Как Google выбирает лучшее местоположение для локального поиска, когда геолокация пользователя неоднозначна (Probabilistic Utility)

Описание

Какую задачу решает

Патент решает проблему неоптимального географического таргетинга интернет-сервисов, возникающую при использовании неоднозначных данных о местоположении пользователя (например, IP-геолокации). Традиционные методы часто выбирают локацию с наибольшей вероятностью (probabilistic locality), что может быть неэффективно. Например, если IP-адрес резолвится как Сан-Франциско (40%), Пало-Альто (30%) и Маунтин-Вью (30%), традиционный метод выберет Сан-Франциско. Однако, если пользователь фактически находится в южной части Залива (Пало-Альто или Маунтин-Вью, суммарно 60%), результаты по Сан-Франциско будут менее полезны из-за большого расстояния. Патент предлагает метод выбора локации, которая максимизирует полезность для пользователя, учитывая все возможные локации и расстояния между ними.

Что запатентовано

Запатентована система для определения целевого географического местоположения (Targeted Geographic Location) на основе расчета совокупной вероятностной полезности (Aggregate Probabilistic Utility Score). Вместо выбора наиболее вероятной локации, система оценивает полезность таргетинга на каждую локацию-кандидата, учитывая вероятность нахождения пользователя во всех возможных локациях и «бремя» (burden) перемещения между ними. Цель — выбрать локацию, которая будет наиболее полезна пользователю, учитывая неопределенность его положения.

Как это работает

Система работает следующим образом:

• Получение кандидатов: Определяется набор географических локаций-кандидатов (например, через IP-геолокацию) и соответствующие им уровни уверенности (вероятности).
• Расчет бремени маршрута: Для каждой пары локаций вычисляется Route-Burden (например, расстояние, время в пути, стоимость).
• Расчет полезности маршрута: Route-Burden преобразуется в Route-Utility Factor. Полезность экспоненциально уменьшается по мере увеличения бремени (используется функция затухания).
• Динамическая настройка: Скорость затухания полезности (Utility-Decay Rate) может меняться в зависимости от текста запроса (например, для «кофе» затухание быстрое, для «аэропорт» – медленное).
• Дополнительные факторы полезности: Могут учитываться Trip-Utility (сравнительные характеристики локаций, например, пересечение границ, язык) и Destination-Utility (абсолютная привлекательность локации).
• Расчет совокупной полезности: Для каждой локации-кандидата (в роли целевой) рассчитывается Aggregate Probabilistic Utility Score. Это сумма полезностей таргетинга на эту локацию, взвешенных по вероятностям нахождения пользователя в каждой из возможных локаций (в роли отправной точки).
• Выбор цели: Выбирается локация с наивысшим Aggregate Probabilistic Utility Score для таргетинга интернет-сервисов.

Актуальность для SEO

Высокая. Точное определение локального интента и предоставление релевантных локальных результатов остаются критически важными для Google, особенно с ростом мобильного поиска. Этот патент описывает сложный механизм для обработки ситуаций с неоднозначной геолокацией (что часто случается с IP-адресами провайдеров или VPN), гарантируя, что выбранный таргетинг максимизирует пользу для пользователя, а не просто отражает статистически наиболее вероятную точку.

Важность для SEO

Патент имеет высокое значение для локального SEO (Local SEO). Он объясняет, как Google может предпочесть одну локацию другой в кластере близлежащих городов или районов, даже если она не является статистически наиболее вероятной. Это подчеркивает важность оптимизации не только под конкретный город, но и понимания географического кластера, в котором работает бизнес, а также факторов, влияющих на «полезность» локации (Utility Factors) и чувствительность запросов к расстоянию (Utility-Decay Rate).

Детальный разбор

Термины и определения

Aggregate Probabilistic Utility Score (Совокупная оценка вероятностной полезности)

Итоговая оценка для географической локации, указывающая на общую полезность таргетинга интернет-сервисов на эту локацию для пользователя, чье местоположение вероятностно распределено среди нескольких локаций-кандидатов.

Candidate Confidence Level (Уровень уверенности кандидата)

Вероятность того, что пользователь физически находится в определенной локации-кандидате.

Candidate Geographic Location (Географическая локация-кандидат)

Одна из возможных географических локаций, где может находиться пользователь (например, определенная по IP-адресу).

Destination-Utility Factor (Фактор полезности места назначения)

Метрика, оценивающая абсолютную привлекательность целевой локации независимо от местоположения пользователя (например, качество ресторанов, достопримечательности).

Probabilistic Locality (Вероятностная локальность)

Термин из уровня техники (Prior Art), обозначающий выбор локации с наибольшим Candidate Confidence Level.

Probabilistic Utility Score (Оценка вероятностной полезности)

Индивидуальная оценка полезности таргетинга на локацию M при условии, что пользователь находится в локации N. Рассчитывается путем взвешивания факторов полезности (Route, Trip, Destination) на вероятность нахождения в N.

Route-Burden Parameter (Параметр бремени маршрута)

Метрика, оценивающая сложность перемещения между двумя локациями (например, расстояние, время в пути, стоимость, трафик).

Route-Utility Factor (Фактор полезности маршрута)

Нормализованная оценка (обычно от 0 до 1), обратно пропорциональная Route-Burden. Показывает, насколько полезен таргетинг на удаленную локацию с учетом бремени перемещения до нее.

Targeted Geographic Location (Целевое географическое местоположение)

Локация, выбранная системой (обычно с наивысшим Aggregate Probabilistic Utility Score) для таргетинга интернет-сервисов.

Trip-Utility Factor (Фактор полезности поездки)

Метрика, оценивающая сравнительную привлекательность целевой локации по отношению к исходной локации пользователя, независимо от маршрута (например, язык, демография, пересечение границ).

Utility-Decay Rate (Скорость снижения полезности)

Параметр (также называемый half-life value), определяющий, насколько быстро падает Route-Utility Factor по мере увеличения Route-Burden. Может динамически зависеть от типа запроса.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт, сформулирован как метод): Описывает основной процесс таргетинга интернет-сервисов на основе полезности.

1. Получение запроса от пользователя.
2. Получение множества географических локаций-кандидатов и их уровней уверенности (Candidate Confidence Level).
3. Вычисление для одной из локаций-кандидатов совокупной оценки вероятностной полезности (Aggregate Probabilistic Utility Score). Эта оценка основана на расстояниях от этой локации до *других* локаций-кандидатов и уровнях уверенности этих *других* локаций.
4. Выбор географической локации из числа кандидатов на основе этой совокупной оценки.
5. Предоставление пользователю интернет-сервисов, таргетированных на выбранную локацию.

Claim 2 (Зависимый от 1): Детализирует расчет совокупной полезности.

Расчет включает получение Route-Utility Factor, который указывает на бремя перемещения (burden of traveling) между локациями. Совокупная оценка рассчитывается на основе этого фактора.

Claim 6 (Зависимый от 5): Уточняет характер функции полезности.

Оценки полезности уменьшаются экспоненциально (decrease exponentially) как функция расстояния.

Claim 9 (Зависимый от 1): Приводит конкретную формулу расчета совокупной полезности (Формула [2] в описании патента).

Совокупная оценка A для локации d рассчитывается как сумма произведений фактора полезности маршрута (Rcd) и уровня уверенности (Pc) для всех возможных локаций пользователя c.

Claim 12 и 13 (Зависимые от 1): Вводят дополнительные факторы.

Расчет может включать Trip-Utility Factor (полезность поездки независимо от расстояния) и Destination-Utility Factor (полезность места назначения независимо от расстояния).

Claim 15 (Зависимый от 1): Вводит динамическую адаптацию к запросу.

Если запрос текстовый, расчет совокупной оценки включает выбор скорости снижения полезности (Utility-Decay Rate) на основе текста этого запроса. Это означает, что чувствительность к расстоянию зависит от интента.

Где и как применяется

Изобретение применяется на этапах интерпретации запроса и формирования выдачи для улучшения локального таргетинга.

QUNDERSTANDING – Понимание Запросов (и контекста пользователя)
Основное применение патента. Когда пользователь отправляет запрос (особенно с локальным интентом), система должна определить его географический контекст. Если данные геолокации (например, IP-адрес) неоднозначны и возвращают несколько возможных локаций с разными вероятностями, активируется описанный механизм. Система рассчитывает Aggregate Probabilistic Utility Score для кандидатов, чтобы выбрать наиболее полезную целевую локацию (Targeted Geographic Location). Также на этом этапе анализируется текст запроса для определения Utility-Decay Rate (Claim 15).

RANKING – Ранжирование / RERANKING – Переранжирование
Выбранная Targeted Geographic Location используется как ключевой сигнал ранжирования. Документы и сущности, связанные с этой локацией или находящиеся в непосредственной близости от нее, получают повышение в выдаче. Это напрямую влияет на формирование локальной выдачи (Local Pack) и ранжирование органических результатов с локальной привязкой.

Входные данные:

• Запрос пользователя (Request/Query).
• Данные для геолокации (например, IP-адрес, данные GPS или Wi-Fi).
• Набор локаций-кандидатов (Candidate Geographic Locations) и их уровни уверенности (Candidate Confidence Levels).
• Географические данные (карты, маршруты, расстояния) из Geographic Information Repository.
• Локальные данные (достопримечательности, демография, границы) из Local Information Repository.

Выходные данные:

• Единственное целевое географическое местоположение (Targeted Geographic Location), которое имеет максимальный Aggregate Probabilistic Utility Score.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы с явным или подразумеваемым локальным интентом (например, «пиццерия рядом», «погода», «новости [город]»).
• Конкретные типы контента: Влияет на ранжирование локальных бизнесов (Local Pack), локализованных органических результатов, а также на таргетинг рекламы.
• Географические особенности: Механизм критически важен в густонаселенных районах с большим количеством близко расположенных городов или районов (например, городские агломерации), где IP-геолокация часто бывает неточной или охватывает несколько юрисдикций.

Когда применяется

• Триггеры активации: Механизм активируется, когда система геолокации возвращает несколько возможных местоположений пользователя с различными уровнями уверенности (неоднозначная геолокация).
• Условия работы: Применяется, когда для предоставления интернет-сервиса (поиск, реклама) требуется определить конкретную географическую цель, а точное местоположение пользователя неизвестно.
• Исключения: Если местоположение пользователя известно с высокой точностью (например, точные данные GPS), этот механизм может не использоваться, так как набор кандидатов будет состоять из одной локации с вероятностью, близкой к 100%.

Пошаговый алгоритм

Этап 1: Сбор данных и инициализация

1. Получение запроса и идентификатора: Система получает запрос и определяет IP-адрес клиента или другие данные о местоположении.
2. Получение кандидатов: Система получает набор локаций-кандидатов (C) и соответствующие им уровни уверенности (P).
3. Определение скорости снижения полезности (Опционально): Анализируется текст запроса для динамического определения Utility-Decay Rate (λ) (Claim 15).

Этап 2: Расчет факторов бремени и полезности

4. Определение бремени маршрутов: Для каждой пары локаций (исходная локация ‘o’ и целевая локация ‘d’) в наборе C определяется параметр бремени маршрута (B) (расстояние, время и т.д.).
5. Расчет полезности маршрутов: Для каждой пары (d, o) параметр бремени (B) преобразуется в фактор полезности маршрута (R). Используется функция экспоненциального затухания (например, R = 2^-(B/λ)).
6. Расчет полезности поездок (Опционально): Для каждой пары (d, o) определяется фактор полезности поездки (T), основанный на сравнительных характеристиках локаций.
7. Расчет полезности места назначения (Опционально): Для каждой целевой локации (d) определяется фактор полезности места назначения (D).

Этап 3: Агрегация и выбор цели

8. Расчет индивидуальных оценок полезности: Для каждой пары (d, o) рассчитывается индивидуальная Probabilistic Utility Score. Это произведение факторов полезности (R, T, D) и вероятности (P) исходной локации (o).
9. Расчет совокупной полезности: Для каждой целевой локации (d) рассчитывается Aggregate Probabilistic Utility Score (A). Это сумма всех индивидуальных оценок полезности для данной локации (d) по всем возможным исходным локациям (o).
10. Выбор целевой локации: Выбирается локация с наибольшим Aggregate Probabilistic Utility Score. Эта локация становится Targeted Geographic Location.
11. Предоставление сервиса: Интернет-сервис (поиск, реклама) обрабатывается с таргетингом на выбранную локацию.

Какие данные и как использует

Данные на входе

• Пользовательские факторы:
  • IP-адрес клиентского устройства.
  • Информация о местоположении устройства (Client Positional Information), если доступна (GPS, Wi-Fi, данные базовых станций).
  • Запрос пользователя (Query), который используется для определения скорости затухания полезности (Utility-Decay Rate).
• Географические факторы:
  • Данные из Geolocation Repository: соответствие IP-адресов географическим локациям и уровням уверенности.
  • Данные из Geographic Information Repository (GIS): карты, маршрутные сети (дороги, общественный транспорт), географические особенности, границы. Используются для расчета Route-Burden.
  • Данные из Local Information Repository: достопримечательности, удобства, демографические данные, редакционный контент (обзоры, рейтинги), связанные с локациями. Используются для расчета Trip-Utility и Destination-Utility.

Какие метрики используются и как они считаются

Система вычисляет несколько ключевых метрик для оценки полезности:

• Route-Burden Parameter (B): Измеряется в единицах расстояния (км, мили), времени (минуты) или стоимости (валюта). Определяется с помощью GIS.
• Route-Utility Factor (R): Рассчитывается на основе Route-Burden с использованием функции экспоненциального затухания. Формула [1.1] в патенте: R = 2^-(B/λ), где λ (лямбда) — это значение «полураспада» (half-life), определяемое Utility-Decay Rate.
• Trip-Utility Factor (T): Нормализованная оценка (0-1), основанная на сравнении параметров исходной и целевой локаций.
• Destination-Utility Factor (D): Нормализованная оценка (0-1), основанная на абсолютных параметрах целевой локации.
• Aggregate Probabilistic Utility Score (A): Итоговая оценка для целевой локации (d). Рассчитывается как сумма полезностей по всем возможным исходным локациям (o), взвешенных по их вероятностям (P). Примерная формула [5] в патенте: A(d) = Σ [ R(d,o) * T(d,o) * D(d) * P(o) ].

Выводы

1. Переход от вероятности к полезности: Ключевой вывод заключается в том, что Google не всегда полагается на наиболее вероятное местоположение пользователя (Probabilistic Locality). Вместо этого система использует сложную модель Probabilistic Utility, чтобы выбрать локацию, которая принесет максимальную пользу, учитывая все возможные местоположения и связанные с ними затраты на перемещение.
2. Важность географических кластеров: Система отдает предпочтение кластерам близко расположенных локаций. Если есть несколько вероятных локаций рядом друг с другом (низкий Route-Burden), любая из них может быть выбрана в качестве цели, даже если существует более удаленная локация с немного большей индивидуальной вероятностью.
3. Экспоненциальное затухание полезности: Патент явно указывает на использование экспоненциального затухания (exponential decay) для моделирования полезности в зависимости от расстояния/времени. Это означает, что полезность удаленных локаций падает очень быстро. Близость является критически важным фактором.
4. Динамическая настройка чувствительности к расстоянию: Скорость затухания полезности (Utility-Decay Rate или half-life) может динамически определяться на основе запроса (Claim 15). Для поиска ресторана полезность падает быстро (малый half-life), а для поиска дилера редких автомобилей — медленнее (большой half-life).
5. Многогранность понятия «Полезность»: Полезность определяется не только расстоянием (Route-Utility). Патент вводит понятия Trip-Utility (сравнительная полезность, например, отсутствие границ, тот же язык) и Destination-Utility (абсолютная привлекательность места). Это говорит о том, что Google учитывает реальные физические и административные барьеры, а также качество самой локации.

Практика

Best practices (это мы делаем)

• Оптимизация под географический кластер: Для бизнесов, работающих в городских агломерациях, необходимо оптимизировать присутствие не только в основном городе, но и в смежных локациях. Поскольку Google может выбрать любую локацию в кластере с высоким Aggregate Probabilistic Utility Score, важно иметь сильные сигналы во всем кластере.
• Усиление сигналов «Destination-Utility»: Работайте над повышением абсолютной привлекательности вашей локации или бизнеса. Это включает сбор высококачественных отзывов, упоминаний в локальных СМИ и путеводителях. Согласно патенту, высокая Destination-Utility может компенсировать недостатки в Route-Utility (расстояние).
• Точность и полнота данных в Google Business Profile (GBP): Убедитесь, что ваше местоположение точно определено и оптимизировано. Это помогает системе корректно рассчитывать Route-Burden для пользователей из разных потенциальных локаций.
• Локализованный контент для смежных зон: Создавайте контент, ориентированный на пользователей из соседних городов или районов, подчеркивая легкость доступа (низкий Route-Burden) или уникальные преимущества вашего предложения (высокий Trip-Utility по сравнению с их локальными альтернативами).
• Анализ локальной выдачи с учетом типа запроса: Понимайте, как меняется чувствительность к расстоянию (Utility-Decay Rate) для разных типов запросов в вашей нише. Для сервисов первой необходимости радиус охвата будет меньше (быстрое затухание), чем для специализированных услуг (медленное затухание).

Worst practices (это делать не надо)

• Игнорирование смежных локаций: Фокусировка SEO только на главном городе присутствия, игнорируя соседние районы, может привести к потере трафика. Если система определит, что совокупная полезность соседнего района выше для пользователя с неоднозначной геолокацией, ваш бизнес может не попасть в выдачу.
• Манипуляции с виртуальными офисами для охвата: Создание множества виртуальных точек в разных локациях без реального физического присутствия или уникальной полезности вряд ли обманет этот механизм, так как система оценивает реальные факторы полезности (Destination-Utility) и бремени (Route-Burden).
• Слишком широкое таргетирование в рекламе: Использование широкого географического таргетинга без учета Route-Burden и Utility-Decay Rate для конкретных услуг может быть неэффективным. Система предпочтет более близкие и полезные результаты, если полезность вашей удаленной локации быстро затухает.

Стратегическое значение

Патент подтверждает, что Google рассматривает локальный поиск через призму реального поведения пользователей и физических ограничений. Стратегия локального SEO должна основываться на понимании того, как пользователи перемещаются и принимают решения в реальном мире. Приоритет отдается не абстрактной вероятности нахождения, а практической полезности результата. Это требует глубокого понимания локального рынка, включая транспортную доступность, административные границы и сравнительные преимущества локаций в кластере.

Практические примеры

Сценарий: Оптимизация для бизнеса в пригороде крупной агломерации с учетом динамического затухания

Бизнес: Специализированный автосервис в Пало-Альто. Пользователь ищет «ремонт коробки передач [марка авто]». Его IP резолвится как Пало-Альто (30%), Маунтин-Вью (30%) и Сан-Франциско (40%).

1. Анализ ситуации: Google видит, что хотя Сан-Франциско наиболее вероятен (40%), Пало-Альто и Маунтин-Вью находятся рядом (низкий Route-Burden) и вместе дают 60% вероятности.
2. Анализ запроса: Запрос «ремонт коробки передач» имеет низкую скорость затухания полезности (Utility-Decay Rate) – пользователи готовы ехать дальше ради специализированной услуги.
3. Действия SEO-специалиста:
   • Убедиться, что бизнес хорошо ранжируется по целевым запросам как в Пало-Альто, так и в Маунтин-Вью.
   • Подчеркнуть экспертизу (повышение Destination-Utility), чтобы оправдать возможную поездку даже из Сан-Франциско.
   • На лендинге указать удобные маршруты из всех трех локаций.
4. Ожидаемый результат: Система рассчитывает Aggregate Probabilistic Utility Score. За счет низкого Route-Burden между Пало-Альто и Маунтин-Вью и умеренного затухания полезности, кластер Пало-Альто/Маунтин-Вью получает наивысшую оценку. Бизнес получает показ для этого пользователя, выигрывая у менее специализированных сервисов.

Вопросы и ответы