные и как использует

Данные на входе

• Географические факторы: Критически важные данные. Используется местоположение устройства пользователя (например, GPS или IP-геолокация) и указанное географическое местоположение local document.
• Поведенческие факторы: Журналы запросов (Query Logs) и данные о поведении пользователей используются офлайн для расчета Local Intent Measure для запросов.
• Системные данные (Scores):
  • Общие оценки ранжирования (Search Scores) для всех документов.
  • Location Independent Score – оценка релевантности без учета локальных факторов.

Какие метрики используются и как они считаются

• Proximity Measure: Рассчитывается на основе географических координат пользователя и документа. Может быть измерением расстояния или проверкой принадлежности к одному политическому региону.
• Local Intent Measure: Вероятностная мера локального интента запроса (от 0 до 1).
• Ключевые пороги (Thresholds):
  • Maximum Locality Distance: Максимальное расстояние, при котором документ считается близким. Может зависеть от типа документа (например, рестораны vs клиники).
  • Preservation Threshold: Порог Location Independent Score для защиты глобально значимых документов.
  • Distant Document Demotion Threshold: Порог качества для нелокальных документов, необходимый для активации понижения.
• Demotion Component Scaling (DCS): Коэффициент масштабирования понижения. Рассчитывается на основе Local Intent Measure с использованием сигмоидной функции.
• Формула понижения: Приводится пример формулы из описания: SS_demoted = SS * DC * DCS, где SS – исходная оценка, DC – компонент понижения (значение < 1.0), DCS – масштабирование.

Выводы

1. Расстояние как фактор понижения: Google может активно понижать результаты, классифицированные как локальные, если они находятся далеко от пользователя. Это применяется строго к запросам с неявным локальным интентом.
2. Защита глобальной релевантности (The «Fame Defense»): Ключевым элементом является Location Independent Score и Preservation Threshold. Если документ имеет высокую глобальную значимость (например, всемирно известный бренд или авторитетный ресурс), он защищен от понижения, даже если физически удален от пользователя.
3. Необходимость альтернатив для понижения: Понижение не происходит автоматически только из-за расстояния. Система должна идентифицировать лучшие альтернативы для пользователя: либо другие локальные результаты, которые находятся ближе, ЛИБО высококачественные нелокальные результаты. Если альтернатив нет, удаленный результат сохранит свою позицию.
4. Важность классификации интента: Local Intent Measure запроса критически важна. Она определяет, будет ли механизм активирован и насколько агрессивно будет применено понижение (масштабирование через сигмоиду).
5. Баланс авторитета и близости: Патент описывает конкретный механизм для разрешения конфликта между высокой авторитетностью и локальной релевантностью (близостью). Близость получает приоритет, если авторитет не является глобально значимым.

Практика

Best practices (это мы делаем)

• Укрепление глобальной значимости (Location Independent Score): Для сайтов, которые хотят ранжироваться за пределами своего физического местоположения, необходимо развивать контент и авторитетность (E-E-A-T), которые имеют высокую ценность независимо от локации. Это повышает Location Independent Score и помогает преодолеть Preservation Threshold, защищая от понижения.
• Четкое определение зоны обслуживания для локального бизнеса: Локальным компаниям следует сосредоточиться на оптимизации под свой реальный регион обслуживания. Попытки ранжироваться далеко за его пределами по общим запросам с локальным интентом могут быть нивелированы этим алгоритмом, если система найдет более близкие альтернативы.
• Мониторинг ранжирования в разных геолокациях: Необходимо отслеживать позиции сайта при поиске из разных точек. Резкое падение позиций при удалении от физического адреса может указывать на срабатывание этого механизма и недостаточный Location Independent Score.
• Сегментация контента: Если сайт сочетает локальные услуги и глобальную информацию, важно четко структурировать контент. Информационный контент должен быть достаточно сильным, чтобы ранжироваться как нелокальный результат или иметь высокий Location Independent Score.

Worst practices (это делать не надо)

• Игнорирование локального интента запросов: Оптимизация под запросы с высоким Local Intent Measure в расчете на трафик из удаленных регионов неэффективна, если ваш бизнес физически там не присутствует (и не является глобально значимым).
• Ставка только на общую авторитетность домена для локального SEO: Высокий авторитет домена не спасет от понижения из-за расстояния, если система классифицирует страницу как локальную, ее Location Independent Score низок, и система найдет более близкие или релевантные нелокальные альтернативы.
• Создание узкоспециализированного локального контента для глобального ранжирования: Создание контента, который релевантен только для одного региона, но оптимизирован под общие запросы, приведет к его понижению за пределами этого региона.

Стратегическое значение

Патент подтверждает стратегию Google по приоритизации физической релевантности в локальном поиске. Для SEO-специалистов это означает, что стратегии для локального и глобального поиска должны четко различаться. Глобальный поиск фокусируется на Location Independent Score, тогда как локальный поиск сильно зависит от близости к пользователю. Этот механизм является фильтром, который «очищает» локальную выдачу от удаленных, хотя и авторитетных, игроков, освобождая место для бизнеса поблизости или для глобально релевантной информации.

Практические примеры

Сценарий 1: Неоднозначный запрос и понижение локального результата

1. Запрос: «Эдисон».
2. Пользователь: Находится в Калифорнии.
3. Исходная выдача: На первом месте энергетическая компания «Эдисон» из Иллинойса (высокий локальный трафик).
4. Анализ системы: Компания классифицирована как local document. Она удалена. Ее Location Independent Score ниже порога сохранения.
5. Проверка альтернатив: Близких локальных результатов нет. Однако система находит статью в Википедии о Томасе Эдисоне (нелокальный документ) с оценкой выше Distant Document Demotion Threshold.
6. Результат: Энергетическая компания понижается, статья из Википедии поднимается выше.

Сценарий 2: Поиск общей услуги (Выгода для локального бизнеса)

1. Запрос: «Страхование автомобиля» (Высокий Local Intent Measure).
2. Пользователь: Находится в Сакраменто.
3. Исходная выдача: На первом месте крупная страховая компания с офисом в Нью-Йорке (высокий авторитет).
4. Анализ системы: Компания из Нью-Йорка классифицирована как local document. Она удалена. Ее Location Independent Score ниже Preservation Threshold.
5. Проверка альтернатив: Система находит несколько местных страховых агентств в Сакраменто (близкие локальные альтернативы).
6. Результат: Компания из Нью-Йорка понижается, местные агентства поднимаются выше.

Сценарий 3: Защита глобально значимого ресурса

1. Запрос: «Музей Метрополитен».
2. Пользователь: Находится в Лондоне.
3. Исходная выдача: На первом месте Музей Метрополитен в Нью-Йорке.
4. Анализ системы: Музей классифицирован как local document. Он удален от Лондона. Однако его Location Independent Score очень высок и превышает Preservation Threshold (глобальная значимость).
5. Результат: Понижение не применяется. Музей Метрополитен остается на первом месте.

Вопросы и ответы