Как Google рассчитывает показатели «Локального интереса» для бизнесов на основе взаимодействия пользователей в конкретных географических областях

Описание

Какую задачу решает

Патент решает задачу идентификации локально релевантных или «интересных» (interesting) Точек Интереса (POI), которые местные жители или осведомленные посетители считают особенно связанными с конкретной местностью (так называемые «местные жемчужины»). Цель — избежать ситуаций, когда в локальной выдаче доминируют популярные национальные или региональные сети, которые могут быть менее интересны пользователю, ищущему местный колорит. Система стремится количественно оценить связь между POI и местностью на основе прошлого поведения пользователей.

Что запатентовано

Запатентована система для оценки и ранжирования POI на основе анализа взаимодействия пользователей (кликов) с результатами поиска, особенно в контексте карт. Система использует два ключевых типа баз данных, сегментированных по географическим областям: Query Database (оценивает связь Запрос-POI-Область) и POI Database (оценивает связь POI-Область). Эти базы данных хранят scores (показатели интереса), которые затем используются для ранжирования локальных результатов.

Как это работает

Система работает в двух режимах: генерация баз данных и идентификация интересных POI.

• Генерация баз данных: Регионы делятся на географические области. Система отслеживает клики пользователей по POI в результатах поиска. При клике оценки в базах данных увеличиваются. В Query Database прирост максимален для области в центре карты, которую просматривал пользователь. В POI Database прирост максимален для области, где физически находится POI. Прирост уменьшается для окружающих областей с использованием Fall-off Function.
• Идентификация POI: Для ответа на запрос система определяет местоположение пользователя и его мобильность (скорость). Она выбирает целевую и окружающие географические области. Затем извлекаются оценки POI из баз данных этих областей. Рассчитывается Combined Score путем суммирования оценок, взвешенных с помощью второй Fall-off Function (зависящей от мобильности пользователя). POI ранжируются по этому итоговому баллу.

Актуальность для SEO

Высокая. Локальная релевантность остается краеугольным камнем Google Maps и локального поиска. Количественная оценка местного интереса на основе поведенческих сигналов является фундаментальной задачей для предоставления полезных локальных результатов. Описанные механизмы тесно связаны с тем, как Google определяет локальную значимость (Local Prominence).

Важность для SEO

Патент имеет значительное влияние (8/10) на стратегии локального SEO (Local SEO). Он демонстрирует конкретный механизм, с помощью которого Google может количественно оценивать локальную значимость бизнеса, используя поведенческие данные. Для успеха в локальном поиске бизнесу необходимо не только ранжироваться по релевантным запросам, но и стимулировать вовлеченность (клики, длительные взаимодействия) именно тогда, когда пользователи ищут информацию о конкретной местности, где находится бизнес.

Детальный разбор

Термины и определения

Geographic Area (Географическая область)

Меньшая часть более крупного географического региона. Также называется cell, locality, neighborhood или bucket. Для каждой области генерируются отдельные базы данных оценок.

Interesting POI (Интересный POI)

Точка интереса (POI), которую пользователи сильно ассоциируют с определенной местностью. Определяется на основе высокого показателя интереса (Score) в базах данных этой местности.

Fall-off Function (Функция спада)

Функция (например, Гауссова или параболическая), используемая для уменьшения значения по мере увеличения расстояния. Применяется как при генерации оценок (уменьшение прироста оценки по мере удаления от клика), так и при ранжировании (уменьшение веса оценок из удаленных ячеек).

Long Click (Долгий клик)

Клик, при котором пользователь остается на сайте, связанном с POI, в течение минимального периода времени (например, 60 секунд). Рассматривается как показатель удовлетворенности пользователя и может увеличивать Score.

POI Database (База данных POI)

База данных, хранящая показатели интереса (Scores) для POI в конкретной географической области. Оценки увеличиваются, когда пользователи выбирают POI, основываясь на физическом местоположении POI.

Query Database (База данных запросов)

База данных, хранящая показатели интереса (Scores) для пар Запрос/POI в конкретной географической области. Оценки увеличиваются, когда пользователи выбирают POI на карте после ввода запроса. Прирост максимален для области, которая находилась в центре карты в момент клика.

Score (Показатель интереса)

Мера интереса (measure of interest). Присваивается POI (в POI DB) или паре Запрос/POI (в Query DB) для конкретной географической области. Основывается на частоте и характере выбора этого POI прошлыми пользователями.

Directional Icon (Иконка направления)

Графический элемент (например, стрелка), отображаемый на мобильном устройстве, который указывает направление и/или расстояние до POI. Может быть анимированным (например, пульсирующим) для близких POI.

Pronto Button

Элемент управления на мобильном устройстве, который позволяет пользователю идентифицировать POI, на который он смотрит, используя текущее местоположение и направление устройства.

Ключевые утверждения (Анализ Claims)

Патент содержит два ключевых независимых блока утверждений: механизм генерации оценок (Scoring) и механизм использования этих оценок для ранжирования (Retrieval).

Блок 1: Генерация Оценок (Scoring Mechanism)

Claim 1 (Независимый пункт): Описывает базовый процесс обновления оценок на основе взаимодействия пользователя.

1. Система генерирует первую страницу результатов поиска (SERP), включающую ссылки на POI, соответствующие запросу.
2. Система получает сигнал о том, что пользователь выбрал ссылку на конкретный POI.
3. В ответ на сигнал система выбирает одну или несколько географических областей.
4. Для каждой выбранной области определяется значение прироста (increment value).
5. Для каждой выбранной области определяется существующая оценка (score), связанная с этим POI.
6. Оценка увеличивается на значение прироста.
7. Увеличенная оценка сохраняется в базе данных в ассоциации с POI.
8. Сохраненные оценки используются для генерации будущих SERP.

Claim 9 (Зависимый от 1): Уточняет механизм для Query Database. Выбор географических областей (шаг 3) основывается на областях, расположенных в центре карты или рядом с ним, отображаемой на SERP. Оценка связывается с парой query-result pair (Термин Запроса + POI) и сохраняется в Query Database.

Claim 14 (Зависимый от 1): Уточняет механизм для POI Database. Выбор географических областей (шаг 3) основывается на областях, расположенных в месте физического нахождения самого POI или рядом с ним. Оценка сохраняется в POI Database.

Блок 2: Использование Оценок для Ранжирования (Retrieval Mechanism)

Claim 25 (Независимый пункт): Описывает процесс использования сохраненных оценок для идентификации интересных POI.

1. Система идентифицирует POI, связанные с одной или несколькими выбранными географическими областями.
2. Для каждой из этих областей определяются оценки (scores), связанные с идентифицированными POI.
3. Генерируется комбинированная оценка (combined score) для каждого POI на основе определенных оценок.
4. Выбирается подмножество POI на основе комбинированных оценок.
5. Отображается ссылка на POI из этого подмножества.

Claim 32 (Зависимый от 25): Уточняет, что генерация комбинированной оценки включает применение функции спада (fall-off function) к оценкам, полученным из разных географических областей.

Где и как применяется

Изобретение охватывает как офлайн-процессы обработки данных, так и онлайн-процессы ранжирования, особенно в контексте локального и мобильного поиска.

INDEXING – Индексирование и извлечение признаков (Офлайн-обработка)
На этом этапе происходит основная работа по генерации данных. Система анализирует исторические логи поиска и данные о кликах (click data). Географические регионы разделяются на ячейки. Процесс, описанный в Блоке 1 (Claims 1, 9, 14), выполняется офлайн для заполнения Query Database и POI Database для каждой ячейки. Также требуется доступ к Business Directory для определения точных координат POI.

RANKING – Ранжирование
На этом этапе используется механизм извлечения (Блок 2, Claim 25). Когда пользователь выполняет локальный поиск (например, с мобильного устройства) или просматривает карту:

1. Определение местоположения: Система определяет текущее или целевое местоположение пользователя.
2. Выбор ячеек: Идентифицируется целевая ячейка и окружающие ячейки. Количество окружающих ячеек может зависеть от скорости пользователя (мобильности).
3. Извлечение оценок: Система извлекает Scores для кандидатов POI из баз данных этих ячеек.
4. Применение Fall-off и Расчет: Применяются функции спада (часто зависящие от мобильности пользователя и расстояния до ячейки) к извлеченным оценкам, и рассчитывается combined score.
5. Ранжирование: Комбинированная оценка используется как сильный сигнал для ранжирования POI по «интересности».

RERANKING / Пользовательский Интерфейс (Мобильное взаимодействие)
Патент также описывает функции пользовательского интерфейса, которые применяются после ранжирования или как отдельные триггеры:

• Directional Icons: Отображение анимированных иконок, указывающих направление и расстояние до POI.
• Pronto Button: Механизм, использующий GPS и компас для идентификации POI, на который указывает пользователь (Zone of Interest).
• Pre-caching: Загрузка баз данных и деталей POI для соседних ячеек на мобильное устройство в фоновом режиме.

На что влияет

• Типы контента и ниши: Наибольшее влияние оказывается на локальный бизнес (Local Search) и результаты Google Maps. Особенно актуально для ниш с высокой конкуренцией между местными предприятиями и национальными сетями (рестораны, кафе, розничная торговля, услуги).
• Специфические запросы: Влияет на информационные и коммерческие локальные запросы (например, «пицца», «кофейня рядом»).

Когда применяется

• Триггеры для генерации оценок (Scoring): Активируется каждый раз, когда пользователь нажимает на ссылку POI в результатах поиска. Особенно подчеркивается важность кликов на результаты, наложенные на карту.
• Триггеры для ранжирования (Retrieval): Активируется при выполнении локального поиска или при просмотре карты пользователем (особенно на мобильных устройствах). Система постоянно рассчитывает интересные POI на основе текущего местоположения и контекста (например, скорости движения).

Пошаговый алгоритм

Процесс А: Генерация Оценок (POI DB и Query DB) — Офлайн или в реальном времени

1. Генерация SERP: Система генерирует страницу результатов поиска (SERP) с ссылками на POI, часто с наложением на карту.
2. Получение сигнала о клике: Система фиксирует клик пользователя на конкретный POI. Анализируется качество клика (например, является ли он Long Click).
3. Выбор географических областей (ячеек):
   • Для Query DB: Выбираются ячейки в центре отображаемой карты и вокруг него.
   • Для POI DB: Выбираются ячейки, где физически расположен POI, и вокруг него.
4. Определение значения прироста (Increment Value): Рассчитывается базовый прирост (может быть выше для Long Clicks). Затем применяется Fall-off Function для уменьшения этого значения для окружающих ячеек по мере удаления от центральной точки (центра карты или локации POI).
5. Обновление оценок: Существующие Scores в выбранных базах данных для выбранных ячеек увеличиваются на рассчитанные значения прироста.
6. Хранение: Обновленные оценки сохраняются.

Процесс Б: Идентификация Интересных POI — В реальном времени

1. Определение контекста пользователя: Система определяет текущее или целевое местоположение пользователя и его мобильность (скорость движения).
2. Выбор географических областей (ячеек): Определяется целевая ячейка. Выбирается набор окружающих ячеек. Количество выбранных ячеек может быть больше, если скорость высокая (водитель), и меньше, если скорость низкая (пешеход).
3. Идентификация кандидатов POI: Извлекаются все POI, имеющие оценки в базах данных выбранных ячеек. (Если введен запрос, извлекаются только соответствующие пары Запрос/POI из Query DB).
4. Определение оценок: Для каждого кандидата POI извлекаются его Scores из каждой выбранной ячейки.
5. Применение Fall-off (при ранжировании): Выбирается функция спада на основе мобильности пользователя (например, крутой спад для пешехода, пологий для водителя). Оценки из более удаленных ячеек умножаются на коэффициент из этой функции, уменьшая их вес.
6. Генерация комбинированной оценки (Combined Score): Взвешенные оценки для каждого POI суммируются по всем выбранным ячейкам.
7. Выбор и отображение: Выбирается подмножество POI с наивысшими Combined Scores. Результаты отображаются пользователю (например, в виде списка или на карте).

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Это ключевые данные для патента.
  • Исторические данные о кликах (Click Data).
  • Показатель кликабельности (Click-through-rate).
  • Продолжительность клика для определения Long Clicks.
  • Отзывы пользователей (user reviews, star ratings) — упоминаются как возможный фактор для корректировки оценок.
• Географические факторы:
  • Местоположение POI (координаты из Business Directory).
  • Местоположение пользователя (GPS, WiFi триангуляция).
  • Центр карты (Center of the map) во время исторических кликов.
  • Определения границ географических областей (Area Definitions).
• Пользовательские факторы:
  • Скорость движения мобильного устройства (используется для определения мобильности — пешеход vs водитель).
  • Направление движения устройства (heading) — используется для функций интерфейса, таких как Directional Icons и Pronto Button.
  • Принадлежность пользователя к кластеру (User Cluster) — упоминается возможность использования отдельных баз данных для разных кластеров пользователей со схожими интересами.

Какие метрики используются и как они считаются

• Score (Показатель интереса): Основная метрика, хранящаяся в Query DB и POI DB. Увеличивается при каждом релевантном взаимодействии пользователя.
• Increment Value (Значение прироста): Величина, на которую увеличивается Score при одном взаимодействии. Зависит от расстояния до центра взаимодействия (рассчитывается через Fall-off Function 1) и удовлетворенности пользователя (Long Click). Может быть нормализовано (например, от 0 до 1).
• Fall-off Function (Функция спада): Математическая функция (Гауссова, параболическая), используемая в двух контекстах:
  • При генерации оценок: Определяет, насколько сильно клик влияет на окружающие ячейки.
  • При ранжировании: Определяет вес оценок из окружающих ячеек при расчете Combined Score. Выбор функции зависит от мобильности пользователя.
• Combined Score (Комбинированная оценка): Агрегированная оценка для POI по нескольким выбранным ячейкам после применения функции спада при ранжировании. Используется для финального ранжирования по интересу.

Выводы

1. Квантификация «Локального Интереса»: Патент описывает сложную систему для математического определения того, что делает бизнес локально релевантным или «интересным». Это не просто популярность или близость, а измеримая связь между POI и конкретной географической областью, основанная на поведении пользователей.
2. Поведенческие сигналы как основа ранжирования: Клики, особенно Long Clicks (показатель удовлетворенности), являются прямым источником данных для расчета Interest Score. Это подтверждает критическую важность поведенческих факторов в локальном поиске.
3. Гранулярность локальности: Система не рассматривает город как единое целое. Оценки привязаны к конкретным географическим ячейкам (Geographic Areas). POI может быть очень «интересным» в одной ячейке и неинтересным в соседней.
4. Два типа локальной релевантности: Google разделяет релевантность на основе того, где пользователи ищут (центр карты в Query DB) и где находится бизнес (физическое местоположение в POI DB). Оба показателя способствуют общему интересу.
5. Мобильность пользователя влияет на результаты: Система динамически адаптирует радиус поиска и вес оценок в зависимости от того, как быстро движется пользователь (пешеход или водитель). Для водителей радиус шире и удаленные результаты имеют больший вес, чем для пешеходов.
6. Приоритет местных жемчужин перед сетями: Механизм разработан для выявления локальных фаворитов. Он также включает возможность уменьшения оценок для POI, которые присутствуют в слишком большом количестве географических областей (т.е. национальных сетей), чтобы снизить их доминирование.

Практика

Best practices (это мы делаем)

• Стимулирование локального вовлечения: Ключевая стратегия — поощрять клики и взаимодействия (например, просмотр сайта, изучение меню, построение маршрутов) от пользователей, которые физически находятся рядом с бизнесом. Это напрямую увеличивает Interest Score в соответствующих географических ячейках.
• Оптимизация под обнаружение на картах: Поскольку клики на картах напрямую влияют на Query Database, критически важно обеспечить видимость и привлекательность пина на Google Maps. Используйте привлекательные фото, актуальную информацию и собирайте отзывы, чтобы увеличить вероятность клика.
• Фокус на удовлетворенности пользователей (Long Clicks): Убедитесь, что целевая страница или веб-сайт удовлетворяет намерению пользователя. Патент явно указывает, что Long Clicks (когда пользователь долго остается на сайте) имеют больший вес при расчете прироста оценки. Улучшайте юзабилити и контент сайта.
• Построение локальной значимости (Local Prominence): Работайте над тем, чтобы ваш бизнес ассоциировался с районом. Участие в местных мероприятиях и получение локальных упоминаний (хотя и не описано в этом патенте напрямую) способствует повышению узнаваемости, что косвенно ведет к увеличению локальных поисковых запросов и кликов.

Worst practices (это делать не надо)

• Накрутка кликов и фейковое вовлечение: Попытки искусственно накрутить клики для повышения оценок в базах данных, скорее всего, будут неэффективны. Система учитывает Long Clicks (фильтруя короткие взаимодействия) и фильтрует повторные клики (duplicate selections).
• Игнорирование локального контекста: Для сетевых бизнесов опасно полагаться исключительно на узнаваемость национального бренда. Если у местных конкурентов показатели Interest Score в конкретных ячейках выше, сеть проиграет в локальном ранжировании.
• Низкое качество сайта и юзабилити: Предоставление плохого пользовательского опыта, ведущего к быстрым отказам (short clicks), будет активно снижать потенциальный прирост Interest Score.

Стратегическое значение

Этот патент имеет фундаментальное значение для понимания локального поиска Google. Он подтверждает, что поведенческие сигналы играют решающую роль в определении локальной релевантности. Стратегия Local SEO должна быть направлена на создание подлинного локального интереса и вовлечения. Система позволяет Google идентифицировать и продвигать «местные жемчужины», делая локальную выдачу более полезной и аутентичной. Понимание концепции географических ячеек и функций спада помогает объяснить, почему ранжирование может сильно меняться даже в пределах одного города и в зависимости от способа передвижения пользователя.

Практические примеры

Сценарий: Усиление локальной значимости через Query Database

1. Ситуация: Кофейня «LocalCoffee» находится на границе Района А и Района Б. Она хочет привлечь больше клиентов из Района А.
2. Применение патента: Система Google использует Query Database. Чтобы усилить связь «LocalCoffee» с Районом А, необходимо, чтобы пользователи выбирали (кликали) «LocalCoffee» в результатах поиска, когда центр их карты находится над Районом А.
3. Действия SEO: Запустить локальную рекламную кампанию или акцию, таргетированную строго на пользователей в Районе А, стимулируя их искать кофейню на карте и взаимодействовать с ее профилем (построить маршрут, позвонить).
4. Результат: Увеличение количества взаимодействий, где центр карты = Район А, приведет к увеличению оценки в Query Database Района А для «LocalCoffee», улучшая ее ранжирование для будущих поисков в этом районе.

Сценарий: Влияние мобильности пользователя на выдачу

1. Ситуация: Пользователь ищет «ресторан». В его районе есть Ресторан А (средний интерес), а в 5 км от него есть Ресторан Б (высокий интерес).
2. Применение патента: Система определяет скорость пользователя.
3. Вариант 1 (Пешеход): Система выбирает крутую Fall-off Function. Оценка Ресторана Б сильно уменьшается из-за расстояния. Ресторан А получает более высокий Combined Score.
4. Вариант 2 (Водитель): Система выбирает пологую Fall-off Function. Оценка Ресторана Б уменьшается незначительно. Ресторан Б получает более высокий Combined Score.
5. Результат: Пешеход увидит в топе Ресторан А, водитель – Ресторан Б. SEO-стратегия должна учитывать типичную мобильность целевой аудитории.

Вопросы и ответы