Как Google использует популярность категорий (на основе кликов пользователей) для определения того, какие локальные объекты (POI) отображать на карте по умолчанию

Описание

Какую задачу решает

Патент решает проблему перегруженности картографического интерфейса (map clutter). Когда в определенной области существует слишком много точек интереса (Points of Interest, POI), одновременное отображение их всех делает карту нечитаемой. Изобретение предлагает механизм для определения того, какие POI являются наиболее востребованными или полезными (useful), и приоритизирует их отображение при данном уровне масштабирования, скрывая менее важные.

Что запатентовано

Запатентована система для приоритизации отображения POI на карте на основе популярности категорий, к которым эти POI принадлежат. Популярность измеряется путем анализа взаимодействий пользователей (user interactions, например, кликов). Система вычисляет Category Score для каждой категории и использует его для расчета Priority Score конкретного POI. Ключевой особенностью является метод нормализации (стабилизации/сглаживания) данных, который обеспечивает справедливую оценку для небольших или нишевых категорий.

Как это работает

Система работает в несколько этапов:

• Сбор данных: Анонимно логируются взаимодействия пользователей (клики/выборы) с POI на картах или в результатах поиска (Logging Module).
• Агрегация: Для каждой категории подсчитывается общее количество взаимодействий и общее количество листингов.
• Нормализация (Сглаживание): Чтобы избежать искажений из-за малого объема данных, система добавляет предопределенное количество «виртуальных» листингов и ожидаемое среднее количество взаимодействий к данным каждой категории.
• Расчет Category Score: Вычисляется среднее количество взаимодействий на один листинг с использованием скорректированных (нормализованных) данных (Category Module).
• Ограничение (Capping): Для категорий с низкой важностью отображения (Low Display Importance) оценка может быть искусственно ограничена.
• Приоритизация: Для каждого POI рассчитывается Priority Score на основе Category Scores связанных с ним категорий (Ranking Module). При рендеринге карты отображаются POI с наивысшими Priority Scores.

Актуальность для SEO

Высокая. Управление отображением информации (Place Labels) на картах и использование популярности для приоритизации являются фундаментальными задачами для картографических сервисов. Описанная логика использования популярности категорий и необходимость нормализации данных остаются крайне актуальными для понимания видимости в Local SEO.

Важность для SEO

Патент имеет значительное влияние на Local SEO (7/10), особенно в части видимости на самом полотне карты (Map Canvas/Place Labels). Он описывает механизм, который напрямую контролирует, будет ли бизнес виден на картографическом интерфейсе при различных уровнях масштабирования, независимо от его ранжирования по конкретному запросу в Local Pack. Если категория бизнеса не популярна, его видимость на карте по умолчанию будет ниже.

Детальный разбор

Термины и определения

Category (Категория)

Характеристика или тип POI (например, «ресторан», «пиццерия»). POI может быть связан с несколькими категориями, которые могут быть организованы в иерархический граф (hierarchical graph).

Category Score (Оценка категории)

Метрика, представляющая популярность или полезность категории. Рассчитывается на основе среднего количества взаимодействий пользователей на один листинг в этой категории после нормализации.

Low Display Importance (Низкая важность отображения)

Обозначение для категорий, которые система считает менее полезными для отображения на карте по умолчанию (например, «пожарная станция», «отель»), даже если они получают много взаимодействий. Для таких категорий Category Score может быть ограничен (capped).

Normalization / Stabilization (Нормализация / Стабилизация / Сглаживание)

Процесс корректировки данных для стабилизации оценок категорий с небольшим количеством листингов. Включает добавление предопределенного количества листингов (predetermined number of points of interest) и ожидаемого количества взаимодействий (expected number of user selections) к данным каждой категории.

POI (Point of Interest) Listing (Листинг Точки Интереса)

Структура данных, хранящая информацию о конкретном локальном объекте (бизнес, парк и т.д.).

Priority Score (Оценка приоритета)

Итоговая оценка, рассчитываемая для POI, которая определяет вероятность его отображения на карте. Основана на Category Scores и других факторах.

User Interaction / User Selection (Взаимодействие пользователя / Выбор пользователя)

Сигнал от пользователя, связанный с POI. В контексте патента это в основном выбор (клик или касание) POI на карте или в интерфейсе результатов поиска.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод приоритизации POI, включая специфический процесс нормализации данных.

1. Система обнаруживает множество выборов пользователей (user selections) для POI.
2. Для каждой категории выполняются следующие шаги (Процесс Нормализации):
   1. Подсчет фактического количества выборов, связанных с категорией.
   2. Определение фактического количества POI в категории.
   3. Расчет скорректированного количества POI (adjusted number of points of interest) путем добавления предопределенного числа POI к фактическому числу.
   4. Определение ожидаемого количества выборов (expected number of user selections) для добавленного числа POI.
   5. Расчет скорректированного количества выборов (adjusted number of selections) путем добавления ожидаемого количества к фактическому.
   6. Определение Category Score на основе скорректированного количества POI и скорректированного количества выборов.
3. Расчет Priority Score для каждого POI на основе множества факторов, включая средний Category Score (average category score) для категорий, связанных с этим POI.
4. Приоритизация отображения POI на карте на основе Priority Score.

Ядром изобретения является защищенный метод нормализации (шаги c-f). Он стабилизирует расчет популярности категорий путем добавления «виртуальных» данных (предопределенного количества листингов и ожидаемых взаимодействий) ко всем категориям. Это позволяет избежать ситуации, когда категории с малым объемом данных (например, «Мэрия»/»City Hall») получают неоправданно высокие или низкие оценки из-за статистических флуктуаций или недостатка данных в выборке.

Claim 5 (Зависимый от 1): Детализирует обработку категорий с низкой важностью отображения.

1. Идентификация категории, обозначенной как low display importance category.
2. Проверка, превышает ли Category Score этой категории предопределенный порог.
3. Если превышает, Category Score устанавливается равным этому порогу (ограничивается сверху/capping).

Этот пункт защищает механизм, позволяющий Google вручную или алгоритмически подавлять отображение определенных типов POI на карте, независимо от данных о взаимодействии с пользователями.

Где и как применяется

Изобретение применяется в контексте картографических сервисов (например, Google Maps) для управления видимостью меток мест (Place Labels).

CRAWLING / Data Acquisition – Сбор данных
Logging Module непрерывно собирает поведенческие данные – взаимодействия пользователей с POI.

INDEXING – Индексирование и извлечение признаков (Офлайн-анализ)
На этом этапе POI индексируются и категоризируются. Также в офлайн-режиме (периодически) Category Module анализирует логи взаимодействий, выполняет нормализацию и рассчитывает Category Scores для всех категорий.

RANKING / METASEARCH – Ранжирование / Метапоиск (В реальном времени)
Основное применение патента. Когда система генерирует вид карты для пользователя:

1. Определяется набор POI, находящихся в видимой области карты.
2. Ranking Module рассчитывает Priority Score для каждого POI, используя предварительно вычисленные Category Scores.
3. Map Module решает, какие из этих POI отобразить, основываясь на Priority Score, текущем масштабе (zoom level) и плотности карты, чтобы избежать перегруженности.

Это не алгоритм ранжирования в поиске (определения релевантности запросу), а алгоритм приоритизации отображения (определения важности POI для визуализации).

Входные данные:

• Анонимизированные логи взаимодействий пользователей (User Interactions).
• База данных POI (локация, категории).
• Параметры нормализации (константы для добавления виртуальных данных).
• Список категорий Low Display Importance и их пороги.

Выходные данные:

• Category Scores для всех категорий.
• Приоритезированный список POI (с Priority Scores) для отображения на карте.

На что влияет

• Конкретные типы контента: Влияет исключительно на Точки Интереса (POI) – локальные бизнесы, достопримечательности и т.д. Не влияет на ранжирование веб-страниц.
• Специфические запросы: Наиболее заметно влияние при просмотре карты без явного поискового запроса (browsing/discovery) или при широких запросах. При прямых навигационных запросах приоритет отображения может быть переопределен.
• Конкретные ниши или тематики: Сильно влияет на видимость бизнесов в зависимости от популярности их категории. Рестораны (популярная категория) будут иметь преимущество в отображении перед, например, нотариусами (менее популярная категория).
• Географические ограничения: В патенте упоминается, что Category Scores могут рассчитываться отдельно для разных рынков (markets) или географических областей.

Когда применяется

• Условия работы алгоритма: Применяется при каждом рендеринге картографического интерфейса.
• Триггеры активации: Необходимость фильтрации POI. Активируется, когда плотность POI в видимой области превышает возможности для четкого отображения (возникает перегрузка/clutter). Также активируется при изменении масштаба (zoom-in/zoom-out) или прокрутке карты.

Пошаговый алгоритм

Алгоритм состоит из двух основных процессов: офлайн-расчета оценок категорий и приоритизации отображения в реальном времени.

Процесс А: Офлайн-расчет Category Score (Периодический)

1. Сбор данных: Логирование взаимодействий пользователей (кликов/выборов) с POI за определенный период времени (например, две недели). Может использоваться сэмплирование данных.
2. Агрегация: Для каждой категории подсчитывается общее количество взаимодействий (Category Count) и общее количество листингов (Category Size).
3. Нормализация (Сглаживание):
   1. Определение констант: предопределенное количество добавляемых листингов (например, 100) и средняя частота взаимодействий для всех POI в системе (например, 1.5 клика/листинг).
   2. Расчет ожидаемых взаимодействий: 100 * 1.5 = 150.
   3. Корректировка размера: Adjusted Size = Category Size + 100.
   4. Корректировка взаимодействий: Adjusted Count = Category Count + 150.
4. Расчет Category Score: Category Score = Adjusted Count / Adjusted Size.
5. Применение ограничений (Capping): Для категорий, помеченных как low display importance, проверяется, превышает ли Category Score установленный порог. Если да, оценка ограничивается этим порогом.
6. Сохранение оценок: Category Scores сохраняются для использования в реальном времени.

Процесс Б: Приоритизация отображения (Реальное время)

1. Определение контекста: Получение запроса на генерацию карты (область, масштаб).
2. Выборка кандидатов: Идентификация всех POI, расположенных в данной области.
3. Расчет Priority Score: Вычисление Priority Score для каждого POI. Если POI имеет несколько категорий, используется среднее значение их Category Scores (согласно Claim 1). В описании патента также упоминается возможность использования максимального значения (maximum category score). Priority Score может также учитывать другие факторы.
4. Выбор POI для отображения: Выбор POI с наивысшими Priority Scores (Топ-N или выше порога) до достижения оптимальной плотности меток на карте.
5. Рендеринг карты: Отображение выбранных POI.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Ключевые данные – User Interactions / User Selections. Конкретно упоминаются клики или выборы POI на карте или в результатах поиска. Данные собираются анонимно (anonymously log) и агрегируются.
• Структурные факторы (Данные POI): Categories, связанные с каждым POI. Это критически важно для связи поведения пользователей с оценкой приоритета. Также используется общее количество листингов в каждой категории.
• Географические факторы: Упоминается, что данные могут различаться в разных рынках (географических областях), что подразумевает расчет Category Scores для конкретных регионов.

Какие метрики используются и как они считаются

• Category Count и Category Size: Сырые данные о количестве взаимодействий и листингов в категории.
• Adjusted Category Count/Size (Скорректированные значения): Нормализованные значения, рассчитанные по формулам:
  Adjusted Size = Category Size + Predetermined Number of Listings
  Adjusted Count = Category Count + Expected Interactions for Predetermined Number
• Category Score: Основная метрика популярности категории. Рассчитывается как среднее количество взаимодействий на листинг после нормализации:
  Category Score = Adjusted Count / Adjusted Size.
• Priority Score: Итоговая оценка POI. Рассчитывается по взвешенной формуле, где Category Score (средний или максимальный) является одним из факторов. Пример формулы из патента: Priority Score = (w1*f1) + (w2*f2) + …. Другие факторы (f2, f3…) могут включать рейтинг отзывов (review ratings) или веб-присутствие (web presence), которые также упоминаются в патенте.
• Пороговые значения: Используются для ограничения (capping) Category Score для категорий low display importance.

Выводы

1. Видимость на карте зависит от популярности категории: Приоритет отображения POI на карте (Place Label) напрямую зависит от того, насколько часто пользователи взаимодействуют с другими POI в той же категории. Видимость бизнеса определяется не только его личными качествами, но и общей популярностью его ниши.
2. Взаимодействие пользователей (клики) – это валюта популярности: Патент явно использует клики и выборы POI как основной сигнал для расчета Category Score.
3. Google активно нормализует данные для защиты нишевых категорий: Механизм нормализации (сглаживания) критически важен. Он предотвращает ситуацию, когда нишевые категории автоматически проигрывают из-за малого объема данных, сглаживая статистические выбросы путем добавления «виртуальных» средних данных.
4. Управление несколькими категориями: Если POI принадлежит к нескольким категориям, система может использовать среднее (согласно Claim 1) или максимальное (согласно описанию) значение Category Score. Правильная категоризация становится стратегической задачей.
5. Существование редакционного контроля отображения: Google оставляет за собой право ограничивать видимость определенных категорий (low display importance), даже если они популярны. Это механизм контроля над видом карты.
6. Разделение ранжирования и отображения: Этот патент подчеркивает разницу между ранжированием в локальном поиске (ответ на запрос в Local Pack) и приоритетом отображения на карте (визуализация Place Labels). Можно иметь высокий ранг, но низкий приоритет отображения, если категория не популярна.

Практика

Best practices (это мы делаем)

• Точная и стратегическая категоризация в GBP: Выбор основной и дополнительных категорий в Google Business Profile критически важен. Необходимо выбирать наиболее релевантные категории, но также учитывать их потенциальную популярность. Если бизнес соответствует категории с высоким уровнем пользовательского интереса (высокий Category Score), его шансы появиться на карте в виде метки увеличиваются.
• Использование полного набора релевантных категорий: Поскольку Priority Score может рассчитываться на основе среднего или максимального Category Score, добавление дополнительных релевантных и популярных категорий может повысить общую оценку приоритета POI.
• Оптимизация GBP для вовлечения (косвенно): Поскольку Category Score основан на взаимодействиях пользователей (кликах), необходимо максимизировать привлекательность профиля (фото, отзывы, Posts). Это увеличивает вероятность клика, что положительно влияет на общую статистику категории (Category Score) в вашем регионе.
• Анализ видимости конкурентов на карте: Изучайте, какие объекты отображаются на карте по умолчанию при разных уровнях масштабирования. Анализируйте их набор категорий в GBP, чтобы выявить потенциально «приоритетные» категории в вашей нише.

Worst practices (это делать не надо)

• Манипуляции с категориями (Category Spam): Добавление нерелевантных, но популярных категорий в надежде искусственно повысить Category Score. Это нарушает правила Google. Кроме того, если используется среднее значение (как указано в Claim 1), добавление низкоскоринговых категорий может снизить приоритет.
• Выбор только категорий с низкой важностью отображения: Если бизнес классифицирован только в категориях, которые Google считает low display importance (например, некоторые B2B услуги или инфраструктурные объекты), его видимость может быть искусственно ограничена (capped).
• Игнорирование оптимизации GBP: Слабо заполненный профиль генерирует мало взаимодействий. Это снижает вероятность отображения бизнеса на карте и вносит негативный вклад в Category Score всей категории.

Стратегическое значение

Патент подтверждает, что Google использует сложные, основанные на агрегированных поведенческих данных механизмы для управления визуализацией карты. Он демонстрирует, что видимость в локальном поиске — это многофакторная задача. Для SEO-стратегии это подчеркивает важность понимания контекста видимости: ранжирование по запросу (Local Pack) и приоритизация отображения на карте (Place Labels) — это два разных процесса, управляемых разными алгоритмами.

Практические примеры

Сценарий 1: Приоритизация популярных категорий

1. Контекст: Пользователь просматривает карту центра города на среднем уровне масштабирования. В одном здании находятся кафе и офис нотариуса.
2. Данные: Категория «Кафе» имеет высокий Category Score (много взаимодействий). Категория «Нотариус» имеет низкий Category Score.
3. Действие системы: Система рассчитывает Priority Score. У кафе он значительно выше.
4. Результат: При данном масштабе на карте отображается иконка кафе. Иконка нотариуса скрыта и появится только при большем приближении (zoom-in).

Сценарий 2: Эффект нормализации (сглаживания) для нишевого бизнеса

Этот пример иллюстрирует, как работает сглаживание данных (Claim 1).

1. Контекст: Сравнение категории «Музыкальный магазин» (1000 листингов, 2000 кликов) и «Магазин винтажных гитар» (5 листингов, 50 кликов).
2. Расчет без нормализации: «Музыкальный магазин» = 2 клика/листинг. «Винтажные гитары» = 10 кликов/листинг. Кажется, что ниша популярнее, но данные нестабильны из-за малого объема.
3. Нормализация (Предположим, система добавляет 100 виртуальных листингов и 150 ожидаемых кликов ко всем категориям):
   1. «Музыкальный магазин»: (2000+150) / (1000+100) = 2150 / 1100 ≈ 1.95.
   2. «Винтажные гитары»: (50+150) / (5+100) = 200 / 105 ≈ 1.90.
4. Результат: После нормализации Category Scores выровнялись. Система понимает, что реальная популярность категорий схожа, и не дает нестабильным данным исказить приоритеты отображения.

Вопросы и ответы