Как Google использует логи запросов и популярность мест (Prominence) для ранжирования подсказок в Google Maps (Autocomplete)

Описание

Какую задачу решает

Патент решает проблему определения того, какой географический объект (Geographic Feature) наиболее вероятно ищет пользователь, вводящий только часть запроса (Query Prefix) в интерактивной картографической системе (например, Google Maps). Основная задача — разрешить неоднозначность (когда одно название относится к разным объектам) и отранжировать поисковые подсказки (Autocomplete) по релевантности.

Что запатентовано

Запатентована система и метод ранжирования географических объектов для генерации поисковых подсказок. Система использует исторические данные поиска (Query Logs) и метрики важности объектов (Prominence Score) для вычисления вероятностной оценки (Feature-Query Score). Эта оценка определяет вероятность того, что пользователь ищет именно этот объект, вводя данный префикс.

Как это работает

Система работает по вероятностной модели в реальном времени:

• Получение префикса: Пользователь вводит первые символы запроса.
• Идентификация кандидатов: Система находит все географические объекты, чьи названия включают этот префикс.
• Расчет оценок названий: Для каждого объекта и его подходящего названия вычисляется Feature-Name Score. Эта оценка основана на частоте запроса этого названия в Query Logs и доле этих запросов, атрибутированных (привязанных) именно к этому объекту.
• Атрибуция: Привязка запроса к объекту основывается либо на данных о том, какой объект пользователь выбрал после запроса (поведение), либо рассчитывается пропорционально Prominence Score объектов.
• Расчет оценки объекта: Итоговая оценка объекта (Feature-Query Score) вычисляется на основе оценок его названий (часто выбирается максимальная оценка).
• Ранжирование: Объекты ранжируются по Feature-Query Score и предоставляются как подсказки.

Актуальность для SEO

Высокая. Автодополнение (Autocomplete) является критически важной функцией картографических и поисковых систем, особенно на мобильных устройствах. Методы, основанные на анализе логов запросов и машинном обучении для быстрого предсказания намерений пользователя по первым буквам, остаются стандартом индустрии.

Важность для SEO

Патент имеет высокое значение (7.5/10) для Local SEO и оптимизации видимости в Autocomplete. Он раскрывает механизм ранжирования подсказок в Google Maps, подчеркивая критическую роль пользовательского поведения (частота запросов в Query Logs и клики) и авторитетности/популярности сущности (Prominence). Это влияет на видимость локального бизнеса на самом раннем этапе воронки поиска.

Детальный разбор

Термины и определения

Geographic Feature (Географический объект)

Любое место, сущность или структура, связанная с географическим положением (страны, города, бизнесы, достопримечательности и т.д.). Объект может иметь несколько названий (Names).

Feature-Name Score (Оценка Объект-Название)

Вероятностная оценка P(feature|name). Указывает на вероятность того, что пользователь, запросивший определенное название, искал именно этот объект. Рассчитывается на основе Query Logs и атрибуции.

Feature-Query Score (Оценка Объект-Запрос)

Итоговая оценка релевантности географического объекта введенному запросу (префиксу). Используется для финального ранжирования подсказок. Часто является максимальным Feature-Name Score для данного объекта.

Prominence Score (Оценка Значимости/Популярности)

Метрика, указывающая на априорную важность или популярность объекта, независимую от текущего запроса. Может основываться на частоте поиска, количестве жителей, посещаемости, упоминаниях в сети и т.д.

Query Logs (Логи запросов)

Исторические данные о запросах пользователей. Могут включать информацию о том, какой объект был выбран (кликнут) или показан после запроса.

Query Prefix (Префикс запроса)

Частичный запрос, введенный пользователем.

Attribution (Атрибуция)

Процесс определения того, к какому конкретному объекту относился запрос в логе.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования географических объектов для подсказок.

1. Система получает запрос (префикс).
2. Идентифицируются географические объекты, ассоциированные с названиями, включающими запрос.
3. Вычисляется Feature-Query Score для каждого объекта. Этот процесс включает для каждого названия объекта:
   • Атрибутирование (Attributing) количества вхождений названия в Query Log данному объекту.
   • Подсчет количества атрибутированных вхождений.
   • Получение Prominence Score объекта.
   • Идентификация Prominence Scores ДРУГИХ объектов, также связанных с этим названием.
   • Вычисление Feature-Name Score на основе общего количества вхождений в логе, количества атрибутированных вхождений, Prominence Score объекта и Prominence Scores других объектов.
4. Вычисление итогового Feature-Query Score на основе полученных Feature-Name Scores.
5. Ранжирование объектов в соответствии с Feature-Query Scores.

Ключевой аспект Claim 1 — явное включение Prominence Score (как своего, так и конкурентов за название) в расчет Feature-Name Score для разрешения неоднозначности.

Claim 4 (Зависимый): Детализирует расчет Feature-Name Score.

Вычисление включает деление количества вхождений названия, атрибутированных данному объекту, на общее количество вхождений этого названия в Query Log. Это формула вероятности P(Feature|Name).

Claim 5 и 6 (Зависимые): Описывают методы атрибуции запросов на основе поведения.

• Claim 5: Атрибуция основана на том, какой объект пользователь ВЫБРАЛ (кликнул) после запроса.
• Claim 6: Атрибуция основана на том, какой объект был ПРЕДОСТАВЛЕН системой пользователю в ответ на запрос.

Claim 7 (Зависимый): Определяет метод агрегации оценок.

Вычисление Feature-Query Score включает выбор максимального (maximum) Feature-Name Score среди всех оценок названий данного объекта.

Где и как применяется

Изобретение применяется в системах, отвечающих за понимание запросов и генерацию подсказок в реальном времени в картографических сервисах.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходят предварительные вычисления:

• Расчет и сохранение Prominence Scores для всех географических объектов.
• Индексация всех названий объектов для быстрого поиска по префиксу.
• Обработка и агрегация Query Logs для определения частоты запросов и статистики атрибуции (выборов/показов).

QUNDERSTANDING – Понимание Запросов (Основное применение)
Процесс происходит в реальном времени (Search-as-you-type). Когда пользователь вводит Query Prefix, система мгновенно выполняет поиск кандидатов, рассчитывает вероятностные оценки (Feature-Query Scores) на основе предварительно обработанных данных и ранжирует их для показа в Autocomplete.

Входные данные:

• Query Prefix (ввод пользователя).
• База данных географических объектов (включая Названия и Prominence Scores).
• Агрегированные данные Query Logs.

Выходные данные:

• Отранижированный список Query Suggestions (наиболее вероятные названия объектов).

На что влияет

• Конкретные типы контента: В первую очередь влияет на локальные сущности (листинги бизнесов, рестораны, магазины, достопримечательности) и топонимы (города, улицы).
• Специфические запросы: Запросы с географическим интентом и навигационные запросы. Применяется в интерфейсе Google Maps и, вероятно, в основном поиске Google при локальном интенте.
• Конкретные ниши или тематики: Высококонкурентные локальные ниши (например, отели, рестораны), где множество объектов могут соответствовать одному префиксу.

Когда применяется

• Триггеры активации: Ввод символов пользователем в строку поиска (Search-as-you-type) в интерактивной картографической системе.
• Временные рамки и частота применения: В реальном времени при каждом изменении префикса запроса.

Пошаговый алгоритм

Процесс ранжирования подсказок (на основе FIG. 3 и FIG. 4):

1. Получение префикса: Система получает Query Prefix от пользователя.
2. Идентификация кандидатов: Система ищет географические объекты, у которых есть названия, соответствующие префиксу.
3. Инициализация расчета оценок: Система начинает итерацию по списку объектов-кандидатов.
4. Итерация по названиям: Для выбранного объекта система перебирает все его названия, которые соответствуют префиксу.
5. Расчет Feature-Name Score: Для каждой пары (Объект, Название) вычисляется оценка P(Feature|Name).
   1. Определяется общее количество вхождений Названия в Query Logs (Total counts of name).
   2. Определяется количество вхождений, атрибутированных данному Объекту (Counts of name attributed to feature). Это делается одним из методов:
      • На основе логов поведения (если пользователь искал Название и кликнул на Объект).
      • Или путем распределения общего количества вхождений пропорционально Prominence Score Объекта по сравнению с другими объектами с этим Названием.
   3. Вычисляется оценка: (Атрибутированные вхождения) / (Общие вхождения).
6. Расчет Feature-Query Score: После перебора всех названий объекта система вычисляет итоговую оценку. Согласно Claim 7, это максимальный Feature-Name Score среди всех названий объекта.
7. Ранжирование: Все объекты-кандидаты ранжируются в порядке убывания их Feature-Query Score.
8. Предоставление подсказок: Топ-N результатов предоставляются пользователю в качестве Query Suggestions.

Какие данные и как использует

Данные на входе

Патент фокусируется на трех основных типах данных:

• Поведенческие факторы (Критически важно): Query Logs. Используется частота запросов (Counts of name). Также используются данные об атрибуции — информация о том, какой объект был выбран пользователем (клики) или показан системой после ввода запроса.
• Данные о сущностях (Entity Data): Информация из базы данных географических объектов (например, Google Maps Database). Включает сами объекты (Geographic Features) и их различные названия (Names).
• Метрики авторитетности сущностей: Prominence Score. Предварительно рассчитанная оценка важности или популярности объекта.

Какие метрики используются и как они считаются

• P(feature|name) (Вероятность объекта при заданном названии): Основная метрика расчета Feature-Name Score.
  Формула: (Counts of name attributed to feature) / (Total counts of name).
• Методы Атрибуции (Attribution): Ключевой процесс определения того, какая доля запросов названия относится к конкретному объекту. Патент описывает два основных подхода:
  1. Прямая атрибуция по поведению: Основана на логах, фиксирующих, какой объект был выбран или показан после запроса (Claims 5, 6).
  2. Пропорциональная атрибуция по Популярности: Атрибуция рассчитывается пропорционально Prominence Score объекта по сравнению с Prominence Scores других объектов, имеющих такое же название. Формула может выглядеть как: (Prominence Score объекта) / (Сумма Prominence Scores всех объектов с этим названием).
• Агрегация оценок: Для расчета итогового Feature-Query Score используется агрегация Feature-Name Scores. Патент предлагает использовать функцию MAX (Claim 7) — выбирается наиболее вероятное название объекта.

Выводы

1. Ранжирование в Autocomplete — это вероятностная задача: Google не просто ищет совпадения по тексту, а рассчитывает вероятность того, что пользователь, вводящий префикс, ищет конкретный географический объект.
2. Пользовательское поведение (Query Logs) — основной фактор: Частота, с которой ищут определенное название и кликают на конкретный результат, напрямую влияет на его позицию в Autocomplete.
3. Критичность атрибуции запроса к сущности: Важно не только то, как часто ищут название, но и то, как часто эти поиски приводят именно к вашему объекту (Counts of name attributed to feature). Google активно использует данные о кликах для этой привязки.
4. Роль Prominence (Популярности/Авторитетности): Prominence Score является ключевым сигналом для разрешения неоднозначностей и атрибуции запросов, особенно когда поведенческих данных недостаточно. Это подчеркивает важность E-E-A-T в Local SEO.
5. Учет многоименности сущностей: Система анализирует все названия объекта и выбирает то, которое дает наибольшую вероятность (MAX Feature-Name Score), обеспечивая наилучшее ранжирование объекта.

Практика

Best practices (это мы делаем)

• Стимулирование брендового и навигационного трафика: Необходимо увеличивать частоту поиска вашего бизнеса по его названиям. Это напрямую увеличивает данные в Query Logs. Используйте офлайн-рекламу и медиа-активности для повышения узнаваемости и стимулирования пользователей искать именно ваш бренд в Картах.
• Повышение Prominence (Известности и Популярности): Так как Prominence Score используется для атрибуции запросов, необходимо работать над общей авторитетностью бизнеса. Это включает сбор отзывов, упоминаний в авторитетных источниках (PR, локальные медиа) и улучшение сигналов E-E-A-T.
• Обеспечение корректной атрибуции (Оптимизация CTR в Картах): Если название вашего бизнеса неоднозначно, критически важно, чтобы пользователи выбирали именно ваш объект. Оптимизируйте Google Business Profile (GMB): используйте привлекательные фото, точное описание и управляйте отзывами, чтобы повысить CTR вашего листинга в результатах поиска Карт.
• Консистентность и полнота названий (NAP): Убедитесь, что система знает все релевантные варианты названия вашего бизнеса (включая сокращения или синонимы) и что они консистентны во всех источниках (NAP-консистентность).

Worst practices (это делать не надо)

• Искусственная накрутка поисковых подсказок: Попытки манипулировать Query Logs путем генерации фейковых запросов. Это рискованная тактика, так как Google фильтрует аномальное поведение. Важна не только частота, но и естественная атрибуция (клики).
• Спам в названии (Keyword Stuffing в GMB): Добавление ключевых слов в название бизнеса. Если пользователи не ассоциируют это название с вашим бизнесом и не выбирают ваш объект (низкая атрибуция), это не даст эффекта и может привести к пессимизации.
• Игнорирование сигналов Prominence: Фокус только на технических аспектах GMB без работы над реальной популярностью и авторитетностью бизнеса снижает потенциал ранжирования в Autocomplete, особенно при неоднозначных названиях.

Стратегическое значение

Патент подтверждает стратегическую важность объединения SEO, маркетинга и PR для локального продвижения. Видимость в Google Maps, начиная с этапа Autocomplete, напрямую зависит от реальной популярности бизнеса (Prominence) и того, как часто его ищут пользователи (Query Logs). Local SEO стратегия должна быть направлена на построение сильного локального бренда и управление его сущностью (Entity-Based SEO), а не только на оптимизацию листинга.

Практические примеры

Сценарий: Разрешение неоднозначности и повышение видимости в Autocomplete

Ситуация: В городе есть два ресторана «Osteria Mamma». Ресторан А — известный (Высокий Prominence). Ресторан Б — новый (Низкий Prominence).

1. Анализ (по патенту): Когда пользователь вводит «Osteria M», система должна решить, какой ресторан показать выше. Она анализирует Query Logs.
2. Атрибуция: Допустим, запрос «Osteria Mamma» вводят 1000 раз в месяц.
   • Метод 1 (Поведение): Если логи показывают, что 800 раз пользователи кликнули на Ресторан А и 200 раз на Б.
   • Метод 2 (Prominence): Если данных о кликах нет, система распределит 1000 запросов пропорционально Prominence Score (например, 90% к А, 10% к Б).
3. Расчет Feature-Name Score (по методу 1):
   • Ресторан А: 800 / 1000 = 0.8
   • Ресторан Б: 200 / 1000 = 0.2
4. Результат: Ресторан А будет ранжироваться значительно выше в подсказках.
5. Действия для SEO (Ресторан Б): Необходимо агрессивно наращивать Prominence (PR, отзывы) и стимулировать пользователей искать и выбирать именно листинг Ресторана Б (например, через акции с указанием точного адреса или уникального идентификатора), чтобы изменить баланс атрибуции в Query Logs.

Вопросы и ответы