Как Google рассчитывает универсальную оценку (MUS Score) для ранжирования локальных результатов и их смешивания с веб-поиском

Описание

Какую задачу решает

Патент решает две ключевые проблемы. Во-первых, он улучшает обработку неоднозначных или нестандартно форматированных запросов о местоположении. Во-вторых, он решает задачу невозможности прямого сравнения оценок ранжирования из специализированного поискового движка карт (Map Search Engine) с оценками из других систем (например, основного веб-поиска). Изобретение вводит механизм расчета нормализованной Универсальной Оценки (Universal Score или MUS Score), что позволяет эффективно смешивать локальные результаты с другими в рамках метапоиска (Universal Search).

Что запатентовано

Запатентована система и метод для генерации универсальной оценки (MUS Score) для документов о географических объектах (Geographic Feature Documents). Система рассчитывает и комбинирует несколько промежуточных оценок: Address Support Score (уверенность в том, что запрос соответствует данному адресу), Viewport Support Score (близость объекта к текущей области просмотра пользователя) и Matching Score (текстовая релевантность). Комбинация этих нормализованных оценок формирует итоговый MUS Score.

Как это работает

Система обрабатывает запрос о местоположении и идентифицирует соответствующие документы. Для каждого документа рассчитываются ключевые компоненты оценки:

• Address Support Score: Комбинирует Standalone Support Score (уверенность, основанная на анализе веба и логов запросов) и Template Support Score (соответствие запроса формату адреса).
• Viewport Support Score: Оценка близости объекта к текущей области просмотра (Viewport) пользователя, динамически учитывающая уровень масштабирования (zoom level).
• Matching Score: Стандартная оценка текстовой релевантности.

Эти компоненты последовательно комбинируются (через промежуточный Support Score) для получения финальной MUS Score, которая используется для ранжирования и смешивания результатов.

Актуальность для SEO

Критически высокая. Описанные механизмы лежат в основе современного локального поиска Google и формирования смешанной выдачи (SERP). Понимание того, как Google комбинирует сигналы авторитетности/известности (Standalone Support), структурированности данных (Template Support), релевантности (Matching Score) и близости (Viewport Support), является фундаментальным для Local SEO.

Важность для SEO

Патент имеет критическое значение (9/10) для Local SEO. Он детально описывает фреймворк ранжирования локальных результатов, разделяя факторы на три основные группы, которые точно соответствуют современным столпам локального SEO: Релевантность (Matching Score), Авторитетность/Известность (Standalone/Address Support Score) и Близость (Viewport Support Score). Понимание расчета этих метрик напрямую влияет на стратегию оптимизации локальных объектов и Google Business Profiles.

Детальный разбор

Термины и определения

Address Support Score (Оценка поддержки адреса)

Комбинированная оценка, указывающая на уверенность в том, что запрос соответствует данному географическому объекту. Является комбинацией Standalone Support Score и Template Support Score.

Geographic Feature Document (Документ о географическом объекте)

Запись в базе данных, соответствующая конкретному географическому объекту (местоположению, улице, городу и т.д.). Содержит название, тип, координаты и связанные термины.

Matching Score (Оценка соответствия)

Оценка, указывающая на текстовую релевантность токенов документа по отношению к элементам поискового запроса. Рассчитывается на основе Information Retrieval (IR) оценок.

MUS Score (Map Universal Score / Универсальная оценка карт)

Итоговая универсальная оценка ранжирования для документа о географическом объекте. Позволяет сравнивать результаты локального поиска с результатами других поисковых систем. Является комбинацией Support Score и Matching Score.

Standalone Support Score (Оценка автономной поддержки)

Оценка, указывающая на уровень уверенности в том, что один или несколько элементов запроса связаны с данным географическим объектом, без учета других элементов запроса. Основывается на данных из Standalone Database.

Standalone Database (Автономная база данных)

База данных, содержащая информацию об ассоциациях между названиями и географическими объектами, генерируемая офлайн на основе анализа веб-документов и логов запросов.

Support Score (Оценка поддержки)

Промежуточная оценка, являющаяся комбинацией Address Support Score и Viewport Support Score.

Template Support Score (Оценка поддержки шаблона)

Оценка, указывающая на степень соответствия множества элементов запроса определенному шаблону адреса (например, порядок элементов, наличие обязательных компонентов). Подвержена штрафам (Penalties).

Viewport (Область просмотра)

Географический регион, который в данный момент отображается на клиентском устройстве пользователя или соответствует его местоположению.

Viewport Support Score (Оценка поддержки области просмотра)

Оценка, соответствующая близости географического объекта к текущей Viewport пользователя. Зависит от расстояния и уровня масштабирования (zoom level), который определяет силу влияния (Strength).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод выполнения локального поиска с использованием универсального скоринга.

1. Получение запроса о местоположении с несколькими элементами.
2. Идентификация документов о географических объектах, удовлетворяющих запросу.
3. Ранжирование документов на основе оценок (scores), которые базируются на Address Support Scores.
4. Address Support Score для документа основан на:
   • Standalone Support Score: Уровень уверенности в том, что подмножество элементов запроса (меньше, чем все) связано с объектом, без учета остальных элементов запроса.
   • Template Support Score: Степень, в которой множество (все) элементов запроса удовлетворяет шаблону адреса.
5. Предоставление результатов (включая карту с метками).

Ядро изобретения — это система ранжирования, которая явно разделяет оценку авторитетности отдельных компонентов адреса (Standalone) и корректность структуры всего адреса (Template).

Claim 10 (Зависимый от 1): Детализирует расчет Template Support Score.

1. Присвоение типов адресных элементов (например, улица, город) элементам запроса.
2. Сравнение присвоенных типов с элементами шаблона адреса.
3. Расчет Template Support Score на основе совпадений и несовпадений типов между запросом и шаблоном.

Это описывает процесс парсинга адреса и сравнения его структуры с ожидаемым форматом для данного региона.

Claim 14 и 15 (Зависимые от 1): Вводят фактор близости и его зависимость от масштаба.

Оценка (score) также основывается на Viewport Support Score (близость к области просмотра), который, в свою очередь, рассчитывается на основе определенного уровня масштабирования (zoom level) области просмотра.

Claim 17 (Зависимый от 1): Определяет полную структуру оценки ранжирования.

Оценка (score) для документа основывается на комбинации трех компонентов: Address Support Score, Viewport Support Score и Matching Score.

Где и как применяется

Изобретение применяется на нескольких этапах поиска, преимущественно в специализированном движке локального поиска (Map Search Engine).

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит предварительная обработка данных для расчета Standalone Support Score. Система анализирует веб-документы (Web) и логи запросов (Logs) для построения Standalone DB. Это офлайн-процесс, определяющий силу ассоциации между названиями и географическими объектами.

RANKING – Ранжирование
Основной этап применения. Когда поступает Location Search Query, движок Map Search Engine извлекает кандидатов из базы данных Geographic Feature Documents DB. Затем система рассчитывает MUS Score для каждого кандидата в реальном времени, используя все компоненты скоринга.

METASEARCH – Метапоиск и Смешивание
Ключевая цель изобретения. Сгенерированный MUS Score является универсальным и нормализованным, что позволяет Query Server сравнивать результаты локального поиска с результатами из других движков (например, Web Database Search Engine) и эффективно смешивать их в единой выдаче (Universal Search/Blending).

Входные данные:

• Location Search Query.
• Geographic Feature Documents (кандидаты).
• Standalone DB (предварительно рассчитанные оценки).
• Current Geographic Viewport Region (данные о области просмотра пользователя и масштабе).

Выходные данные:

• Ранжированный список Geographic Feature Documents с рассчитанными MUS Scores.

На что влияет

• Конкретные типы контента: Влияет на ранжирование географических объектов (адреса, бизнесы, достопримечательности) в рамках локального поиска (Google Maps, Local Pack в SERP).
• Специфические запросы: Наибольшее влияние на локальные запросы (явные и неявные). Особенно важно при обработке неоднозначных запросов (например, «Paris»), где Standalone Support помогает выбрать наиболее вероятный объект.

Когда применяется

• Триггеры активации: Применяется, когда поисковая система идентифицирует запрос как Location Search Query и направляет его в Map Search Engine.
• Условия работы: Алгоритм применяется ко всем кандидатам. Вес компонентов динамичен: например, вес Viewport Support зависит от масштаба карты (zoom level).

Пошаговый алгоритм

Процесс А: Офлайн-подготовка (Индексирование)

1. Анализ данных: Обработка веб-документов и логов запросов.
2. Расчет ассоциаций: Определение силы связи между названиями и географическими объектами (например, подсчет совместных упоминаний в вебе).
3. Генерация Standalone DB: Сохранение предварительных Standalone Support Scores.

Процесс Б: Обработка запроса (Ранжирование)

1. Получение данных: Система получает Location Search Query и данные о Viewport.
2. Извлечение кандидатов: Map Search Engine идентифицирует соответствующие документы.
3. Расчет Address Support Score:
   1. Standalone Support Score: Извлечение оценки из Standalone DB.
   2. Template Support Score: Сравнение структуры запроса с адресным шаблоном, применение бустов и штрафов (Penalties).
   3. Комбинация: Объединение оценок Standalone и Template.
4. Расчет Viewport Support Score:
   1. Расчет Strength: Определение силы влияния Viewport на основе масштаба (zoom level).
   2. Расчет SAF: Вычисление фактора затухания оценки в зависимости от расстояния.
   3. Комбинация: Расчет итоговой оценки близости.
5. Расчет Support Score: Комбинация Address Support Score и Viewport Support Score (например, с использованием дерева решений). Если Address Support максимален, Viewport Support может игнорироваться.
6. Расчет Matching Score: Вычисление базовой текстовой релевантности (IR score).
7. Расчет MUS Score: Финальная комбинация (например, перемножение) Support Score и Matching Score.
8. Ранжирование и Вывод: Сортировка кандидатов по MUS Score.

Какие данные и как использует

Данные на входе

• Контентные факторы (Веб-документы): Используются офлайн для расчета Standalone Support Score. Анализируется частота и контекст совместного упоминания названий и географических объектов в вебе.
• Поведенческие факторы (Логи запросов): Используются офлайн для Standalone Support Score. Анализируется поведение пользователей, например, уточнения запросов (если искали «Paris» и получили Техас, а затем уточнили до Франции).
• Географические факторы: Координаты географических объектов.
• Пользовательские факторы: Current Geographic Viewport Region (область просмотра карты или местоположение пользователя) и уровень масштабирования (zoom level).
• Структурные факторы: Предопределенные шаблоны адресов (address templates) для разных регионов.

Какие метрики используются и как они считаются

Система вычисляет несколько ключевых нормализованных метрик (обычно от 0 до 1):

• Standalone Support Score (S_ij): Может рассчитываться как вероятность P(Объект X | Название Y). Для составных запросов может использоваться формула: $min(1.0, \sum_{i,j} S_{ij})$.
• Template Support Score: Основан на бустинге за совпадение с важными элементами шаблона (например, город/индекс получают больший буст, чем страна) и штрафах (Penalties) за нарушения структуры.
• Viewport Strength (Сила области просмотра): Функция от угла обзора (zoom level), определяющая влияние близости. Может рассчитываться как: $e^{-A*capped\_viewport\_angle}$.
• Viewport Support Score: Рассчитывается на основе Strength и фактора затухания оценки (SAF). Например: $0.5 + Strength * rescaled\_SAF$.
• Matching Score: Может рассчитываться как нормализованная сумма IR-оценок, возведенная в степень M: $(\frac{1}{E} [\sum_{i} IR_{i}])^{M}$.
• Методы комбинирования: Патент упоминает различные методы, включая умножение, деревья решений (decision trees) и взвешенные суммы. Например, для Support Score может использоваться формула, где веса зависят от значений самих оценок (например, если Viewport Support высок, ему дается больший вес).

Выводы

1. Формализация факторов локального ранжирования: Патент четко определяет архитектуру ранжирования локальных объектов как комбинацию трех основных компонентов, соответствующих столпам Local SEO: Релевантность (Matching Score), Авторитетность/Известность (Address Support Score) и Близость (Viewport Support Score).
2. Критическая роль внешних данных для Авторитетности (Standalone Support): Standalone Support Score рассчитывается офлайн на основе анализа веб-документов и логов запросов. Это подчеркивает фундаментальную важность внешних сигналов (цитирования, упоминания NAP в вебе, поведение пользователей) для установления авторитетности локальной сущности.
3. Важность структуры и консистентности адреса (Template Support): Система активно проверяет соответствие запроса ожидаемым адресным шаблонам. Нестандартное форматирование или несогласованные данные могут привести к штрафам (Penalties) и снижению оценки.
4. Динамический расчет близости (Viewport Support): Близость не является статичным фактором. Ее влияние (Strength) динамически изменяется в зависимости от уровня масштабирования (zoom level). При широком обзоре (страна) близость имеет меньшее значение, чем при детальном (город).
5. Точность адреса может перевесить близость: Если Address Support Score максимален (адрес указан абсолютно точно и полно), Viewport Support Score может быть проигнорирован. Точное соответствие имеет приоритет над близостью.
6. Универсальный скоринг для смешивания выдачи: Конечная цель расчета MUS Score — создать нормализованную оценку, позволяющую Google сравнивать локальные результаты с результатами из других вертикалей (веб-поиск) при формировании смешанной выдачи (Blending).

Практика

Best practices (это мы делаем)

• Построение локальной авторитетности и известности (для Standalone Support): Активно работайте над увеличением количества и качества упоминаний вашего локального объекта (Citation Building). Standalone Support Score напрямую зависит от анализа внешних веб-документов. Чем сильнее ассоциация между вашим названием и местоположением в вебе (в каталогах, СМИ, отзывах), тем выше эта оценка.
• Обеспечение идеальной консистентности NAP (для Template Support): Поддерживайте абсолютную точность и единообразие данных о Названии, Адресе и Телефоне (NAP) во всех источниках. Используйте стандартный почтовый формат для вашего региона, чтобы избежать штрафов (Penalties) при оценке Template Support Score.
• Использование микроразметки (для Template Support): Внедряйте Schema.org (LocalBusiness, PostalAddress) на сайте. Это помогает системе корректно парсить компоненты адреса, что положительно влияет на Template Support Score.
• Оптимизация под релевантность (для Matching Score): Убедитесь, что ваш Google Business Profile и связанные страницы сайта содержат ключевые слова, релевантные запросам пользователей. Matching Score остается важным компонентом итоговой оценки.
• Анализ выдачи с учетом близости (для Viewport Support): При анализе позиций учитывайте, что Viewport Support Score динамичен. Используйте инструменты Grid Tracking для оценки позиций с разных географических точек, чтобы понять, как близость и масштаб влияют на видимость вашего объекта.

Worst practices (это делать не надо)

• Игнорирование внешних упоминаний (Citations): Полагаться только на данные в GBP недостаточно. Низкий Standalone Support Score из-за отсутствия подтверждающих данных в вебе снизит общий рейтинг, особенно по общим или неоднозначным запросам.
• Неконсистентные или нестандартные форматы адресов: Различия в написании адреса или использование нестандартных форматов (например, указание ориентира вместо точного адреса) негативно повлияет на Template Support Score.
• Манипуляции с местоположением (Виртуальные офисы): Попытки ранжироваться там, где бизнес физически не присутствует. Viewport Support Score будет низким для пользователей в этом регионе, и система может распознать несоответствие между заявленным адресом и сигналами Standalone Support.

Стратегическое значение

Патент подтверждает и детализирует фундаментальную модель локального ранжирования Google. Он объясняет, как Google объединяет сигналы Релевантности, Авторитетности и Близости в единую оценку (MUS Score). Стратегически, это подчеркивает необходимость комплексного подхода к Local SEO, где построение авторитетной локальной сущности (Entity Building) и качество внешних сигналов (связанных с E-E-A-T) так же важны, как и техническая оптимизация и близость к пользователю.

Практические примеры

Сценарий: Повышение Standalone Support Score для новой кофейни

1. Задача: Новая кофейня «Арома» имеет низкий Standalone Support Score, так как о ней мало упоминаний в вебе.
2. Действия (на основе патента): Необходимо увеличить количество веб-документов, ассоциирующих название «Арома» с ее адресом.
   • Регистрация в ключевых локальных и отраслевых каталогах (Yelp, TripAdvisor и т.д.) с консистентным NAP.
   • Работа с местными СМИ и блогерами для получения публикаций с указанием названия и адреса.
3. Ожидаемый результат: По мере индексации этих упоминаний, Standalone Database обновляется. Standalone Support Score растет, что приводит к улучшению общего MUS Score и позиций в локальной выдаче.

Сценарий: Анализ влияния Viewport Support Score (Близости)

1. Задача: Понять, почему ресторан ранжируется по-разному в зависимости от масштаба карты.
2. Анализ (на основе патента): Ранжирование зависит от Strength фактора Viewport Support. Если пользователь смотрит на карту района (малый Viewport, высокий Strength), оценка близости будет доминировать. Если пользователь смотрит на карту всей страны (большой Viewport, низкий Strength), оценка близости будет минимальной, и на первое место выйдут рестораны с более высоким Standalone Support Score (более известные/авторитетные).
3. Вывод: Для доминирования на близком расстоянии нужна оптимизация релевантности и точное местоположение. Для ранжирования на широкой территории критически важна работа над авторитетностью (Standalone Support).

Вопросы и ответы