Как Google использует «Known For Terms» (KFT) для определения и показа похожих бизнесов в Google Maps

Описание

Какую задачу решает

Патент решает проблему ограниченности традиционных картографических систем, которые полагаются преимущественно на совпадение ключевых слов, широкие категории или только близость. Такие системы часто упускают релевантные результаты или не учитывают контекстуальные потребности пользователя. Изобретение направлено на улучшение пользовательского опыта путем идентификации и выделения действительно связанных точек интереса (POI), включая альтернативы (Alternatives), дополнения (Compliments) и вспомогательные сервисы (Accessories).

Что запатентовано

Запатентована система и метод расчета степени связанности (Relatedness Score) между точками интереса (POI) на основе двух типов атрибутов: Known For Terms (KFT) — специфических характеристик, которыми известно место, и Topical Refinement Categories (TRC) — широких категорий. Система использует предварительно рассчитанные оценки важности этих атрибутов (Base Scores) и вычисляет, насколько каждый атрибут релевантен конкретному бизнесу (Relevance Score), чтобы определить их схожесть.

Как это работает

Когда пользователь выбирает точку интереса (Source POI), система идентифицирует другие POI поблизости, которые разделяют с ней общие KFT или TRC. Для этих кандидатов рассчитывается Relatedness Score. Ключевым механизмом является сравнение Relevance Scores общих атрибутов и применение функции обратной частоты (inverse frequency). Это означает, что если два ресторана известны уникальным блюдом, их связанность будет выше, чем если бы они оба были известны общим термином (например, «Еда»). Затем система комбинирует оценки по KFT и TRC и отображает наиболее связанные POI на карте.

Актуальность для SEO

Высокая. Понимание сущностей, их атрибутов и взаимосвязей является центральным элементом современного поиска, особенно локального. Механизмы, описанные в патенте, напрямую связаны с тем, как Google определяет, чем именно известен бизнес (его специализацию и уникальные предложения), что критически важно для ранжирования и рекомендаций в Google Maps и Local Search.

Важность для SEO

Патент имеет высокое значение для Local SEO. Он предоставляет конкретный механизм того, как Google анализирует атрибуты бизнеса за пределами базовых категорий GMB. Это подчеркивает критическую важность управления репутацией и контентом (особенно отзывами и веб-текстами), поскольку именно они являются источником Known For Terms (KFT). Понимание этого механизма позволяет оптимизировать присутствие бизнеса так, чтобы он ассоциировался с правильными и уникальными KFT.

Детальный разбор

Термины и определения

Accessories (Аксессуары)

POI, которые удовлетворяют неявные потребности пользователя, связанные с посещением основного POI (например, банкомат или парковка рядом с рестораном).

Alternatives (Альтернативы)

POI, которые похожи на выбранный POI и могут служить заменой (например, другой ресторан той же кухни).

Base Score (Базовая оценка)

Предварительно назначенное значение, описывающее общую важность или популярность KFT или TRC по сравнению со всеми другими KFT/TRC в базе данных.

Compliments (Дополнения)

POI, которые хорошо сочетаются с посещением основного POI, но не являются альтернативой (например, пекарня или театр после ресторана).

Freq(Term) / Frequency Factor (Фактор частотности)

Функция, рассчитываемая как обратная частота (1 / (Количество POI с этим термином)^K). Используется для снижения веса распространенных терминов и повышения веса уникальных атрибутов при расчете связанности.

KFT (Known For Terms / Известен благодаря)

Слова или фразы, описывающие специфические характеристики, особенности или специализацию POI. Примеры: «Пад Тай», «Живая музыка». Извлекаются из отзывов, описаний, поисковых запросов и социальных данных.

Place Graph (Граф мест)

Двудольный граф (Bipartite Graph), используемый как структура данных для связи POI с их соответствующими KFT или TRC.

POI (Point of Interest / Точка интереса)

Сущность с фиксированным физическим местоположением (бизнес, достопримечательность).

Relatedness Score (Оценка связанности)

Вычисляемая метрика, измеряющая степень схожести или ассоциации между двумя POI на основе их общих KFT и/или TRC. Рассчитывается путем сравнения их Relevance Scores и применения Freq(Term).

Relevance Score (Оценка релевантности)

Вычисляемая метрика (R_TRC, R_KFT), показывающая, насколько конкретный KFT или TRC релевантен для конкретного POI. Нормализуется относительно атрибута с наивысшим Base Score для этого POI.

TRC (Topical Refinement Categories / Категории тематического уточнения)

Широкие категории, описывающие тип POI. Примеры: «Ресторан», «Бар», «Продуктовый магазин».

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения и отображения связанных POI.

1. Система получает запрос, указывающий на выбранный POI. Этот POI ассоциирован с KFT и TRC, каждый из которых имеет Base Score (оценку важности термина в глобальной базе).
2. Определяются связанные POI, которые имеют общие KFT и/или TRC с выбранным POI.
3. Строятся графы мест (KFT Place Graph и TRC Place Graph).
4. Определяются кандидаты для оценки.
5. Вычисляются Relevance Scores для всех KFT и TRC кандидатов (насколько термин важен для POI).
6. Определяется пересечение (intersection) KFT и TRC между выбранным POI и кандидатами.
7. Вычисляются KFT Relatedness Score и TRC Relatedness Score для POI, имеющих общие термины.
8. Вычисляется Total Relatedness Score (сумма оценок KFT и TRC).
9. Система отправляет инструкцию клиентскому устройству для отображения связанных POI, чей Total Relatedness Score превышает порог.

Claim 5 и Claim 7 (Зависимые): Детализируют расчет Relatedness Score (для TRC и KFT соответственно).

Оценка связанности включает минимум между Relevance Score для выбранного POI и Relevance Score для связанного POI, плюс обратное значение количества POI, которые содержат этот термин (inverse frequency или Frequency Factor).

Это ключевой механизм: связанность определяется тем, насколько важен общий атрибут для обоих бизнесов (берется минимум из двух значений), с поправкой на уникальность этого атрибута (обратная частота).

Claim 8 (Зависимый от 1): Уточняет использование весовых коэффициентов (K в формулах патента).

Коэффициент используется для смещения оценки против более распространенных (менее уникальных) KFT и TRC, усиливая эффект уникальности.

Где и как применяется

Изобретение применяется в интерфейсах картографических сервисов (например, Google Maps) для генерации рекомендаций.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит сбор данных. Извлекаются KFT и TRC для каждого POI из различных источников (отзывы, веб-страницы, социальные сети). Также на этом этапе (офлайн) рассчитываются глобальные Base Scores для всех KFT и TRC и строятся Place Graphs.

RANKING / RERANKING – Ранжирование / Переранжирование
Основное применение патента происходит в реальном времени. Когда POI выбран пользователем, система запускает процесс расчета Relatedness Scores для соседних POI и определяет, какие из них следует выделить на карте. Это форма динамического переранжирования локальных результатов вокруг выбранной точки.

Входные данные:

• Выбранный пользователем POI (Source POI).
• Границы видимой области карты и масштаб (Zoom level).
• Базы данных KFT и TRC с ассоциациями и Base Scores.
• Контекст пользователя (например, тип передвижения).

Выходные данные:

• Список связанных POI (альтернативы, комплименты, аксессуары) с рассчитанными Total Relatedness Scores.
• Инструкции для отображения этих POI на карте клиента.

На что влияет

• Конкретные типы контента: Влияет на отображение локальных сущностей (POI) в картографических сервисах. Не влияет напрямую на ранжирование веб-документов в органическом поиске.
• Конкретные ниши или тематики: Влияет на все локальные ниши. Особенно сильно проявляется в нишах с большим разнообразием предложений (например, рестораны), где KFT играют большую роль в дифференциации, чем в стандартизированных нишах (например, отели), где TRC могут иметь больший вес.

Когда применяется

• Триггеры активации: Система активируется, когда пользователь взаимодействует с конкретным POI на карте (кликом, наведением).
• Исключения и особые случаи: Система может не применяться, если запрос слишком широкий (например, поиск «Банки» без выбора конкретного банка) или если масштаб карты слишком велик (например, обзор страны), где локальные связи не актуальны.

Пошаговый алгоритм

Этап А: Предварительная подготовка данных (Офлайн / Индексирование)

1. Сбор данных и извлечение терминов: Анализ отзывов, веб-контента, социальных сетей для извлечения KFT и TRC для всех POI.
2. Расчет глобальных метрик: Вычисление Base Score (глобальная важность) и Frequency Factor (глобальная уникальность) для каждого KFT и TRC.
3. Построение графов: Создание KFT и TRC Place Graphs, связывающих POI с их терминами.

Этап Б: Обработка запроса (Реальное время / Ранжирование)

1. Получение запроса: Идентификация выбранного пользователем Source POI и границ карты.
2. Выбор кандидатов: Использование Place Graphs для нахождения соседних POI (Neighbor POIs), которые имеют общие KFT или TRC с Source POI.
3. Расчет Оценки Релевантности (Relevance Score): Для Source POI и каждого Neighbor POI рассчитывается Relevance Score для всех их терминов. Это нормализация Base Score термина относительно самого важного термина данного POI.
4. Расчет Оценки Связанности (Relatedness Score): Для каждой пары (Source POI, Neighbor POI) вычисляется KFT Relatedness Score и TRC Relatedness Score. Для каждого общего термина берется минимальная Relevance Score между двумя POI и к ней добавляется Frequency Factor этого термина.
5. Расчет Общей Оценки Связанности (Total Relatedness Score): Взвешенное суммирование KFT и TRC Relatedness Scores. Веса могут зависеть от типа POI (например, для ресторанов вес KFT выше).
6. Фильтрация и Микширование: Отбор POI, превысивших пороговое значение. Определение микса результатов (альтернативы, дополнения, аксессуары) с учетом контекста пользователя и уровня масштабирования.
7. Отображение результатов: Передача данных клиентскому устройству для отрисовки связанных POI на карте.

Какие данные и как использует

Данные на входе

• Контентные факторы: Критически важные данные. Тексты отзывов пользователей, описания бизнеса, тексты на веб-сайте POI, упоминания в социальных сетях. Эти данные являются источником для извлечения Known For Terms (KFT).
• Структурные факторы: Категории бизнеса (например, категории GMB), которые используются как основа для Topical Refinement Categories (TRC).
• Поведенческие факторы (косвенно): Прошлые поисковые запросы пользователей могут использоваться для определения популярности терминов и расчета их Base Scores.
• Пользовательские факторы: Контекст пользователя (например, способ передвижения) и текущий уровень масштабирования карты (Zoom level) используются на этапе фильтрации и определения типа связанных POI.

Какие метрики используются и как они считаются

Система использует многоступенчатую модель скоринга с конкретными формулами:

1. Base Score (Score_p(Term)): Предварительно рассчитанная глобальная важность термина (KFT или TRC).

2. Relevance Score (R(p,i)): Насколько термин i релевантен для POI p. Нормализуется по термину с максимальным Base Score (Term_0) для этого POI.

Для TRC (Уравнение 1):
R_TRC(p,i) = Score_p(TRC_i) / Score_p(TRC_0) (Линейная нормализация)

Для KFT (Уравнение 4):
R_KFT(p,i) = log2(Score_p(KFT_i)) / log2(Score_p(KFT_0)) (Логарифмическая нормализация)

3. Frequency Function (Freq(Term)): Обратная частота термина (Уникальность).

Для TRC (Уравнение 3) и KFT (Уравнение 6):
Freq(Term) = 1 / (Количество POI с этим Термином)^K
Где K — весовой коэффициент для настройки чувствительности к распространенности термина.

4. Relatedness Score (POI relatedness): Оценка связанности между двумя POI. Рассчитывается путем суммирования по всем общим терминам (i).

Для TRC (Уравнение 2) и KFT (Уравнение 5):
POI relatedness = Сумма_i [ ( min[R(selected POI, i), R(current POI, i)] + Freq(Term_i) ) / 2 ]

5. Total Relatedness Score (Итоговая оценка): Взвешенная сумма оценок KFT и TRC (Уравнение 7).

Total Score = weight_KFT * total_KFT + weight_TRC * total_TRC

Выводы

1. Переход от категорий к специфическим атрибутам (KFT): Патент демонстрирует механизм, позволяющий Google глубоко понимать специализацию бизнеса (Known For Terms — KFT), а не только его общую категорию (TRC). Это позволяет находить более точные и полезные связи между локальными сущностями.
2. Приоритет уникальности (Inverse Frequency): Механизм расчета связанности включает функцию обратной частоты Freq(Term). Это означает, что система целенаправленно снижает вес общих, распространенных терминов и повышает вес уникальных общих характеристик. Обладание уникальными KFT дает стратегическое преимущество.
3. Важность релевантности атрибута (Relevance Score и функция min): Недостаточно просто иметь общий KFT с другим бизнесом. Этот KFT должен быть высоко релевантен для обоих бизнесов. Связанность ограничивается наименьшей релевантностью термина для одного из двух мест (использование функции minimum).
4. Зависимость от неструктурированных данных (UGC): Извлечение KFT полагается на анализ отзывов, описаний и веб-контента. Это подчеркивает, что то, как пользователи и владельцы описывают бизнес (особенно в отзывах), напрямую влияет на то, как Google понимает его сущность и связи.
5. Адаптивное взвешивание и контекст: Система учитывает тип POI при взвешивании KFT и TRC (например, KFT важнее для ресторанов, чем для отелей), а также контекст пользователя (масштаб карты, способ передвижения) при финальном отображении результатов.

Практика

Best practices (это мы делаем)

• Фокус на уникальных предложениях (KFT): Необходимо четко определить, чем известен бизнес и какие у него уникальные предложения. Эти специфические атрибуты (потенциальные KFT) должны активно продвигаться, так как уникальность повышает Relatedness Score.
• Стимулирование детализированных отзывов (KFT Mining): Активно работайте над получением отзывов, которые упоминают конкретные продукты, услуги или особенности. Отзывы вроде «Все хорошо» менее ценны, чем «Лучший Пад Тай в городе», так как последний генерирует сильный KFT.
• Оптимизация контента под KFT: Убедитесь, что веб-сайт бизнеса и описание в Google Business Profile (GMB) содержат тексты, подтверждающие его специализацию (KFT). Создавайте контент, который подробно раскрывает ключевые услуги и продукты.
• Анализ KFT конкурентов: Изучайте, с какими KFT ассоциируются успешные конкуренты (анализируя отзывы о них и их контент). Это поможет понять, какие атрибуты нужно развивать, чтобы ваш бизнес отображался как релевантная альтернатива.

Worst practices (это делать не надо)

• Фокус только на широких категориях: Оптимизация только под общую категорию (TRC) без работы над специфическими атрибутами (KFT) не позволит эффективно использовать описанный механизм рекомендаций.
• Использование только общих терминов: Попытки оптимизации под слишком общие термины (например, «еда», «услуги») неэффективны, так как функция обратной частоты (Freq(Term)) значительно снижает их вес в расчетах связанности.
• Игнорирование UGC (отзывов): Отсутствие работы с отзывами лишает систему основного источника данных для определения KFT, что снижает понимание системой специализации бизнеса.
• Манипуляции и спам в отзывах: Генерация фейковых отзывов с общими фразами не поможет сформировать сильные KFT. Попытки внедрить нерелевантные KFT также неэффективны из-за расчета Relevance Score.

Стратегическое значение

Этот патент подтверждает, что Google обладает сложными механизмами для понимания локальных сущностей на уровне атрибутов. Для долгосрочной Local SEO стратегии критически важно формировать четкую и уникальную идентичность бизнеса (Entity Identity). Успех зависит от способности транслировать уникальные торговые предложения бизнеса в термины (KFT), которые Google может извлечь и верифицировать из независимых источников (отзывы, веб).

Практические примеры

Сценарий 1: Отображение альтернативного ресторана

1. Исходный POI: Пользователь выбирает ресторан «La Spiga».
2. Анализ атрибутов: Система определяет, что для «La Spiga» ключевым KFT является «Ragu» с высоким Relevance Score.
3. Поиск кандидатов: Система находит ресторан «Franchesca’s», который также имеет KFT «Ragu» с высоким Relevance Score.
4. Расчет связанности:
   • Система берет минимум из Relevance Score «Ragu» для обоих ресторанов.
   • Система рассчитывает Freq(Ragu). Предположим, «Ragu» — относительно уникальный термин в этой области, поэтому Freq(Ragu) высокий.
   • Relatedness Score между ними получается высоким.
5. Результат: «Franchesca’s» отображается на карте как выделенная альтернатива для пользователя, смотрящего на «La Spiga».

Сценарий 2: Влияние уникальности термина

1. Сравнение: Два кафе, «A» и «B», имеют общий KFT «Кофе». Два других кафе, «C» и «D», имеют общий KFT «Латте с куркумой».
2. Расчет Freq(Term): Freq(Кофе) будет очень низким, так как тысячи POI имеют этот KFT. Freq(Латте с куркумой) будет высоким, так как это уникальное предложение.
3. Результат: Связанность между «C» и «D» будет оценена значительно выше, чем между «A» и «B», благодаря уникальности общего атрибута.

Вопросы и ответы