Как Google определяет локальный интент запроса для управления позицией местных результатов и запроса местоположения

Описание

Какую задачу решает

Патент решает проблему оптимизации поисковой выдачи, особенно на мобильных устройствах с ограниченным экраном. Цель — минимизировать усилия пользователя, автоматически определяя наиболее релевантную категорию результатов. Если пользователь ищет локальную информацию, система должна показать ее первой. Также решается проблема обработки запросов с высоким локальным интентом, когда точное местоположение пользователя неизвестно.

Что запатентовано

Запатентована система и метод для динамического определения позиции локальных результатов (local result set) относительно других категорий (non-local result sets). Ключевым механизмом является вычисление local relevance indicium (показателя локальной релевантности) для запроса. На основе этого показателя система управляет порядком смешивания результатов и, как указано в Claims этого патента, может инициировать запрос местоположения у пользователя.

Как это работает

Система получает запрос и вычисляет его local relevance indicium. Для этого используются два основных метода:

• Машинное обучение (ML): Система, обученная на исторических данных, анализирует признаки запроса для оценки локального интента.
• Списки (Whitelist/Blacklist): Запрос сравнивается с предопределенными списками терминов, которые сильно (Whitelist) или слабо (Blacklist) коррелируют с локальным поиском.

Если показатель высок, система повышает приоритет локальных результатов в выдаче. Если при высоком показателе местоположение пользователя неизвестно, система отправляет запрос на ввод локации (Prompting).

Актуальность для SEO

Высокая. Определение интента запроса и динамическое смешивание результатов (Universal Search/Blending) являются фундаментом современного поиска Google. Механизмы определения локального интента, особенно в контексте mobile-first, критически важны для формирования SERP и видимости Local Pack в 2025 году.

Важность для SEO

Высокое влияние (85/100). Патент имеет критическое значение для локального SEO. Он описывает механизм принятия решения о структуре SERP и приоритете локальной выдачи над органической. Понимание того, как Google классифицирует запросы как «локальные» (используя local relevance indicium), напрямую влияет на стратегию продвижения любого бизнеса с физическим присутствием. Видимость бизнеса часто зависит от того, будет ли активирован и высоко позиционирован локальный блок по целевым запросам.

Детальный разбор

Термины и определения

Blacklist (Черный список)

Список запросов или терминов, определенных как имеющие низкую корреляцию с локальным поиском. Формируется из частых веб-запросов путем удаления тех, которые также часто встречаются в локальном поиске.

Default Location (Местоположение по умолчанию)

Местоположение, предварительно ассоциированное с устройством или аккаунтом пользователя, используемое при отсутствии явного указания локации в запросе.

Local Relevance Indicium (Показатель локальной релевантности, также Location Indicia)

Ключевая метрика патента. Индикатор (оценка или набор правил), определяющий степень корреляции поискового запроса с локальным интентом. Используется для определения позиции локальных результатов и необходимости запроса местоположения.

Local Result Set (Набор локальных результатов)

Результаты поиска, привязанные к определенной географической области (например, результаты из Google Maps, бизнес-листинги).

Machine Learning System (Система машинного обучения)

Система, обученная на предыдущих поисковых запросах (training data) для автоматической генерации local relevance indicium или правил классификации локального интента.

Non-local Result Set (Набор нелокальных результатов)

Результаты из других вертикалей (Web, Images, News, Video), которые обычно не ограничены конкретной локацией пользователя.

One Box

Специальный формат отображения результатов (например, Local Pack, блок погоды), который структурирует ключевую информацию в единый блок.

Whitelist (Белый список)

Список запросов или терминов, определенных как имеющие высокую корреляцию с локальным поиском. Формируется из частых локальных запросов путем удаления тех, которые также часто встречаются в общем веб-поиске.

Ключевые утверждения (Анализ Claims)

Патент US8489591B2 является продолжением (continuation) более ранних заявок (в частности, патента US7966321). Его Claims сфокусированы на механизме активного запроса местоположения при обнаружении локального интента.

Claim 1 (Независимый пункт): Описывает метод реагирования на запрос с высоким локальным интентом, определенным с помощью Машинного Обучения.

1. Система получает поисковый запрос от устройства.
2. Определяется location indicia (показатель локальности) для запроса. Уточняется, что он генерируется machine learning system, обученной на предыдущих запросах.
3. Если на основе показателя определено, что запрос сильно коррелирует с локальными результатами, система отправляет сообщение на устройство с запросом на ввод местоположения.
4. Система получает указание местоположения от пользователя.
5. Генерируется local result set на основе запроса И полученного местоположения.
6. Генерируются non-local result sets на основе запроса, но НЕ местоположения.
7. Результаты форматируются и отправляются на устройство.

Claim 7 (Независимый пункт): Описывает аналогичный процесс, но с использованием списков для определения интента.

1. Получение запроса.
2. Определение высокой корреляции с локальными результатами на основе сравнения терминов запроса с Whitelist (термины с высокой локальной корреляцией) и/или Blacklist (термины с низкой локальной корреляцией).
3. Если корреляция высокая: отправка запроса на ввод местоположения.
4. Дальнейшие шаги аналогичны Claim 1 (получение локации, генерация и отправка результатов).

Контекст (из описания патента): Хотя Claims текущего патента фокусируются на запросе локации (Prompting), основная цель вычисления local relevance indicium, описанная в спецификации, — это определение оптимального порядка отображения (display location) локальных результатов относительно нелокальных (Blending). Если показатель высок, локальные результаты отображаются перед (in front of) нелокальными.

Где и как применяется

Изобретение является ключевой частью системы смешивания результатов и определения структуры SERP.

QUNDERSTANDING – Понимание Запросов
Ключевой этап. Здесь система анализирует запрос для вычисления local relevance indicium. Это включает применение ML-моделей или проверку по Whitelist/Blacklist. Также идентифицируются явные локационные маркеры в запросе (город, индекс) и проверяется наличие Default Location пользователя.

RANKING – Ранжирование
Параллельно запускается поиск в различных индексах (Local, Web, Images). Для локального поиска используется доступная информация о местоположении (известная или предполагаемая).

METASEARCH – Метапоиск и Смешивание (Universal Search & Blending)
На этом этапе принимается решение о финальном порядке отображения сгенерированных наборов результатов. Local relevance indicium используется как основной сигнал для определения позиции локального блока. Если он высок, локальный блок (например, One Box или Local Pack) может быть размещен вверху выдачи.

RERANKING – Переранжирование
Если интент определен как локальный, но местоположение неизвестно, система может изменить выдачу, чтобы запросить локацию у пользователя (согласно Claims 1 и 7). После получения локации результаты пересчитываются и переранжируются.

Входные данные:

• Поисковый запрос.
• Данные для вычисления Local Relevance Indicium (ML-модели, Whitelist/Blacklist).
• Информация о локации пользователя (явная, дефолтная или предполагаемая).
• Тип устройства (мобильное/десктоп) и профиль пользователя (упоминается в описании).

Выходные данные:

• Сформированная SERP с определенным порядком вертикалей (Local, Web и т.д.).
• Возможно, запрос на ввод местоположения (Prompt).

На что влияет

• Специфические запросы: Наибольшее влияние на запросы с подразумеваемым локальным интентом (например, «ресторан», «сантехник», «погода»), а также на неоднозначные запросы (например, бренд «Starbucks»).
• Конкретные типы контента: Влияет на видимость локальных бизнес-листингов (Google Business Profile) и результатов из Google Maps относительно стандартной органической выдачи.
• Конкретные ниши или тематики: Критически влияет на все ниши, связанные с физическим местоположением: ритейл, услуги, общепит, медицина.

Когда применяется

• Условия работы: Алгоритм применяется при обработке запросов, для которых система может сгенерировать результаты из нескольких вертикалей, включая локальную.
• Триггеры активации: Изменение стандартного порядка отображения или запрос местоположения происходит, когда local relevance indicium превышает определенный порог. Патент также указывает, что этот порог может корректироваться в зависимости от контекста.

Пошаговый алгоритм

Процесс А: Обработка запроса в реальном времени (на основе FIG. 7A)

1. Получение запроса: Система получает запрос от пользователя.
2. Анализ локации: Проверяется наличие явных локационных индикаторов в запросе и наличие Default Location пользователя.
3. Генерация индикатора релевантности: Вычисляется Local Relevance Indicium с помощью ML-системы или проверки по Whitelist/Blacklist.
4. Получение результатов: Генерируются наборы результатов (Local, Web и т.д.). Для локальных используется известная или предполагаемая (inferred) локация.
5. Определение порядка отображения (Blending): На основе Local Relevance Indicium определяется позиция локальных результатов. Высокий индикатор помещает их выше.
6. Обработка неизвестной локации (Prompting): Если локация неизвестна (или только предполагается), но Local Relevance Indicium высок, система размещает заметное поле ввода для запроса местоположения у пользователя.
7. Отображение результатов: SERP формируется и отправляется пользователю.
8. Уточнение локации: Если пользователь вводит локацию в ответ на запрос, локальные результаты обновляются.

Процесс Б: Офлайн-генерация Whitelist/Blacklist (на основе FIG. 7B)

1. Сбор данных: Получение логов запросов отдельно для Web-поиска и Local-поиска (часто с мобильных устройств).
2. Формирование списков частотности: Создание списков наиболее частых запросов (Most Common Lists) для каждой категории.
3. Генерация Blacklist: Формирование Черного списка из списка частых Web-запросов путем удаления тех, которые также часто встречаются в Local-поиске. (Запросы, популярные в вебе, но не локально).
4. Генерация Whitelist: Формирование Белого списка из списка частых Local-запросов путем удаления тех, которые также часто встречаются в Web-поиске. (Запросы, популярные локально, но не в общем вебе).

Какие данные и как использует

Данные на входе

• Контентные/Лингвистические факторы:
  • Термины запроса: Используются как признаки для ML и для сравнения с Whitelist/Blacklist.
  • Язык запроса (query language): Упоминается как фактор для ML-системы.
• Географические факторы:
  • Явные локационные маркеры в запросе: zip-коды, названия городов, штатов, коды аэропортов, названия известных мест (venues).
  • Default Location: Сохраненная локация пользователя/устройства.
  • Доменное местоположение запроса (query domain location): Упоминается как фактор для ML-системы.
• Пользовательские/Технические факторы (упомянуты в описании):
  • Тип устройства (мобильное/немобильное): Используется для корректировки весов релевантности и анализа статистики.
  • Профиль пользователя (User Profile): История поиска и предпочтения категорий (например, частота использования Карт).
• Поведенческие факторы (для обучения):
  • Логи предыдущих запросов (prior search queries): Используются для обучения ML-системы и генерации списков.

Какие метрики используются и как они считаются

• Local Relevance Indicium: Основная метрика. Рассчитывается двумя способами:
  1. Машинное обучение: ML-система генерирует набор правил (set of rules) или оценку на основе признаков (features). Признаки включают термины запроса, язык, доменную локацию и quality of search results.
  2. Whitelist/Blacklist: Проверка наличия запроса в предопределенных списках, сгенерированных офлайн путем анализа частотности запросов в Web и Local логах.
• Качество результатов поиска (Quality of search results): Упоминается как фактор для ML-системы. Также отмечается, что низкое качество результатов в категории может привести к ее понижению в выдаче, независимо от высокого indicium.
• Likelihood (Вероятность релевантности категории): В описании патента приводится пример расчета вероятности того, что запрос направлен на определенную категорию. Он может комбинировать взвешенные вклады профиля пользователя и глобальных распределений запросов (отдельно для мобильных и немобильных устройств).

Выводы

1. Классификация локального интента определяет структуру SERP: Google активно вычисляет local relevance indicium для каждого запроса. Это решение определяет не просто ранжирование внутри блока, а саму компоновку выдачи и приоритет локальных результатов над органическими.
2. Многофакторное определение локальности: Система использует комбинацию методов: машинное обучение (анализ признаков запроса) и предопределенные списки (Whitelist/Blacklist, основанные на анализе частотности). Это указывает на сложный и многоуровневый подход к пониманию интента.
3. Механизм Whitelist/Blacklist: Описанный метод генерации списков путем анализа пересечения популярных запросов в Web и Local поиске дает конкретное понимание того, как Google может определять «чисто локальные» запросы.
4. Адаптация к неизвестному местоположению (Prompting): Система имеет четкую логику для случаев высокого локального интента при неизвестной локации: она активно запросит местоположение у пользователя (Claims 1 и 7). Это подчеркивает приоритет точности в локальном поиске.
5. Приоритет мобильного контекста: Патент явно учитывает тип устройства (Mobile/Non-Mobile) и подчеркивает важность корректного определения локального интента для мобильных пользователей, подтверждая стратегический приоритет Local SEO в мобильном контексте.

Практика

Best practices (это мы делаем)

• Оптимизация под неявный локальный интент: Критически важно идентифицировать и таргетировать запросы, которые Google классифицирует как имеющие высокий local relevance indicium, даже если они не содержат названия города. Это запросы, которые, вероятно, находятся в Whitelist или распознаются ML-моделью как локальные.
• Приоритет Google Business Profile (GBP): Поскольку Local Result Set (Local Pack) получает приоритет при высоком indicium, полная оптимизация и активное ведение GBP являются первоочередной задачей для получения видимости по локальным запросам.
• Анализ классификации запросов в нише: Необходимо регулярно анализировать SERP по целевым запросам на мобильных и десктопных устройствах. Если Local Pack стабильно находится вверху, это подтверждает высокий indicium, и стратегия должна фокусироваться на локальном ранжировании.
• Обеспечение качества локальных сигналов: Патент упоминает quality of search results как фактор. Необходимо обеспечить высокое качество локальных сигналов (точность NAP, отзывы, полнота профиля), чтобы избежать понижения локального блока из-за низкого качества результатов.

Worst practices (это делать не надо)

• Игнорирование локального SEO и фокус только на Web-результатах: Для локального бизнеса полагаться только на органическую выдачу опасно. При высоком local relevance indicium веб-результаты будут смещены вниз локальным блоком, что приведет к потере трафика.
• Попытки локальной оптимизации под Blacklist-запросы: Если запрос классифицируется Google как строго нелокальный (низкий indicium), усилия по его локализации (например, спам географическими названиями) будут неэффективны, так как система не считает его релевантным для локальной выдачи.
• Игнорирование мобильного контекста: Разработка стратегии без учета разницы в классификации интента на мобильных и десктопных устройствах приведет к недополучению мобильного локального трафика, так как на мобильных устройствах локальный интент часто оценивается выше.

Стратегическое значение

Патент подтверждает, что Google рассматривает локальный поиск как отдельную критически важную вертикаль в рамках универсального поиска (Blending). Стратегически это означает, что для локального бизнеса присутствие в локальном индексе (Maps/GBP) и оптимизация под запросы с высоким local relevance indicium часто важнее, чем борьба за позиции в традиционной веб-выдаче. Система динамически перестраивает выдачу, ставя во главу угла удовлетворение предсказанного локального интента.

Практические примеры

Сценарий 1: Запрос с высоким Local Relevance Indicium (Whitelist)

1. Запрос: Пользователь вводит «Пицца» на мобильном телефоне.
2. Анализ: Система определяет, что запрос «Пицца» часто используется в локальном поиске и редко в общем вебе (вероятно, в Whitelist). Local relevance indicium очень высокий. Местоположение пользователя известно (например, через GPS).
3. Действие системы: При смешивании (Blending) локальные результаты (ближайшие пиццерии) получают наивысший приоритет.
4. Результат: Пользователь видит Local Pack на первой позиции выдачи, выше любых органических веб-результатов (рецептов, истории пиццы и т.д.).

Сценарий 2: Активный запрос местоположения (Prompting)

1. Запрос: Пользователь с нового устройства (без истории, Default Location не задан) вводит «сантехник».
2. Анализ: Система определяет высокий Local Relevance Indicium для запроса «сантехник». Однако местоположение пользователя неизвестно.
3. Действие системы: Система активирует механизм запроса локации (согласно Claim 1 или 7).
4. Результат: В верхней части выдачи появляется заметный блок или всплывающее окно: «Введите местоположение для получения локальных результатов по запросу ‘сантехник’». После ввода города результаты обновляются с приоритетом Local Pack.

Вопросы и ответы