Как Google использует время, местоположение, уникальность и поведенческие паттерны для ранжирования локальных бизнесов (POI)

Описание

Какую задачу решает

Патент решает проблему информационной перегрузки при локальном поиске, особенно на мобильных устройствах. В густонаселенных районах показ всех ближайших точек интереса (Points of Interest, POI) неэффективен. Цель изобретения — фильтровать и ранжировать POI и их категории, основываясь не только на близости, но и на полном контексте пользователя: текущем времени, точном местоположении и прогнозируемых намерениях.

Что запатентовано

Запатентована система контекстно-зависимого ранжирования локальных объектов (POI) и их категорий. Основной механизм комбинирует три фактора: близость (Proximity), уникальность (основанную на низкой плотности категории — Density) и временную вероятность интереса (Probability of Receiving a Query), рассчитанную на основе исторических логов запросов. Дополнительно описаны механизмы учета знакомства пользователя с местностью (Familiarity Score) и социальных сигналов (Mobile Updates).

Как это работает

Система интегрирует несколько процессов:

• Определение контекста: Система получает текущее время и местоположение пользователя.
• Базовая оценка и Уникальность: Ближайшие POI оцениваются по близости. Эта оценка повышается, если категория POI редко встречается в данной локации (низкая Density, высокая Uniqueness).
• Временная релевантность: Используя исторические данные, система определяет вероятность того, что данная категория интересна пользователям в этом месте и в это время (например, кофейни утром).
• (Опционально) Адаптация и Социальные сигналы: Ранжирование может адаптироваться в зависимости от того, знаком ли пользователь с местностью (Familiarity Score), и учитывать свежие отзывы/чекины (Mobile Updates), особенно от друзей пользователя.
• Финальное ранжирование: Итоговый рейтинг формируется на основе комбинации этих факторов.

Актуальность для SEO

Высокая. Контекстуальный и предиктивный поиск является ядром современных локальных сервисов, таких как Google Maps. Принципы использования времени, местоположения, анализа конкурентной среды (плотности) и поведенческих паттернов для адаптации выдачи остаются критически важными для понимания логики Local SEO в 2025 году.

Важность для SEO

Патент имеет критическое значение для локального SEO (Local SEO). Он демонстрирует, что ранжирование динамично и зависит от контекста. Видимость бизнеса может меняться в течение дня (временная вероятность) и сильно зависит от насыщенности рынка в конкретной точке (уникальность). Это подчеркивает важность точной категоризации, актуальности данных и управления пользовательским контентом (UGC).

Детальный разбор

Термины и определения

Point of Interest (POI, Точка интереса)

Физический объект или место (бизнес, достопримечательность), представляющее интерес для пользователя.

Category (Категория)

Тематическая классификация POI (например, «Ресторан», «Музей»).

Density (Плотность)

Количество POI (общее или в определенной категории) на единицу площади в данной локации.

Uniqueness (Уникальность)

Показатель, обратный плотности категории. POI в категории с низкой плотностью считается уникальным.

Probability of Receiving a Query (Вероятность получения запроса)

Статистическая вероятность того, что категория будет запрошена в конкретное время и в конкретном месте. Рассчитывается на основе анализа исторических логов запросов (Query Database).

Time-Related Attribute (Временной атрибут)

Характеристика POI, зависящая от времени, например, часы работы или пиковая релевантность категории.

Familiarity Score (Оценка знакомства с местом)

Метрика, показывающая, как часто пользователь бывает в текущем местоположении, основанная на его истории перемещений.

Mobile Update (Мобильное обновление)

Контент, введенный пользователем в социальной сети (отзыв, чекин), привязанный к POI.

Ключевые утверждения (Анализ Claims и механизмов)

Патент описывает несколько механизмов ранжирования. Ядро изобретения защищено в Claim 1.

Механизм 1: Ранжирование на основе Времени, Уникальности и Вероятности (Claim 1)

Это основной защищенный метод:

1. Система получает текущее время и местоположение пользователя.
2. Извлекаются ближайшие POI и их категории.
3. Каждый POI оценивается (scoring) на основе близости (proximity).
4. Определяется плотность (density) категории каждого POI в данной локации.
5. Оценки POI, принадлежащих к категориям с низкой плотностью, повышаются (boosting) относительно POI из категорий с высокой плотностью. (Фактор Уникальности).
6. Для каждой категории извлекается вероятность получения запроса (Probability) в текущее время и местоположение, основанная на исторических данных.
7. Финальная выдача формируется на основе скорректированных оценок и вероятностей.

Механизм 2: Использование Социальных Сигналов (Mobile Updates) (Описано в FIG. 4, 5)

В альтернативных реализациях система может ранжировать POI на основе свежих (freshness) социальных обновлений (Mobile Updates). При этом учитывается социальная близость автора обновления к пользователю (обновления от друзей имеют больший вес).

Механизм 3: Адаптация на основе Знакомства с Местностью (Familiarity Score) (Описано в FIG. 6)

Система может рассчитывать Familiarity Score. Если пользователь знаком с местностью (высокий Score), система может приоритизировать ранжирование на основе Mobile Updates (Механизм 2). Если не знаком (турист), могут использоваться стандартные факторы популярности.

Где и как применяется

Изобретение применяется в системах локального поиска (Google Maps, Local Pack) и затрагивает несколько этапов архитектуры.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит сбор данных о POI (категории, координаты). Также офлайн рассчитывается плотность (Density) категорий для разных географических ячеек и сохраняется для быстрого доступа. Индексируется история местоположений и Mobile Updates.

QUNDERSTANDING – Понимание Запросов (Офлайн-анализ)
Система анализирует исторические логи запросов (Query Database) для выявления корреляций между категориями, временем и местоположением (FIG. 7). На основе этого рассчитываются вероятности (Probability of Receiving a Query).

RANKING / RERANKING – Ранжирование и Переранжирование
Применение патента в реальном времени. Система получает контекст пользователя и применяет рассчитанные метрики (Уникальность, Вероятность) и, возможно, дополнительные сигналы (Социальные, Familiarity Score) для корректировки базового ранжирования по близости.

Входные данные:

• Текущее время и местоположение пользователя.
• База данных POI (категории, координаты).
• Предварительно рассчитанные данные о плотности категорий и временных вероятностях.
• (Опционально) История местоположений пользователя и его социальный граф.
• (Опционально) База данных свежих Mobile Updates.

Выходные данные:

• Отсортированный список POI или категорий, адаптированный под контекст пользователя.

На что влияет

• Конкретные типы контента: Локальные сущности — бизнесы, достопримечательности, общественные места.
• Специфические запросы: Запросы с локальным интентом (явным или подразумеваемым) и проактивные рекомендации в картографических сервисах.
• Определенные форматы контента: Google Maps, Local Pack в основной выдаче.
• Географические и языковые ограничения: Вероятностные модели могут учитывать локальные и культурные особенности (например, разное время ужина в разных странах).

Когда применяется

• Условия работы: Когда известно местоположение и время пользователя и требуется предоставить локально релевантные результаты.
• Триггеры активации: Локальный поисковый запрос или использование сервисов, ориентированных на местоположение (например, открытие Карт).

Пошаговый алгоритм

Система включает офлайн-процессы для подготовки данных и онлайн-процесс для ранжирования.

Процесс А: Офлайн-расчет вероятностей (FIG. 7)

1. Сбор данных: Получение исторических запросов с метками времени и местоположения.
2. Категоризация: Группировка запросов по тематике (категориям POI).
3. Корреляция: Анализ частоты запросов в категории в зависимости от времени и местоположения.
4. Расчет вероятности: Определение Probability of Receiving a Query для каждой категории в разных контекстах.

Процесс Б: Офлайн-расчет плотности (Density)

1. Сегментация: Разделение карты на географические ячейки.
2. Расчет плотности: Определение количества POI каждой категории в каждой ячейке.
3. Сохранение: Запись данных о плотности для быстрого доступа.

Процесс В: Ранжирование в реальном времени (Синтез FIG. 8, 9 и Claim 1)

1. Получение контекста: Прием текущего времени и местоположения пользователя.
2. Извлечение кандидатов: Поиск категоризированных POI в пределах заданного расстояния.
3. Базовая оценка: Расчет оценок POI на основе близости (Proximity).
4. Применение Уникальности: Извлечение данных о плотности категорий. Повышение (boosting) оценок POI, принадлежащих к категориям с низкой плотностью.
5. Применение Вероятности: Извлечение Probability of Receiving a Query для категорий POI в текущем контексте. Корректировка ранжирования.
6. (Опционально) Применение Персонализации: Расчет Familiarity Score и применение социальных сигналов (Mobile Updates) в зависимости от типа пользователя (местный/турист).
7. Предоставление результатов: Вывод POI на основе финального ранжирования.

Какие данные и как использует

Данные на входе

• Географические факторы: Текущее местоположение пользователя; координаты POI; локации исторических запросов.
• Временные факторы: Текущее время; часы работы POI (Time-Related Attribute); временные метки исторических запросов и Mobile Updates.
• Поведенческие факторы (Агрегированные): Исторические логи запросов (Query Database), используемые для расчета вероятностей.
• Структурные факторы: Категоризация POI.
• (Опционально) Пользовательские факторы: История местоположений пользователя (для Familiarity Score).
• (Опционально) Социальные факторы: Социальный граф пользователя; содержание Mobile Updates.

Какие метрики используются и как они считаются

• Proximity (Близость): Расстояние между пользователем и POI.
• Density (Плотность): Количество POI определенной категории на единицу площади.
• Uniqueness (Уникальность): Фактор бустинга, основанный на низкой плотности категории.
• Probability of Receiving a Query: Статистическая вероятность, рассчитанная офлайн путем анализа корреляции частоты запросов с временем и местом.
• (Опционально) Familiarity Score: Рассчитывается как отношение количества посещений вблизи текущего местоположения к общему количеству зарегистрированных местоположений пользователя.
• (Опционально) Social Proximity и Freshness: Оценка социальной близости автора обновления и свежести контента.

Выводы

1. Контекст определяет локальное ранжирование: Релевантность в локальном поиске динамична и сильно зависит от времени и точного местоположения. Система пересчитывает релевантность в реальном времени.
2. Предсказание интента на основе исторических данных: Google использует агрегированные логи запросов для построения вероятностных моделей (Probability of Receiving a Query), чтобы предсказать, что нужно пользователю здесь и сейчас.
3. Уникальность (Низкая плотность) как фактор ранжирования: POI, принадлежащие к редким для данной локации категориям (низкая Density), получают явное повышение в ранжировании (Claim 1). Это помогает разнообразить выдачу и выделить уникальные предложения.
4. Многоуровневая персонализация: Помимо основного механизма, патент описывает возможности глубокой персонализации через Familiarity Score (разная логика для местных и туристов) и социальные сигналы (приоритет контенту от друзей).
5. Критичность точных данных и категоризации: Корректная категоризация необходима для расчета уникальности и временной вероятности. Точные часы работы (Time-Related Attribute) необходимы для фильтрации в реальном времени.

Практика

Best practices (это мы делаем)

• Точная и специфичная категоризация (GBP): Критически важно выбрать наиболее релевантные категории. Это напрямую влияет на то, как система рассчитает уникальность (Uniqueness) бизнеса в локации и определит временную вероятность (Probability) запроса. Специфичные категории могут иметь меньшую плотность.
• Обеспечение абсолютной точности часов работы: Часы работы используются как Time-Related Attribute для фильтрации результатов в реальном времени. Убедитесь, что они актуальны, включая праздничные дни.
• Анализ локальной конкурентной среды (Density): Изучайте плотность конкурентов в вашей категории в радиусе обслуживания. Если плотность низкая, вы можете получить преимущество за счет уникальности. Если высокая – необходимо фокусироваться на других факторах.
• Стимулирование и управление UGC (Mobile Updates): Активно работайте с отзывами, фото пользователей, вопросами и ответами в GBP. Патент описывает использование свежести этих данных (Freshness) для ранжирования, особенно для пользователей, знакомых с местностью (высокий Familiarity Score).
• Адаптация под временные тренды (Probability): Понимайте пики спроса на вашу категорию в вашем регионе. Усиливайте маркетинговую активность (например, через Посты в GBP или локальную рекламу) в периоды высокой вероятности интереса.

Worst practices (это делать не надо)

• Манипуляции с категориями (Category Spam): Добавление нерелевантных категорий может привести к неверной оценке вероятности запроса или поместить бизнес в более плотную категорию, лишив его буста за уникальность.
• Игнорирование временного контекста: Ошибочно полагать, что локальное ранжирование статично. Стратегия должна учитывать, что видимость меняется в течение дня в зависимости от прогнозируемого спроса.
• Предоставление неверных данных о работе: Некорректные часы работы или статус могут привести к исключению из выдачи в ключевые моменты времени.
• Игнорирование пользовательского контента (UGC): Отсутствие свежих отзывов и обновлений лишает бизнес возможности использовать сигналы, описанные как Mobile Updates.

Стратегическое значение

Патент подтверждает стратегию Google на построение предиктивного и высококонтекстуального локального поиска. Система стремится угадать потребность пользователя, опираясь на паттерны поведения масс, уникальность предложения в локации и персональный контекст пользователя. Это снижает влияние традиционных статических факторов ранжирования в пользу динамических и контекстуальных сигналов в Local SEO.

Практические примеры

Сценарий 1: Использование фактора Уникальности (Uniqueness/Density)

1. Контекст: Пользователь находится в районе с 20 кафе и 1 книжным магазином.
2. Действие системы: Система определяет высокую плотность для категории «Кафе» и низкую для «Книжный магазин».
3. Применение: Согласно Claim 1, оценка книжного магазина повышается (boosting) из-за его уникальности в данной локации.
4. Результат: Книжный магазин может ранжироваться выше или быть более заметным на карте, чем некоторые из ближайших кафе.

Сценарий 2: Использование Временной Вероятности (Probability)

1. Контекст: Пользователь открывает Карты в 8:00 утра.
2. Действие системы: Система проверяет Probability of Receiving a Query на основе исторических данных. Вероятность для «Кофейни» высокая, для «Бара» – низкая.
3. Результат: Кофейни получают приоритет в ранжировании, а бары пессимизируются, даже если они находятся ближе.

Сценарий 3: Использование Familiarity Score и Социальных сигналов

1. Контекст: Пользователь находится в своем районе (высокий Familiarity Score) и ищет ресторан.
2. Действие системы: Система видит высокий Familiarity Score и приоритизирует Mobile Updates. Она находит свежий чекин в Ресторане А от друга пользователя.
3. Результат: Ресторан А получает бустинг и показывается выше Ресторана Б, даже если у Ресторана Б выше общий рейтинг или он ближе.

Вопросы и ответы