Как Google рассчитывает локальную релевантность («интересность») бизнеса, анализируя клики пользователей в конкретных географических зонах

Описание

Какую задачу решает

Патент решает задачу идентификации точек интереса (POI), которые сильно связаны с определенной местностью или районом (locally relevant), и отделения их от бизнесов, которые могут быть популярны на национальном уровне (например, крупные сети), но не являются локально значимыми. Цель — улучшить качество локального поиска, предлагая пользователям так называемые «местные жемчужины» (neighborhood gems) или заведения «для местных» (for locals), а не просто ближайшие или самые популярные в целом результаты.

Что запатентовано

Запатентована система для расчета и использования оценки «интересности» (Score) точек интереса (POI) относительно конкретных географических областей (Cells или Localities). Система использует исторические данные о взаимодействии пользователей (клики по результатам поиска) и связывает эти взаимодействия с конкретными географическими ячейками. Для определения релевантности система агрегирует эти оценки из нескольких соседних ячеек, применяя функции спада (fall-off functions), которые учитывают расстояние и мобильность пользователя (например, пешком или на машине).

Как это работает

Система работает в двух основных режимах: накопление данных и ранжирование.

1. Накопление данных (Офлайн): Мир разделен на географические ячейки. Когда пользователи кликают на результаты поиска (особенно на карте), система увеличивает Score для этого POI в базах данных соответствующих ячеек (Query Database и POI Database). Увеличение оценки также происходит в соседних ячейках, но с меньшим весом (функция спада). Удовлетворенность пользователя (например, Long Clicks) может увеличивать прирост оценки.
2. Ранжирование (Реальное время): Когда пользователь выполняет поиск, система определяет его местоположение и мобильность (скорость). Она выбирает целевую ячейку и окружающие ее ячейки (больше ячеек, если пользователь едет быстро). Затем она извлекает Scores для кандидатов из всех этих ячеек, применяет функцию спада в зависимости от расстояния и мобильности, и генерирует Combined Score. POI с наивысшим Combined Score считаются наиболее «интересными».

Актуальность для SEO

Высокая. Определение локальной релевантности и авторитетности сущностей (бизнесов, мест) в контексте конкретного географического района остается фундаментальной задачей для Google Maps и локального поиска. Механизмы, описанные в патенте, предоставляют конкретную модель для количественной оценки того, насколько сильно бизнес ассоциируется с районом на основе поведения пользователей.

Важность для SEO

Патент имеет критическое значение для стратегий локального SEO (Local SEO). Он демонстрирует, что общая популярность или близость не являются единственными факторами. Ключевым является накопление сигналов взаимодействия (кликов) от пользователей, чьи поисковые запросы были связаны с конкретной географической областью. Это подчеркивает необходимость генерации подлинного локального интереса и вовлеченности для повышения локальной релевантности (Interestingness).

Детальный разбор

Термины и определения

Combined Score (Комбинированная оценка)

Итоговая оценка «интересности» POI, рассчитанная путем агрегации взвешенных оценок (Scores) из нескольких выбранных географических ячеек (целевой и окружающих).

Fall-off Function (Функция спада)

Функция (например, гауссова или параболическая), используемая для уменьшения влияния по мере увеличения расстояния. Используется в двух контекстах: 1) при накоплении данных для уменьшения прироста оценки в ячейках, удаленных от центра взаимодействия; 2) при ранжировании для уменьшения веса оценок из ячеек, удаленных от пользователя.

Geographic Area / Cell / Locality (Географическая область / Ячейка / Местность)

Небольшой участок географического региона (например, квадрат 0.25 мили), для которого система ведет отдельные базы данных оценок интереса.

Interesting POI (Интересный POI)

Точка интереса, которую пользователи сильно ассоциируют с данной местностью. Определяется высоким Combined Score. Противопоставляется общепопулярным или нерелевантным для местности POI.

Long Click (Длинный клик)

Взаимодействие пользователя с результатом поиска, при котором пользователь остается на целевом сайте в течение минимального периода времени. Используется как индикатор удовлетворенности пользователя (satisfaction).

POI (Point-of-Interest, Точка интереса)

Конкретное место или бизнес (ресторан, магазин, музей и т.д.).

POI Database (База данных POI)

База данных, связанная с конкретной географической ячейкой. Хранит оценки (Scores) для POI, отражающие силу связи между POI и этой ячейкой, независимо от запроса. Оценки обновляются на основе физического местоположения POI.

Query Database (База данных запросов)

База данных, связанная с конкретной географической ячейкой. Хранит оценки (Scores) для пар Запрос/POI. Отражает силу связи между запросом, POI и этой ячейкой. Оценки обновляются на основе центра карты в момент клика пользователя.

Score (Оценка интереса)

Показатель того, насколько POI или пара Запрос/POI ассоциируется с конкретной географической ячейкой. Увеличивается на основе частоты и качества (например, Long Clicks) выбора пользователями.

Ключевые утверждения (Анализ Claims)

Патент US9057616B1 является дивизионным (divisional) патентом. Его формула изобретения (Claims) сосредоточена на процессе поиска (Retrieval) и ранжирования интересных POI с использованием предварительно рассчитанных оценок.

Claim 1 (Независимый пункт): Описывает метод идентификации и ранжирования POI.

1. Идентификация POI, связанных с одной или несколькими из множества выбранных географических областей.
2. Определение для каждой из этих областей оценки (Score), связанной с идентифицированными POI.
3. Генерация комбинированной оценки (Combined Score) для каждого POI на основе определенных оценок.
4. Выбор подмножества POI на основе как минимум Combined Scores.
5. Отображение ссылки на POI из этого подмножества.

Это ядро процесса ранжирования: агрегация локализованных сигналов из нескольких смежных зон для определения общей релевантности в целевом местоположении.

Claim 6 (Зависимый от 1): Уточняет механизм генерации комбинированной оценки.

Генерация Combined Score включает применение функции спада (fall-off function) к оценкам, связанным с идентифицированными POI для каждой из географических областей. Это означает, что оценки из более удаленных ячеек имеют меньший вес в итоговом результате.

Claim 7 и 8 (Зависимые от 6): Уточняют выбор функции спада на основе контекста пользователя.

Процесс включает определение скорости мобильного устройства (Claim 7) и выбор функции спада (fall-off function) на основе этой определенной скорости (Claim 8). Это ключевой элемент адаптации: для быстрых пользователей (водителей) спад более плавный (влияние оценок распространяется дальше), для медленных (пешеходов) — более резкий (приоритет близости).

Где и как применяется

Изобретение затрагивает этапы индексирования (в части обработки сигналов) и ранжирования, особенно в контексте локального поиска (Local Search) и Google Maps.

INDEXING – Индексирование и извлечение признаков (Обработка сигналов)
Хотя Claims этого патента фокусируются на ранжировании, механизм предполагает предварительную офлайн-обработку (описанную в спецификации и родительском патенте). Система анализирует логи кликов по результатам поиска, определяет географический контекст клика и обновляет Scores в соответствующих Query Databases и POI Databases для разных географических ячеек. Это формирование индекса локальной «интересности».

RANKING – Ранжирование
Основное применение патента (как определено в Claim 1). При обработке локального запроса (явного или неявного):

1. Определение контекста: Система определяет местоположение пользователя и его мобильность (скорость).
2. Выбор ячеек: На основе местоположения и мобильности выбирается набор географических ячеек (целевая и окружающие).
3. Извлечение и взвешивание оценок: Из баз данных выбранных ячеек извлекаются Scores для POI-кандидатов.
4. Применение Fall-off: К оценкам применяется функция спада, выбранная на основе мобильности пользователя.
5. Агрегация: Рассчитывается Combined Score для каждого POI.
6. Ранжирование: POI сортируются по Combined Score для определения наиболее «интересных» локальных результатов.

Входные данные (для ранжирования):

• Запрос пользователя (если есть).
• Местоположение пользователя.
• Скорость/Мобильность пользователя.
• Базы данных (Query DB, POI DB) для соответствующих географических ячеек.

Выходные данные (для ранжирования):

• Отсортированный список локально релевантных («интересных») POI с рассчитанными Combined Scores.

На что влияет

• Конкретные типы контента: В первую очередь влияет на ранжирование локальных бизнесов, ресторанов, магазинов, достопримечательностей и любых других физических точек интереса (POI) в локальном поиске и на картах.
• Специфические запросы: Наибольшее влияние на запросы с локальным интентом (например, «кофе рядом», «лучшая пицца в [Районе]») и неявные запросы на мобильных устройствах (например, просто «рестораны»).
• Конкретные ниши или тематики: Сильно влияет на ниши с высокой конкуренцией между локальными бизнесами и национальными сетями (еда, ритейл).

Когда применяется

• Триггеры активации: Активируется при выполнении локального поиска или при использовании навигационных приложений (например, Google Maps) для поиска мест поблизости.
• Условия применения: Система используется для определения релевантности, когда доступно достаточно исторических данных о кликах для формирования надежных Scores в базах данных географических ячеек.
• Влияние мобильности: Способ применения (выбор радиуса поиска и функции спада) динамически меняется в зависимости от скорости пользователя (пешеход vs водитель).

Пошаговый алгоритм

Процесс А: Накопление данных и расчет оценок (Офлайн / Индексирование)

1. Генерация результатов поиска: Система предоставляет пользователю результаты поиска (например, на карте) в ответ на запрос.
2. Получение сигнала о выборе: Система получает сигнал о том, что пользователь кликнул на ссылку или маркер POI. Фиксируется качество клика (например, Long Click).
3. Выбор географических ячеек для обновления:
   • Для Query Database: Выбираются ячейки, находящиеся в центре карты в момент клика, и окружающие их ячейки.
   • Для POI Database: Выбирается ячейка, где физически расположен POI, и окружающие ее ячейки.
4. Определение значений прироста (Increment Values): Для каждой выбранной ячейки определяется значение прироста оценки. Оно максимально для центральной ячейки и уменьшается для окружающих согласно функции спада (Scoring Fall-off Function). Прирост может быть выше для Long Clicks.
5. Обновление оценок: Существующие Scores в соответствующих базах данных увеличиваются на рассчитанные значения прироста.
6. Обработка популярных сетей (Опционально): Если POI идентифицирован как часть крупной сети (присутствует в слишком большом количестве ячеек), его Scores во всех ячейках могут быть уменьшены (демпфирование).

Процесс Б: Идентификация интересных POI (Реальное время / Ранжирование)

1. Определение контекста пользователя: Определяется текущее или целевое местоположение пользователя и его скорость (мобильность).
2. Выбор географических ячеек: Выбирается целевая ячейка и набор окружающих ячеек. Количество ячеек может быть больше для высокой скорости.
3. Идентификация кандидатов: Из POI Databases и/или Query Databases выбранных ячеек извлекаются POI-кандидаты (возможно, с фильтрацией по категории или запросу).
4. Определение оценок: Для каждого кандидата извлекаются его Scores из всех выбранных ячеек.
5. Выбор и применение функции спада (Retrieval Fall-off): Выбирается функция спада на основе мобильности пользователя (плавная для водителей, резкая для пешеходов). Эта функция применяется к Scores из удаленных ячеек для уменьшения их веса.
6. Расчет Combined Score: Взвешенные оценки суммируются для получения Combined Score для каждого POI.
7. Выбор и отображение: Выбирается подмножество POI с наивысшими Combined Scores (наиболее «интересные»), и они отображаются пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Ключевые данные. Используются клики по результатам поиска (как на карте, так и в списке). Учитывается частота кликов (click-through-rate) и продолжительность клика (duration, Long Click) как индикатор удовлетворенности. Также используются данные о рейтингах пользователей (user reviews/ratings).
• Географические факторы: Критически важные данные. Используются:
  • Географические координаты POI.
  • Границы географических ячеек (Geographic Areas).
  • Местоположение центра карты в момент клика (для Query Database).
  • Местоположение пользователя в момент поиска.
• Пользовательские факторы: Скорость мобильного устройства (speed) используется для определения мобильности пользователя. Также упоминается возможность кластеризации пользователей (user clustering) на основе схожести их оценок и выбора POI.
• Временные факторы: Упоминается возможность сегментации баз данных по времени суток (утро, день, вечер) или дням недели, чтобы учитывать изменение интересов пользователей во времени.
• Контентные факторы: Категории POI (Category) используются для фильтрации результатов и расчета популярности категорий.

Какие метрики используются и как они считаются

• Score (Оценка интереса): Хранится в Query Database (для пары Запрос/POI) и POI Database (для POI) для каждой географической ячейки. Увеличивается при каждом клике. Прирост зависит от качества клика (Long Click) и расстояния от центра взаимодействия, рассчитанного по функции спада (Scoring Fall-off Function).
• Combined Score (Комбинированная оценка): Рассчитывается в реальном времени. Это сумма Scores POI из всех выбранных географических ячеек, взвешенных с помощью функции спада, выбранной на основе мобильности пользователя (Retrieval Fall-off Function).
• Category Score (Оценка категории): Агрегированная оценка для целой категории в данной местности. Может рассчитываться как сумма Scores всех POI этой категории.
• Fall-off Functions: Упоминаются Гауссова (Gaussian) и параболическая (parabolic) функции для расчета уменьшения веса с расстоянием.

Выводы

1. Локальная релевантность рассчитывается на основе поведения пользователей в контексте местности. Патент описывает конкретный механизм для количественной оценки того, насколько POI «интересен» для определенного географического района. Эта оценка (Score) строится не на общих факторах (ссылках, контенте), а исключительно на исторических данных о кликах пользователей, связанных с этой местностью.
2. Два типа локальной релевантности. Система различает общую интересность POI в районе (POI Database) и интересность POI в районе при конкретном запросе (Query Database). Это позволяет более точно отвечать на разные типы локальных поисковых сценариев.
3. Мобильность пользователя влияет на ранжирование. Скорость пользователя (пешеход vs водитель) напрямую влияет на то, как рассчитывается релевантность. Для водителей радиус поиска шире, и удаленные, но очень интересные места могут ранжироваться высоко (плавный спад). Для пешеходов радиус уже, и предпочтение отдается ближайшим местам (резкий спад).
4. Национальная популярность не гарантирует локального успеха. Механизм позволяет локальным уникальным бизнесам (neighborhood gems) превосходить крупные сети, если локальные пользователи чаще взаимодействуют с ними. Патент также предусматривает демпфирование (уменьшение Scores) для сетей, которые присутствуют повсеместно.
5. Важность сигналов удовлетворенности пользователя. Патент явно выделяет Long Clicks как фактор, влияющий на величину прироста Score. Это подтверждает важность не только привлечения клика, но и удовлетворения интента пользователя после клика.

Практика

Best practices (это мы делаем)

• Стимулирование подлинного локального вовлечения. Ключевая стратегия — генерировать клики и взаимодействия от пользователей, которые физически находятся поблизости или ищут информацию, связанную с вашим районом. Это напрямую увеличивает Scores в локальных базах данных.
• Оптимизация под CTR в локальной выдаче и на картах. Поскольку Scores основаны на кликах, необходимо максимизировать привлекательность сниппета и маркера в Google Maps и Local Pack (рейтинг, отзывы, фото, атрибуты), чтобы увеличить вероятность выбора вашего POI.
• Обеспечение удовлетворенности после клика (Post-Click Experience). Необходимо работать над тем, чтобы пользователи, перешедшие на сайт или страницу POI, проводили там время (генерировали Long Clicks). Это требует качественного контента, быстрой загрузки и четкого ответа на интент пользователя.
• Усиление релевантности для конкретных запросов в локальном контексте. Работайте над тем, чтобы ваш бизнес ассоциировался с ключевыми запросами именно в вашем районе. Это повышает Score в Query Database для соответствующих ячеек. Используйте локальный контент и сигналы (упоминание района, местных ориентиров).
• Поощрение отзывов на месте. Патент описывает механизм упрощенного оставления отзывов, когда пользователь находится в POI. Используйте это преимущество, напоминая клиентам оставить отзыв до того, как они покинут заведение.

Worst practices (это делать не надо)

• Накрутка поведенческих факторов из нерелевантных регионов. Клики от пользователей, чьи запросы или местоположение не связаны с вашим районом, не окажут существенного влияния на Scores в целевых географических ячейках из-за механизмов локализации и функций спада.
• Игнорирование локальных сигналов в пользу общего брендинга. Для сетевых бизнесов опасно полагаться только на национальную популярность. Необходимо работать над локальной релевантностью каждой отдельной точки, иначе система может предпочесть локальных конкурентов или применить демпфирование.
• Привлечение нецелевого трафика, ведущего к коротким кликам. Использование кликбейта или вводящих в заблуждение сниппетов приведет к коротким кликам (Short Clicks), что даст минимальный прирост Score или вообще не будет учитываться.

Стратегическое значение

Патент подтверждает, что локальная авторитетность и релевантность являются рассчитываемыми показателями, основанными преимущественно на поведении пользователей в географическом контексте. Это смещает фокус с традиционных факторов (как ссылки) на сигналы взаимодействия и удовлетворенности пользователей (User Engagement и Satisfaction) в локальном поиске. Стратегия должна быть направлена на то, чтобы стать наиболее выбираемым ответом на локальные запросы в пределах вашего операционного радиуса.

Практические примеры

Сценарий: Повышение рейтинга локальной кофейни против Starbucks

Локальная кофейня «Зерно» хочет обойти сетевую кофейню Starbucks, расположенную на той же улице.

1. Проблема: Starbucks получает много кликов за счет узнаваемости бренда, но «Зерно» популярно среди местных жителей.
2. Применение патента: Google рассчитывает Combined Score для обеих кофеен в целевой ячейке. Starbucks может иметь демпфирование из-за присутствия в тысячах ячеек. «Зерно» должно максимизировать свой Score в POI Database и Query Database («кофе», «лучшая кофейня») для этой и соседних ячеек.
3. Действия SEO-специалиста:
   • Оптимизировать GBP «Зерна» для максимального CTR на картах (привлекательные фото, активные посты, высокий рейтинг).
   • Запустить локальную кампанию (соцсети, локальные медиа), стимулирующую поиск «Зерна» на картах жителями района.
   • Улучшить сайт «Зерна», чтобы пользователи проводили там больше времени (интересное меню, блог о кофе), генерируя Long Clicks.
4. Ожидаемый результат: Увеличение количества и качества кликов, связанных с локальным районом, повысит Scores «Зерна» в местных базах данных, что приведет к более высокому Combined Score и позволит обойти Starbucks в локальной выдаче для пользователей в этом районе.

Вопросы и ответы