Как Google персонализирует ранжирование сущностей (товаров, услуг, мест), анализируя текст отзывов и индивидуальные предпочтения пользователя

Описание

Какую задачу решает

Патент решает проблему нерепрезентативности агрегированных (например, средних) оценок качества (Baseline Quality Score) для конкретного пользователя. Общая оценка отражает усредненное мнение, но игнорирует индивидуальные предпочтения. Например, ресторан может иметь низкий рейтинг из-за высоких цен, но для пользователя, которому цена не важна, этот ресторан может быть высококачественным. Система призвана предоставить Personalized Quality Score, который лучше отражает личное восприятие качества пользователя.

Что запатентовано

Запатентована система персонализации рейтингов и ранжирования сущностей (Entities) — товаров, услуг, мест. Система анализирует отзывы пользователей (оценки и текст), чтобы понять, как конкретные характеристики сущности (Characteristics, например, «цена», «скорость») влияют на общую оценку. Затем она использует индивидуальный профиль предпочтений пользователя (Quality Profile), чтобы пересчитать рейтинг персонально для него, корректируя влияние этих характеристик в соответствии с их важностью для данного пользователя.

Как это работает

Механизм работает следующим образом:

• Сбор данных: Система собирает Quality Feedback (числовые оценки и текстовые отзывы) о сущности от множества пользователей.
• Анализ характеристик: Текстовые отзывы анализируются (например, с помощью Semantic Analyzer) для выявления упоминаемых характеристик сущности.
• Определение влияния (Influence): Система вычисляет влияние каждой характеристики на оценки. Это делается путем сравнения оценок, сопровождаемых упоминанием характеристики, с оценками, где она не упоминается. (Например, если средняя оценка 4.5, а отзывы с упоминанием «цены» имеют среднюю оценку 2.0, то влияние цены = -2.5).
• Профиль пользователя (Quality Profile): Определяется профиль текущего пользователя, содержащий веса (Characteristic Weights), указывающие на важность каждой характеристики для него. Профиль может быть задан явно или выведен из его прошлых отзывов.
• Персонализированный расчет: Система вычисляет Estimated Quality Value (персонализированную оценку), корректируя базовую оценку. Если фактор (например, цена) не важен пользователю, его влияние на итоговую оценку минимизируется.
• Ранжирование: Сущности ранжируются для пользователя на основе этих персонализированных оценок.

Актуальность для SEO

Высокая. Персонализация и использование анализа тональности отзывов (Sentiment Analysis / Opinion Mining) являются ключевыми трендами в поиске, особенно в локальном поиске (Local Search) и E-commerce. Понимание того, почему сущность получила определенный рейтинг и насколько это важно для конкретного пользователя, критично для улучшения пользовательского опыта и релевантности выдачи.

Важность для SEO

Патент имеет высокое значение (8.5/10) для SEO, особенно для Local SEO, E-commerce и сайтов-агрегаторов. Он описывает механизм, при котором стандартный агрегированный рейтинг может быть полностью переопределен для конкретного пользователя. Это означает, что оптимизация под общие факторы качества недостаточна; необходимо понимать сегменты аудитории, их ключевые предпочтения (Quality Profiles) и гарантировать, что сущность удовлетворяет этим предпочтениям, а отзывы это отражают.

Детальный разбор

Термины и определения

Baseline Quality Score (Базовая оценка качества)

Агрегированная оценка качества сущности, основанная на коллекции оценок от разных пользователей (например, среднее арифметическое). Также называется Overall Quality Score.

Characteristic (Характеристика)

Особенность или атрибут сущности (например, цена, скорость доставки, атмосфера), который помогает отличить ее от других. Характеристики выявляются из текстовых отзывов пользователей.

Characteristic Weight (Вес характеристики)

Мера важности (Measure of Importance) конкретной характеристики для определенного пользователя при оценке качества.

Entity (Сущность)

Любой объект (человек, место, вещь, товар, услуга), который может быть оценен и ранжирован.

Estimated Quality Value / Personalized Quality Score (Оценочное значение качества / Персонализированная оценка качества)

Оценка качества сущности, рассчитанная для конкретного пользователя на основе влияния характеристик и его персонального Quality Profile.

Feedback Text (Текст отзыва)

Текстовые комментарии, предоставляемые пользователем вместе с числовой оценкой качества.

Influence (Влияние)

Изменение в оценке качества, которое можно атрибутировать наличию определенной характеристики. Вычисляется как разница между агрегированными оценками, связанными с характеристикой, и оценками, не связанными с ней.

Quality Feedback (Обратная связь по качеству)

Данные, полученные от пользователей, включающие числовые оценки качества (Quality Scores) и/или Feedback Text.

Quality Profile (Профиль качества пользователя)

Набор данных о пользователе, включающий Characteristic Weights для различных характеристик. Отражает индивидуальные предпочтения пользователя.

Semantic Analyzer (Семантический анализатор)

Компонент системы, который анализирует Feedback Text для выявления упоминаемых тем и характеристик (используя NLP).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализированного ранжирования продукта или услуги.

1. Система получает Quality Feedback (оценки и текст отзывов) о продукте/услуге от разных пользователей.
2. Из текста отзывов идентифицируется Characteristic (характеристика).
3. Вычисляется степень влияния (Amount of Influence) этой характеристики на оценки. Это делается путем расчета разницы между (А) агрегированным значением оценок, поданных с текстом, идентифицирующим характеристику, и (Б) агрегированным значением оценок, поданных без текста, идентифицирующего характеристику. Влияние соответствует разнице в оценках, атрибутируемой данной характеристике.
4. Для данного пользователя идентифицируется Quality Profile, содержащий Characteristic Weight (важность этой характеристики для пользователя).
5. Вычисляется Personalized Estimated Quality Value. Это включает корректировку общей оценки качества (Overall Quality Score) на основе влияния характеристики (шаг 3) и ее веса для пользователя (шаг 4).
6. Продукт/услуга ранжируется среди других на основе этой персонализированной оценки.

Claim 3 (Зависимый от 1): Детализирует метод автоматического определения Quality Profile пользователя (т.е. как система узнает, что важно пользователю).

1. Анализируется предыдущая обратная связь от этого пользователя (его прошлые отзывы).
2. Идентифицируются характеристики, которые он упоминал в текстах своих прошлых отзывов.
3. Сравниваются оценки, которые он ставил, когда упоминал характеристику (First Quality Scores), с оценками, которые он ставил, когда не упоминал ее (Second Quality Scores).
4. Characteristic Weight для пользователя определяется на основе разницы между этими двумя наборами оценок.

Claim 6 (Зависимый от 1): Приводит пример логики расчета персонализированной оценки.

1. Определяется, что Characteristic Weight указывает на важность характеристики для пользователя.
2. Определяется, что влияние характеристики на оценки является положительным (Positive Influence).
3. Базовая оценка качества (Baseline Quality Score) увеличивается на основе величины этого положительного влияния.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя данные, собранные о сущностях и пользователях.

INDEXING – Индексирование и извлечение признаков (Офлайн-обработка)
На этом этапе происходит обработка данных о сущностях и пользователях:

• Анализ сущностей: Система собирает и индексирует Quality Feedback (отзывы и оценки). Semantic Analyzer извлекает Characteristics из Feedback Text и вычисляет Influence каждой характеристики. Эти данные сохраняются (например, в Quality Index).
• Анализ пользователей: Система анализирует прошлые отзывы пользователей для вычисления Characteristic Weights и формирования Quality Profiles (как описано в Claim 3).

RANKING / RERANKING – Ранжирование и Переранжирование (Рантайм)
Основное применение патента происходит на финальных стадиях ранжирования, когда необходимо адаптировать результаты под конкретного пользователя.

1. Получение базовых данных: Система получает кандидатов для ранжирования с их Baseline Quality Scores и данными об Influence.
2. Получение профиля пользователя: Загружается Quality Profile текущего пользователя.
3. Персонализация оценок: Система пересчитывает оценки, генерируя Personalized Estimated Quality Value для каждой сущности, используя Quality Profile пользователя для корректировки влияния характеристик.
4. Финальное ранжирование: Сущности сортируются на основе этих персонализированных значений.

Входные данные:

• Накопленные отзывы о сущности (Quality Scores и Feedback Text).
• Вычисленное влияние характеристик (Influence).
• Профиль предпочтений пользователя (Quality Profile с Characteristic Weights).

Выходные данные:

• Отсортированный список сущностей, основанный на Personalized Estimated Quality Value.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на области, где субъективное восприятие качества играет ключевую роль:
  • E-commerce: Товары (важность скорости доставки, цены, долговечности).
  • Local SEO: Рестораны, отели, услуги (важность атмосферы, цены, качества обслуживания, местоположения).
  • Контент/Медиа: Фильмы, книги, курсы (важность жанра, сложности, продолжительности).
• Специфические запросы: Влияет на запросы, подразумевающие выбор или сравнение (например, «лучшие рестораны рядом», «качественный ноутбук для игр»).

Когда применяется

Алгоритм применяется при выполнении следующих условий:

• Наличие данных о сущности: Для сущности накоплено достаточное количество Quality Feedback (особенно текстового), чтобы можно было надежно определить Characteristics и их Influence.
• Наличие данных о пользователе: Система имеет доступ к Quality Profile пользователя (либо выведенному из его истории отзывов, либо заданному явно).
• Триггер активации: Активируется в вертикалях поиска или интерфейсах, где качество сущностей, основанное на отзывах, является основным фактором ранжирования.

Пошаговый алгоритм

Процесс можно разделить на три части: А) Обработка сущности, Б) Создание профиля пользователя, В) Персонализированное ранжирование.

А. Обработка отзывов о сущности (Индексация/Офлайн)

1. Сбор данных: Получение Quality Feedback (оценки и текст) для Сущности X.
2. Семантический анализ: Обработка Feedback Text с помощью Semantic Analyzer для идентификации упоминаемых Characteristics (например, C1=»цена», C2=»скорость»).
3. Сегментация оценок: Разделение оценок на группы: оценки, связанные с упоминанием C1; оценки, не связанные с упоминанием C1.
4. Расчет влияния: Вычисление Influence для C1. $\text{Влияние С}1=(\text{Средняя оценка с упоминанием С}1)-(\text{Средняя оценка без упоминания С}1)$.
5. Сохранение: Сохранение Influence и Baseline Quality Score в Quality Index для Сущности X.

Б. Создание профиля пользователя (Индексация/Офлайн)

1. Сбор истории: Получение прошлых отзывов Пользователя Y.
2. Анализ характеристик: Идентификация характеристик, которые Пользователь Y упоминал в своих отзывах.
3. Расчет весов: Вычисление Characteristic Weights. Например, Вес C1 может быть основан на разнице между оценками, которые пользователь ставил при упоминании C1, и оценками без упоминания C1 (Claim 3). Также может использоваться явный ввод предпочтений пользователем.
4. Сохранение: Сохранение Quality Profile для Пользователя Y.

В. Персонализированное ранжирование (Рантайм)

1. Запрос: Пользователь Y выполняет поиск.
2. Получение данных: Система извлекает кандидатов (Сущность X и другие), их Baseline Quality Scores, данные об Influence, а также Quality Profile Пользователя Y.
3. Расчет корректировки: Для каждой сущности вычисляется корректировка на основе Influence характеристики и соответствующего Characteristic Weight пользователя. (Патент не дает единой формулы, но описывает логику: если влияние негативное, но вес низкий, негативный эффект минимизируется).
4. Применение корректировки: Вычисление Personalized Estimated Quality Value путем корректировки Baseline Quality Score.
5. Ранжирование: Сортировка сущностей на основе персонализированных значений.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных обратной связи (UGC) и персонализации.

• Поведенческие / Пользовательские факторы:
  • Quality Scores: Числовые оценки, которые пользователи ставят сущностям.
  • Feedback Text: Текстовые комментарии (отзывы).
  • История пользователя: Прошлые отзывы пользователя используются для построения его Quality Profile (инференс предпочтений).
  • Явные предпочтения: Пользователь может явно указать важность тех или иных характеристик.
• Контентные факторы (внутри отзывов):
  • Темы и ключевые слова в отзывах: Используются Semantic Analyzer (NLP) для определения Characteristics сущности.

Какие метрики используются и как они считаются

• Baseline Quality Score (Overall Quality Score): Мера центральной тенденции (например, среднее) всех полученных оценок для сущности.
• Influence (Влияние характеристики):

  Рассчитывается как разница между двумя агрегированными значениями оценок.

  $\text{Влияние}=(\text{Агрегированная оценка отзывов}, \text{упоминающих характеристику})-(\text{Агрегированная оценка отзывов}, \text{НЕ упоминающих характеристику})$.

• Characteristic Weight (Вес характеристики в профиле пользователя):

  Может быть рассчитан на основе истории пользователя (Claim 3): Разница между оценками, которые пользователь ставил, когда упоминал характеристику, и оценками, которые ставил, когда не упоминал. Также может быть задан явно (например, по шкале от 1 до 10).

• Personalized Estimated Quality Value:

  Базовая оценка, скорректированная с учетом Influence и Characteristic Weight. Патент не предоставляет универсальной формулы, но описывает логику корректировки:

  • Если характеристика имеет негативное влияние, но не важна пользователю (низкий вес), базовая оценка увеличивается (негативное влияние минимизируется).
  • Если характеристика имеет положительное влияние и важна пользователю (высокий вес), это учитывается для повышения оценки (Claim 6).

Выводы

1. Персонализация важнее агрегированных оценок: Система может радикально изменить ранжирование сущностей для конкретного пользователя, если его предпочтения (Quality Profile) отличаются от мнения большинства. Агрегированный рейтинг является лишь отправной точкой.
2. Текстовые отзывы (UGC) как источник структурированных данных: Текстовые отзывы критически важны. Они являются основным источником для идентификации Characteristics сущности (цена, скорость, атмосфера и т.д.) с помощью NLP.
3. Анализ тональности и влияния (Aspect-Based Sentiment Analysis): Система не просто фиксирует упоминание характеристики, но и вычисляет ее Influence (положительное или отрицательное) на оценку. Это позволяет понять причины удовлетворенности или неудовлетворенности пользователей.
4. Автоматический инференс предпочтений пользователя: Система активно строит профиль предпочтений пользователя (Quality Profile), анализируя его прошлые отзывы и то, какие характеристики он упоминает при выставлении оценок.
5. Критичность ORM/SERM для ранжирования сущностей: Это подтверждает важность управления репутацией. Необходимо не только иметь высокий средний рейтинг, но и иметь его по тем характеристикам, которые важны целевым сегментам аудитории.

Практика

Best practices (это мы делаем)

• Стимулирование детализированных отзывов: Мотивируйте пользователей оставлять не только оценки, но и подробные текстовые отзывы (Feedback Text). Чем больше деталей о положительных аспектах, тем точнее система сможет определить Characteristics и их положительный Influence.
• Анализ и кластеризация отзывов (Sentiment & Topic Analysis): Регулярно анализируйте массив отзывов (на вашем сайте, в Google Maps и т.д.) для выявления ключевых характеристик и их тональности. Используйте NLP для понимания сильных и слабых сторон с точки зрения разных сегментов аудитории.
• Оптимизация сущностей под ключевые характеристики: Убедитесь, что описание продукта/услуги (в микроразметке, Google Business Profile, на сайте) явно подчеркивает те характеристики, которые имеют положительное Influence и важны для целевой аудитории.
• Работа с негативом по ключевым характеристикам: Если важная характеристика имеет негативное Influence (например, «медленное обслуживание»), необходимо устранить проблему в бизнесе и затем стимулировать новые отзывы, подчеркивающие улучшение по этому аспекту.

Worst practices (это делать не надо)

• Накрутка оценок без текста: Механическая накрутка звезд (Quality Scores) без содержательных отзывов менее эффективна, так как не дает системе данных для анализа Characteristics и Influence.
• Игнорирование текстовых отзывов: Фокусироваться только на среднем балле и игнорировать содержание отзывов опасно. Система использует текст для определения того, как именно нужно скорректировать балл для других пользователей.
• Генерация шаблонных положительных отзывов: Если все отзывы упоминают одни и те же характеристики одинаковыми фразами, это может быть воспринято как манипуляция. Естественное разнообразие отзывов более ценно.

Стратегическое значение

Патент подтверждает стратегический сдвиг к динамическому, персонализированному ранжированию, основанному на глубоком понимании предпочтений пользователя и атрибутов сущностей с помощью NLP. Для SEO это означает, что управление репутацией и анализ отзывов (ORM/SERM) становятся критически важным элементом стратегии ранжирования в Local Search и E-commerce. Стратегия должна быть направлена на построение сильного соответствия между характеристиками продукта и предпочтениями целевых пользователей.

Практические примеры

Сценарий: Персонализированное ранжирование отеля в Local Pack

1. Сбор данных (Google): Отель «А» имеет средний рейтинг 3.5. Отель «Б» имеет средний рейтинг 4.0.
2. Анализ влияния (Google):
   • Система анализирует отзывы об Отеле «А». Средняя оценка отзывов, упоминающих «бассейн» = 5.0. Средняя оценка отзывов, упоминающих «цену» = 2.0.
   • Влияние «бассейна» положительное. Влияние «цены» сильно отрицательное.
3. Профиль пользователя (Google): Текущий пользователь ищет отель. Google анализирует его историю (Quality Profile): Вес «цены» = 1/10 (не важна). Вес «бассейна» = 9/10 (очень важен).
4. Персонализация (Google):
   • Для Отеля «А» система минимизирует негативное влияние «цены» и максимизирует положительное влияние «бассейна».
   • Personalized Quality Score для Отеля «А» рассчитывается как, например, 4.8.
5. Ранжирование (Результат): Несмотря на более низкий средний рейтинг (3.5 против 4.0), Отель «А» ранжируется выше Отеля «Б» для этого конкретного пользователя.
6. Действия SEO/ORM специалиста: Проанализировать отзывы и выявить, что «бассейн» является ключевым преимуществом. Стимулировать гостей, пользовавшихся бассейном, оставлять отзывы с упоминанием этого факта. Подчеркнуть наличие бассейна в описании GBP и на сайте.

Вопросы и ответы