Как Google использует поисковые запросы на этапе «планирования», чтобы понять интересы путешественников в конкретной локации

Описание

Какую задачу решает

Патент решает задачу повышения релевантности контента (в частности, рекламы), предоставляемого пользователям, которые интересуются определенной географической локацией. Проблема заключается в необходимости различать интересы местных жителей и интересы посетителей (путешественников). Изобретение позволяет понять специфические потребности пользователей на этапе «планирования» (когда они находятся далеко от локации) и использовать эти агрегированные данные для таргетинга на будущих посетителей.

Что запатентовано

Запатентована система и метод анализа логов поисковых запросов (Query Logs) для выявления «поведения на этапе планирования». Это поведение определяется как ввод запросов, относящихся к определенной локации (Location of Interest), в то время как пользователь физически находится далеко от нее (превышая пороговое расстояние). Агрегированные данные об этом поведении используются для генерации Targeting Information для этой локации, которая затем применяется для подбора контента другим пользователям.

Как это работает

Ключевой механизм основан на анализе расстояния между пользователем и объектом его поиска:

• Сбор данных: Система накапливает логи запросов, фиксируя текст запроса, местоположение пользователя в момент запроса (Submission Location) и локацию, к которой относится запрос (Location of Interest).
• Фильтрация: Отбираются только те запросы (Candidate Queries), где расстояние между Submission Location и Location of Interest превышает заданный порог (например, 100 миль). Это изолирует запросы этапа планирования от локальных запросов.
• Анализ и Таргетинг: Отобранные запросы анализируются для выявления часто встречающихся тем и ключевых слов. Эта информация становится Targeting Information для данной локации.
• Применение: Когда другой пользователь находится рядом с этой локацией или проявляет к ней интерес, система использует ранее сгенерированную Targeting Information для предоставления ему релевантного контента.

Актуальность для SEO

Высокая. Понимание гео-контекста пользователя, разграничение локального и туристического интента, а также анализ поведения на разных этапах пользовательского пути (User Journey) остаются критически важными задачами для Google. Методы определения местоположения пользователя (включая анализ режимов «Дом/Работа/В пути») и моделирования интента, описанные в патенте, актуальны и сегодня.

Важность для SEO

Влияние на SEO оценивается как среднее-высокое (65/100). Патент в первую очередь описывает механизм для Content Management System, что часто подразумевает рекламный таргетинг (AdTech). Однако он раскрывает, как Google моделирует пользовательский интент, связанный с локациями, и системно различает намерения местных жителей и путешественников. Понимание того, какие запросы Google считает релевантными для этапа планирования, критически важно для формирования SEO-стратегий в сферах туризма (Travel) и локальных услуг (Local SEO).

Детальный разбор

Термины и определения

Candidate Query (Кандидатный запрос)

Запрос из исторического лога, удовлетворяющий критерию: он был отправлен из локации (Submission Location), удаленной от интересующей локации (Location of Interest) на расстояние, превышающее заданный порог. Отражает поведение на этапе планирования.

Content Management System (Система управления контентом)

Система, отвечающая за выбор и предоставление контента (часто рекламы). Включает Query Log Processor, Evaluation Engine и Content Selector.

Evaluation Engine (Механизм оценки)

Компонент, который анализирует Candidate Queries для определения Targeting Information. Например, выявляет часто используемые термины.

Location of Interest (LOI) (Интересующая локация)

Географическое место, к которому относится запрос. Определяется по тексту запроса или по области просмотра (map application viewport) в картографическом приложении в момент запроса.

Query Log (Лог запросов)

Хранилище исторических данных о запросах пользователей, включающее текст, временные метки, IP-адреса и информацию о местоположении.

Submission Location (Местоположение отправки запроса)

Физическое местоположение пользователя в момент отправки запроса. Определяется по IP, GPS (location based service) или через анализ режима пользователя (User Modes).

Targeting Information (Таргетинговая информация)

Данные (ключевые слова, темы), сгенерированные путем анализа Candidate Queries. Используются для подбора релевантного контента.

Threshold Distance/Value (Пороговое расстояние/значение)

Минимальное расстояние между Submission Location и LOI, необходимое для классификации запроса как Candidate Query. В патенте упоминается пример 100 миль.

User Modes (Режимы пользователя)

Классификация контекста пользователя: Дома (Home), На работе (Work) или В отъезде (Away/Travel). Определяется на основе анализа истории активности, времени суток и IP-адресов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления контента.

1. Система получает доступ к историческим логам запросов.
2. Определение Location of Interest (LOI) для записей (на основе текста запроса или вида карты).
3. Определение Submission Location (SL) (где был пользователь) для записей.
4. Вычисление расстояния между LOI и SL для каждой записи.
5. Идентификация записи как Candidate Query ТОЛЬКО если вычисленное расстояние превышает пороговое значение (Threshold value).
6. Оценка Candidate Queries для определения Targeting Information для данной LOI.
7. Получение запроса на контент от пользователя (другого пользователя), который находится рядом с LOI или проявил к ней интерес.
8. Предоставление контента этому пользователю на основе определенной Targeting Information.

Ядром изобретения является использование порогового расстояния (шаг 5) для изоляции «поведения планирования» от локального поведения и последующее использование этих данных для таргетинга.

Claim 2, 4, 5, 9 (Зависимые): Уточняют методы определения Submission Location.

• Местоположение может быть определено на основе IP-адреса (Claim 2).
• Местоположение может быть определено на основе режима пользователя (User Mode): на работе, дома или в пути (Claim 4).
• Местоположение может быть получено от службы геолокации (например, GPS) на устройстве (Claim 5).
• Местоположение может быть основано на времени отправки запроса (например, рабочие часы указывают на рабочее местоположение) (Claim 9).

Claim 3 (Зависимый): Описывает процесс определения режимов пользователя.

Если обрабатывается лог конкретного пользователя, обработка включает сортировку его запросов как минимум на три группы (Дом, Работа, В пути) на основе того, откуда были отправлены запросы.

Claim 6 (Зависимый): Детализирует определение LOI при использовании карт.

Если запрос был подан через поисковую строку в приложении карт, LOI определяется как локация, которая отображалась в окне просмотра (viewport) карты в момент подачи запроса.

Где и как применяется

Изобретение применяется на нескольких этапах поиска, включая офлайн-анализ данных и применение результатов в реальном времени в Системе управления контентом (Content Management System).

QUNDERSTANDING – Понимание Запросов (Офлайн-анализ)
Основная часть работы алгоритма происходит здесь, до получения запроса пользователя. Query Log Processor и Evaluation Engine периодически анализируют исторические Query Logs. Происходит определение LOI и SL, расчет расстояний, фильтрация Candidate Queries и построение базы данных Targeting Information. Это процесс понимания того, какие запросы связаны с локациями на этапе планирования.

RERANKING – Переранжирование / METASEARCH – Метапоиск и Смешивание (Применение в реальном времени)
На этих этапах изобретение применяется для персонализации выдачи или выбора рекламы. Когда пользователь отправляет запрос, система определяет его контекст (текущее местоположение или LOI). Если для этой локации существует предварительно рассчитанная Targeting Information, Content Selector использует ее для выбора наиболее релевантного контента.

Входные данные (Офлайн):

• Исторические Query Logs (Текст запроса, Временная метка, IP/GPS).
• Данные картографических сессий (область просмотра карты).

Выходные данные (Офлайн):

• База данных Targeting Information, индексированная по локациям.

Входные данные (Реальное время):

• Запрос пользователя и его текущий контекст (местоположение/интерес).

Выходные данные (Реальное время):

• Таргетированный контент (например, реклама), соответствующий профилю интересов путешественника.

На что влияет

• Конкретные ниши или тематики: Критически важно для сфер туризма, гостиничного бизнеса, ресторанов, мероприятий и любых локальных услуг, ориентированных на посетителей (Travel & Local).
• Специфические запросы: Влияет на интерпретацию локально-ориентированных запросов. Помогает системе различать интент местного жителя и туриста.
• Типы контента: В первую очередь влияет на таргетированную рекламу. Также может влиять на персонализированные рекомендации в Картах или Поиске (Local Pack).

Когда применяется

• Триггеры активации (Офлайн): Процесс анализа логов запускается периодически для обновления Targeting Information.
• Триггеры активации (Реальное время): Механизм активируется, когда система получает запрос от пользователя, который физически находится рядом с LOI (особенно если он идентифицирован как путешественник/Away) ИЛИ явно выражает интерес к LOI.
• Пороговые значения: Ключевым является Threshold Distance (пороговое расстояние, например, 100 миль), используемое в офлайн-процессе для отделения локальных запросов от запросов планирования.

Пошаговый алгоритм

Процесс А: Офлайн-генерация таргетинговой информации

1. Сбор данных: Получение доступа к историческим Query Logs.
2. Определение местоположений: Для каждой записи в логе:
   • Определить Submission Location (SL) (используя IP, GPS или анализ User Modes: Дом/Работа/В пути).
   • Определить Location of Interest (LOI) (анализируя текст запроса или данные области просмотра карты).
3. Вычисление расстояния: Рассчитать дистанцию между SL и LOI.
4. Фильтрация (Определение Candidate Queries): Сравнить расстояние с Threshold Distance. Если расстояние превышает порог, пометить запрос как Candidate Query.
5. Группировка и Анализ: Сгруппировать Candidate Queries по их LOI. Проанализировать сгруппированные запросы с помощью Evaluation Engine для выявления часто используемых терминов и тем.
6. Сохранение: Сформировать Targeting Information для LOI и сохранить ее в базе данных.

Процесс Б: Применение таргетинговой информации в реальном времени

1. Получение запроса: Система получает запрос на контент от пользователя.
2. Определение контекста пользователя: Система определяет, что пользователь находится рядом с LOI или проявил к ней интерес.
3. Извлечение данных: Content Selector запрашивает Targeting Information для этой LOI из базы данных.
4. Выбор контента: Content Selector выбирает контент (например, рекламу), который соответствует извлеченной Targeting Information (т.е. соответствует историческим интересам планировщиков/путешественников).
5. Предоставление контента: Выбранный контент предоставляется пользователю.

Какие данные и как использует

Данные на входе

Система использует комбинацию различных типов данных из логов запросов:

• Географические факторы: Критически важные данные. IP-адреса, данные GPS (location based service) для определения Submission Location. Географические данные из текста запроса или контекста просмотра карты (viewport) для определения Location of Interest.
• Контентные факторы: Текст запроса. Используется для определения LOI и как источник данных для генерации Targeting Information.
• Временные факторы: Временные метки запросов (time that the query was submitted). Используются для определения User Modes (например, рабочие часы vs. вечернее время).
• Поведенческие/Пользовательские факторы: Исторические паттерны запросов и локаций пользователя (используя идентификаторы) для определения режимов Home/Work/Away. Взаимодействие с результатами поиска или рекламой также может фиксироваться в логах.

Какие метрики используются и как они считаются

• Distance (Расстояние): Вычисляется между геокоординатами Submission Location и Location of Interest.
• Threshold Distance (Пороговое расстояние): Предопределенное значение (например, 100 миль). Используется как фильтр для идентификации Candidate Queries.
• Frequency Analysis (Частотный анализ): Анализ терминов в Candidate Queries. Наиболее часто используемые термины становятся основой для Targeting Information.
• User Mode Classification (Классификация режима пользователя): Метрика (Home/Work/Away). Рассчитывается на основе анализа исторических данных пользователя: определение IP-адресов/локаций, связанных с рабочим и нерабочим временем. Если текущая локация значительно отличается от Home и Work, определяется режим Away.

Выводы

1. Разделение интента: Местный vs. Путешественник: Google активно использует физическое расстояние между пользователем и объектом поиска как ключевой сигнал для понимания интента. Система специально разработана для изоляции интересов путешественников (фаза планирования) от интересов местных жителей.
2. Поведение на этапе планирования как сигнал релевантности: Запросы, сделанные издалека (Candidate Queries), считаются сильными сигналами того, что будет актуально для будущих посетителей локации.
3. Агрегированное поведение определяет профиль локации: Targeting Information для локации формируется на основе агрегированных данных о том, как пользователи взаимодействуют с этой локацией удаленно. Релевантность контента для туристов определяется историческими паттернами.
4. Сложное определение контекста (User Modes): Система не полагается только на текущий IP/GPS, но анализирует историю пользователя для определения его контекста (Дома, На работе, В пути), что позволяет точнее интерпретировать намерения.
5. Важность данных из Карт: Активность пользователя в картографических сервисах (просмотр области) является важным источником для определения Location of Interest, даже без явного упоминания в тексте запроса.
6. Фокус на AdTech с последствиями для SEO: Хотя патент описывает инфраструктуру для таргетинга контента (рекламы), базовые механизмы анализа логов и определения географического интента являются фундаментальными для работы поиска и влияют на понимание релевантности в SEO.

Практика

Best practices (это мы делаем)

• Исследование ключевых слов этапа планирования: SEO-специалистам в нишах туризма и локальных услуг необходимо исследовать, что пользователи ищут до визита. Это запросы, которые Google агрегирует как Candidate Queries (планирование маршрутов, обзоры достопримечательностей, бронирование).
• Сегментация контента по стадиям путешествия: Разрабатывайте контент, отвечающий на запросы этапа планирования. Например, путеводители, советы по посещению, маршруты. Этот контент должен соответствовать Targeting Information, которую Google генерирует для вашей локации, разделяя его от контента для тех, кто уже на месте.
• Усиление локальной авторитетности (Local SEO): Обеспечьте четкую ассоциацию вашего бизнеса с Location of Interest через оптимизацию Google Business Profile и присутствие на Картах. Патент подчеркивает использование взаимодействия с картами для определения LOI.
• Оптимизация под сущности и достопримечательности: Поскольку пользователи часто ищут конкретные достопримечательности на этапе планирования (например, Alcatraz в патенте), контент, связанный с этими сущностями, будет высокорелевантным для Targeting Information.

Worst practices (это делать не надо)

• Фокус только на запросах «рядом со мной» (near me): Оптимизация исключительно под запросы пользователей, которые уже находятся на месте, игнорирует большой сегмент пользователей на этапе планирования.
• Игнорирование интента путешественника: Создание контента, ориентированного только на местных жителей, если бизнес зависит от туризма. Google использует разные модели для этих аудиторий.
• Универсальный подход к локальному контенту: Попытка угодить всем сегментам (местным и туристам) одной страницей без учета разницы в их потребностях и фазе принятия решения.

Стратегическое значение

Патент подтверждает стратегию Google на глубокое понимание контекста пользователя через анализ больших данных (логов запросов). Для SEO это означает, что релевантность все более зависит от контекста и этапа пользовательского пути (User Journey). Понимание того, как Google агрегирует данные об удаленных интересах, позволяет более точно настраивать контент-стратегию для привлечения целевой аудитории на разных этапах воронки, от планирования до визита.

Практические примеры

Сценарий: Таргетинг на туристов в Сан-Франциско (на основе примера из патента)

1. Офлайн-анализ: Google анализирует логи и обнаруживает, что пользователи из Оушенсайда (464 мили) и Сан-Диего (503 мили) часто ищут «Historic attractions» и «Alcatraz tours» применительно к Сан-Франциско.
2. Фильтрация: Система определяет, что расстояние превышает порог (например, 100 миль). Эти запросы становятся Candidate Queries.
3. Генерация Targeting Information: Для LOI=»Сан-Франциско» генерируется Targeting Information, включающая ключевые слова «Alcatraz tours» и «Historic attractions».
4. Онлайн-применение: Пользователь из Юмы (Аризона) приезжает в Сан-Франциско. Он открывает веб-страницу (например, прогноз погоды).
5. Таргетинг: Content Management System определяет, что пользователь находится в LOI=»Сан-Франциско» (и, вероятно, в режиме «Away») и использует предварительно вычисленную Targeting Information.
6. Результат: Пользователю показывается реклама «Alcatraz Tours» и «Come Visit Fisherman’s Wharf», так как эти темы были определены как высокорелевантные для посетителей на основе анализа исторических данных планирования.

Вопросы и ответы