Как Google приоритизирует локальные результаты поиска на основе текущей видимой области карты (Viewport)

Описание

Какую задачу решает

Патент решает проблему обеспечения географической релевантности при выполнении локальных поисков, особенно в картографических интерфейсах. Пользователи ожидают увидеть результаты, близкие к той области, которую они в данный момент просматривают на карте (Viewport), а не просто глобально важные объекты. Изобретение улучшает пользовательский опыт, разрешая неоднозначные запросы (например, названия улиц или бизнесов, существующие в разных местах) путем приоритизации результатов, близких к текущему контексту просмотра.

Что запатентовано

Запатентована система и метод ранжирования результатов локального поиска, который учитывает близость географических объектов к текущей области просмотра (Geographical Viewport Region) на клиентском устройстве. Система динамически корректирует оценку ранжирования (Score), используя фактор ослабления (Score Attenuation Factor, SAF). Это гарантирует, что результаты, находящиеся в поле зрения пользователя или рядом с ним, будут ранжироваться выше.

Как это работает

Система определяет текущую область просмотра пользователя (Viewport) и окружающую ее буферную зону (Viewport Skirt Region). При обработке локального запроса рассчитывается базовая оценка релевантности и важности объектов. Затем применяется Score Attenuation Factor (SAF):

• Если объект внутри Viewport, SAF=1 (оценка не снижается).
• Если объект в Viewport Skirt Region, SAF снижается экспоненциально по мере удаления от границы Viewport.
• Если объект далеко, применяется максимальное снижение (SAF=MinScore, например, 0.2).

Итоговая оценка является произведением базовой оценки на SAF. Размер Viewport Skirt Region динамически изменяется в зависимости от масштаба карты.

Актуальность для SEO

Высокая. Описанный механизм является фундаментальным для работы современных картографических интерфейсов (например, Google Maps). Приоритизация результатов на основе контекста просмотра пользователя (его «виртуального» местоположения на карте) критически важна для релевантности локальной выдачи, особенно на мобильных устройствах.

Важность для SEO

Патент имеет высокое значение для Local SEO. Он демонстрирует, что ранжирование в локальном поиске (особенно на Картах) является высоко динамичным и контекстуальным. Близость объекта к области интереса пользователя (Viewport) может оказаться важнее его глобальной авторитетности (Feature Rank). Это критически важно для понимания того, как меняется выдача при перемещении карты пользователем.

Детальный разбор

Термины и определения

Feature Rank (FR) (Ранг объекта)

Метрика, указывающая на важность, популярность или размер географического объекта. Более важные объекты имеют более высокий FR.

Geographic Feature Document (Документ географического объекта)

Запись в базе данных, соответствующая географическому объекту (улица, город, бизнес). Содержит название, тип, ключевые слова, синонимы и координаты (Supplemental Information).

Information Retrieval Score (IR Score) (Оценка информационного поиска)

Базовая оценка, показывающая, насколько хорошо текст документа соответствует тексту поискового запроса.

Minscore (Минимальная оценка)

Минимальное значение SAF, применяемое к объектам, расположенным далеко за пределами Viewport и Skirt Region.

Score Attenuation Factor (SAF) (Фактор ослабления оценки)

Множитель (от MinScore до 1), применяемый к базовой оценке ранжирования. SAF уменьшается по мере удаления объекта от Viewport. Используется для снижения ранга удаленных объектов.

Viewport (Область просмотра)

Географический регион, который в данный момент отображается на клиентском устройстве пользователя. В контексте патента может рассматриваться как круглая область, охватывающая прямоугольное окно отображения.

Viewport Skirt Region (Буферная зона области просмотра)

Географический регион, окружающий Viewport. Объекты в этой зоне получают частичное ослабление оценки. Размер этой зоны динамически меняется в зависимости от размера (масштаба) Viewport.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод выполнения локального поиска.

1. Система получает локальный поисковый запрос.
2. Идентифицируются Geographical feature documents, удовлетворяющие запросу.
3. Документы ранжируются в соответствии с оценкой (Score).
4. Ключевой элемент: Оценка основана, по крайней мере частично, на близости (proximity) соответствующих географических объектов к географической области просмотра (geographical viewport region) клиентской системы.
5. Предоставляются результаты, основанные на ранжированных документах.

Ядром изобретения является интеграция контекста просмотра пользователя (Viewport) в формулу ранжирования локальных результатов. Ранжирование становится динамическим и зависит от того, на какую область карты смотрит пользователь в момент запроса.

Claim 15 (Независимый пункт): Аналогичен Claim 1, но фокусируется на идентификации географических объектов (geographical features) напрямую, а не через документы.

Подтверждает, что основная цель — изменить ранжирование самих географических объектов на основе контекста просмотра.

Зависимые пункты (например, Claims 2, 3): Уточняют определение Viewport.

Viewport соответствует региону, отображаемому на клиентской системе, и может быть результатом предыдущего поискового запроса. Это подчеркивает использование истории взаимодействия пользователя для определения контекста.

Где и как применяется

Изобретение применяется на этапе ранжирования при обработке локальных запросов, используя данные индекса и контекст пользователя в реальном времени.

INDEXING – Индексирование и извлечение признаков
На этом этапе создаются Geographic Feature Documents. Извлекаются и сохраняются критически важные данные: точные координаты объекта (широта/долгота) и данные для расчета статической важности Feature Rank (FR).

RANKING – Ранжирование / RERANKING – Переранжирование
Основное место применения патента. При получении локального запроса система также получает контекст пользователя — координаты текущего Viewport.

1. Отбор кандидатов и базовая оценка: Идентифицируются объекты, соответствующие запросу (на основе IR Score), и определяется их базовая оценка (например, комбинация IR и FR).
2. Расчет SAF: Для каждого кандидата система вычисляет его расстояние до Viewport и определяет Score Attenuation Factor (SAF).
3. Корректировка оценки и Финальное ранжирование: Базовая оценка умножается на SAF. Объекты сортируются по скорректированной оценке.

Входные данные:

• Локальный поисковый запрос.
• Координаты и размер (масштаб) текущего Viewport пользователя.
• Индекс Geographic Feature Documents (включая координаты, FR, IR признаки).

Выходные данные:

• Отсортированный список географических объектов, приоритизированный с учетом близости к Viewport.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на локальный бизнес (рестораны, магазины, услуги), поиск адресов и достопримечательностей. Критично для всех тематик, где местоположение является ключевым фактором.
• Специфические запросы: Влияет на запросы с локальным интентом, особенно на общие (например, «пицца», «отель») или неоднозначные запросы (названия, существующие в разных местах), выполняемые внутри картографических приложений.

Когда применяется

• Условия работы: Алгоритм применяется, когда поисковая система имеет доступ к информации о текущем Viewport пользователя. Это типично для поисков, инициированных из Google Maps на мобильном устройстве или десктопе.
• Триггеры активации: Наличие локального интента в запросе и доступность данных о Viewport.

Пошаговый алгоритм

Этап 1: Определение контекста и параметров

1. Получение данных: Система получает поисковый запрос и данные о текущем Viewport пользователя (например, радиус R1 или нормализованный размер X1).
2. Расчет Skirt Region: Система динамически определяет размер буферной зоны (Viewport Skirt Region, радиус R2 или X2). Размер юбки зависит от размера Viewport: чем меньше Viewport (больше масштаб/зум), тем относительно шире юбка. Патент предлагает формулу для этого расчета, включающую экспоненциальное затухание (например, Ratio = 1 + SkirtFactor * (A + B * e^(-M*X1))).

Этап 2: Идентификация и базовая оценка

3. Идентификация кандидатов: Поисковая система находит Geographic Feature Documents, соответствующие запросу.
4. Базовая оценка: Для каждого кандидата рассчитывается базовая оценка, например: (IR Score) * FR.

Этап 3: Применение Score Attenuation Factor (SAF)

5. Определение местоположения объекта: Для каждого кандидата определяется его положение относительно Viewport и Skirt Region.
6. Расчет расстояния: Если объект вне Viewport, рассчитывается расстояние от объекта до ближайшего края Viewport (X3).
7. Расчет отношения (Ratio X): Вычисляется отношение расстояния до края Viewport к ширине Skirt Region (например, X = X3 / (X2-X1)).
8. Вычисление SAF: Рассчитывается фактор ослабления:
   • Если внутри Viewport: SAF = 1.
   • Если в Skirt Region: SAF рассчитывается по формуле экспоненциального затухания, например, SAF = C + D * e^(-K*X). SAF уменьшается от 1 до MinScore по мере увеличения X.
   • Если снаружи Skirt Region: SAF = MinScore (например, 0.2).
9. Вычисление итоговой оценки: Final Score = Базовая оценка * SAF.

Этап 4: Ранжирование и выдача

10. Ранжирование: Кандидаты сортируются по Final Score и предоставляются пользователю.

Какие данные и как использует

Данные на входе

• Географические факторы: Критически важные данные. Используются точные координаты (широта и долгота) каждого географического объекта, хранящиеся в индексе. Также используются координаты и размер текущего Viewport пользователя в реальном времени.
• Контентные факторы: Текстовое содержимое документов (название, тип, связанные термины) используется для расчета IR Score.
• Пользовательские факторы: Контекст просмотра пользователя (Viewport) является ключевым входным параметром для этого алгоритма.

Какие метрики используются и как они считаются

• Information Retrieval Score (IR Score): Оценка текстовой релевантности запросу.
• Feature Rank (FR): Оценка важности или популярности объекта. Может основываться на размере территории, частоте упоминаний или ссылочном весе.
• Score Attenuation Factor (SAF): Ключевая метрика патента. Рассчитывается на основе положения объекта относительно Viewport и Skirt Region. Использует формулу экспоненциального затухания для объектов в буферной зоне.
• Динамический размер Skirt Region: Размер юбки рассчитывается по формуле, зависящей от размера Viewport. Это гарантирует, что при сильном приближении область поиска будет относительно большой, а при обзоре большой территории — минимальной.
• Normalized Angular Distance: Используется для измерения размеров регионов и расстояний на поверхности Земли для стандартизации расчетов SAF.

Выводы

1. Контекстуальная близость (Viewport Proximity) критична: Близость в локальном поиске определяется не только физическим местоположением пользователя, но и его «виртуальным» местоположением — тем, что он просматривает на карте (Viewport). Viewport действует как сильный сигнал контекста.
2. Динамическое ранжирование на основе контекста: Ранжирование локальных результатов может радикально меняться при одном и том же запросе в зависимости от того, куда переместил карту пользователь.
3. Механизм ослабления (Attenuation): Система предпочитает снижать оценки (Score) удаленных объектов (пессимизация), а не повышать оценки близких. Объекты внутри Viewport сохраняют свою полную оценку (SAF=1), в то время как объекты за его пределами штрафуются.
4. Важность масштаба (Zoom Level): Определение того, что считается «близким» (размер Viewport Skirt Region), динамически адаптируется к масштабу карты. При сильном приближении система ищет в более широком радиусе относительно видимой области.
5. Баланс между важностью и близостью: Патент обеспечивает механизм балансировки глобальной важности объекта (Feature Rank) и его контекстуальной близости (SAF). Очень важный, но удаленный объект может уступить менее важному, но близкому объекту.

Практика

Best practices (это мы делаем)

• Обеспечение абсолютной точности геоданных: Критически важно убедиться, что Google правильно определяет координаты (широту и долготу) всех филиалов бизнеса. Неправильно установленный пин на карте (например, в Google Business Profile) может привести к некорректному расчету SAF и потере позиций, когда пользователь просматривает ваш район.
• Построение локальной авторитетности (Feature Rank): Поскольку SAF является множителем, важно иметь высокий базовый Score. Работайте над повышением авторитетности и популярности локального бизнеса (отзывы, локальные ссылки, упоминания), чтобы максимизировать FR. Высокий FR позволяет конкурировать с другими объектами, имеющими такой же SAF.
• Мониторинг позиций с учетом контекста: При анализе позиций в Картах необходимо учитывать контекст Viewport. Позиции будут меняться в зависимости от того, какая область карты установлена в качестве точки отсчета. Тестируйте ранжирование, эмулируя разные Viewport пользователей.

Worst practices (это делать не надо)

• Фокус только на глобальном SEO для локального бизнеса: Полагаться только на общую авторитетность домена недостаточно. Механизм SAF может сильно ослабить позиции авторитетного сайта, если его физическое представительство находится далеко от Viewport пользователя.
• Манипуляции с местоположением и виртуальные офисы: Создание фейковых местоположений для ранжирования в разных Viewport неэффективно в долгосрочной перспективе и несет высокие риски пессимизации, так как система опирается на реальные данные и авторитетность (FR) в конкретной локации.
• Игнорирование картографических интерфейсов: Оптимизация только под стандартный веб-поиск без учета того, как бизнес ранжируется в Google Maps, где активно применяется Viewport-ранжирование.

Стратегическое значение

Патент подтверждает, что локальный поиск является высоко контекстуальным. Взаимодействие пользователя с интерфейсом (панорамирование и масштабирование карты) напрямую влияет на результаты поиска. Это подчеркивает важность понимания поведения пользователей в картографических сервисах. Для SEO-стратегии это означает, что оптимизация должна фокусироваться на точном соответствии местоположения бизнеса области интереса пользователя, будь то его физическое местоположение или виртуальный контекст просмотра (Viewport).

Практические примеры

Сценарий: Влияние перемещения карты на выдачу по общему запросу

1. Начальное состояние (Viewport 1): Пользователь открывает Google Maps. Карта центрирована на центре Лондона (Westminster).
2. Запрос: Пользователь вводит запрос «кофейня».
3. Результат 1: Система рассчитывает SAF. Кофейни в Westminster получают SAF=1. Кофейни на окраинах получают низкий SAF (например, 0.2). В топе будут кофейни из Westminster с хорошим сочетанием FR и SAF=1.
4. Действие пользователя (Изменение Viewport 2): Пользователь перемещает карту в район Greenwich и система автоматически обновляет выдачу («Искать в этой области»).
5. Результат 2: Система пересчитывает SAF. Теперь кофейни в Greenwich получают SAF=1. Кофейни из Westminster, которые были в топе ранее, теперь получают более низкий SAF (если они оказались за пределами нового Viewport или в его Skirt Region).
6. Вывод: Выдача полностью меняется, приоритизируя объекты, попавшие в новый Viewport, даже если их глобальный Feature Rank ниже, чем у объектов в центре.

Вопросы и ответы