Как Google использует контекст пользователя (местоположение, время, историю) для предсказания поискового намерения в локальном поиске (Queryless Search)

Описание

Какую задачу решает

Патент решает проблему неэффективности и временных затрат, связанных с ручным вводом поисковых запросов для нахождения локальных точек интереса (POI), особенно на мобильных устройствах. Изобретение улучшает пользовательский опыт путем прогнозирования потребностей пользователя на основе его текущего контекста, предлагая релевантные категории поиска без необходимости ввода текста (Queryless Search).

Что запатентовано

Запатентована система для генерации «динамической панели управления» (Dynamic Dashboard) – списка категорий поиска, предоставляемого без предварительного ввода запроса пользователем. Система использует глубокий анализ контекстуальной информации (время, местоположение, историю поиска и историю перемещений) для выбора и отображения наиболее релевантных категорий в данный момент и в данном месте, адаптируясь к степени знакомства пользователя с локацией.

Как это работает

Система функционирует по следующему принципу:

• Триггер: Запуск приложения (Initiation Command) без ввода текстового запроса.
• Сбор контекста: Система извлекает текущее местоположение, локальное время, историю поиска и историю перемещений пользователя.
• Анализ и инференс: Система предсказывает намерения (например, время ужина предполагает поиск еды) и определяет, знаком ли пользователь с местностью (на основе истории перемещений).
• Формирование панели: Отображается Dynamic Dashboard с выбранными категориями.
• Взаимодействие и поиск: Пользователь выбирает категорию. Система выполняет поиск.
• Фильтрация: Результаты жестко фильтруются по контексту: «Открыто сейчас», соответствие времени суток и динамический радиус поиска, зависящий от плотности заведений.

Актуальность для SEO

Высокая. Предиктивный и контекстный поиск являются ядром мобильной стратегии Google. Механизмы, описанные в патенте, напрямую соотносятся с функциями современных интерфейсов, таких как вкладка «Explore» (Обзор) в Google Maps или ленты рекомендаций, где контент и предложения формируются проактивно на основе контекста пользователя.

Важность для SEO

Патент имеет высокое значение (7.5/10), особенно для локального SEO (Local SEO). Он описывает основной механизм обнаружения локальных бизнесов в мобильных интерфейсах без явного запроса. Если сущность (бизнес) некорректно категоризирована или не предоставляет критически важные данные, используемые для фильтрации (например, часы работы), она не будет показана в этих результатах Queryless Search, теряя значительную часть трафика.

Детальный разбор

Термины и определения

Aggregate volume of searches (Агрегированный объем поисков)

Данные о поисковых запросах, выполненных множеством других пользователей. Используются для определения популярных категорий в определенном месте или в определенное время.

Density of Establishments (Плотность заведений)

Метрика, характеризующая количество точек интереса (POI) определенной категории в заданной области. Используется для динамической регулировки радиуса поиска (Threshold Proximity).

Dynamic Dashboard (Динамическая панель управления)

Пользовательский интерфейс, отображающий автоматически выбранный набор поисковых категорий, релевантных текущему контексту пользователя.

Initiation Command (Команда инициации)

Сигнал от клиентского устройства, запускающий процесс выбора категорий. Обычно это запуск приложения. Важно, что эта команда не содержит поисковой строки.

Location History (История местоположений)

Запись о предыдущих местоположениях клиентского устройства. Используется для определения степени знакомства пользователя с текущей локацией (Familiarity).

Queryless Search / Zero-Query Search (Поиск без запроса)

Механизм поиска, который предоставляет результаты или категории без необходимости ввода пользователем текстового запроса, основываясь на контексте.

Threshold Proximity (Пороговая близость)

Максимальное расстояние от пользователя, в пределах которого выполняется поиск результатов. Динамически изменяется на основе Density of Establishments.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод предоставления списка категорий с акцентом на анализ знакомства пользователя с локацией.

1. Система получает контекст, включающий текущее местоположение и Location History.
2. Определяется, появляется ли текущее местоположение в Location History с частотой выше порогового значения (т.е. знаком ли пользователь с локацией).
3. Выбирается подмножество поисковых категорий на основе контекста. Выбор происходит без получения какой-либо части поисковой строки от пользователя.
4. Критически важный момент: Если определено, что пользователь часто бывает в этой локации (частота выше порога), система выбирает предопределенный набор категорий, «предназначенный для пользователей, знакомых с их текущим местоположением». (Например, подавление базовых категорий вроде ресторанов и отелей).
5. Подмножество категорий отображается, система получает выбор пользователя и выполняет поиск.

Claim 3, 4, 5 (Зависимые): Уточняют, какие данные используются для выбора категорий.

• Локальное время суток (Local time of day) (Claim 3).
• Личная история поиска пользователя (Client search history) (Claim 4).
• Агрегированная история поиска (Aggregate volume of searches) других пользователей, находящихся поблизости или искавших в аналогичное время (Claim 5).

Claim 14, 15, 16 (Зависимые): Описывают процесс жесткой фильтрации результатов после выбора категории.

• Claim 14 и 15: Результаты фильтруются на основе локального времени. В частности, удаляются точки интереса, которые не открыты в текущее время (Фильтр «Открыто сейчас»).
• Claim 16: Фильтрация по соответствию времени суток. Например, для категории «Рестораны» выбираются заведения, предлагающие меню, соответствующее времени (например, ужин вечером, а не завтрак).

Claim 17, 18 (Зависимые) и Claim 19 (Независимый): Описывают фильтрацию по местоположению и динамический радиус поиска.

• Результаты фильтруются для удаления локаций, находящихся за пределами Threshold Proximity (Claim 17).
• Система определяет Density of Establishments для выбранной категории в текущей локации и динамически устанавливает Threshold Proximity на основе этой плотности (Claim 18, 19). (Например, в центре города радиус меньше, на окраине — больше).

Где и как применяется

Изобретение функционирует на стыке понимания намерений пользователя и финального формирования выдачи в контексте предиктивного поиска.

INDEXING – Индексирование и извлечение признаков
Система должна иметь доступ к базе данных точек интереса (POI) с точными атрибутами: категория, геолокация, часы работы, специализация меню. Также индексируются агрегированные данные о поисковой активности.

QUNDERSTANDING – Понимание Запросов (Предиктивная фаза)
Основное применение патента. Хотя явного запроса нет, система интерпретирует время, место и историю пользователя как неявный запрос (Implicit Query). Происходит анализ Location History для определения знакомства с локацией и выбор наиболее релевантных категорий для отображения на Dynamic Dashboard.

RANKING – Ранжирование
После выбора категории стандартные алгоритмы локального ранжирования (Local Ranking) определяют порядок результатов, используя текущее местоположение пользователя как ключевой фактор.

RERANKING – Переранжирование (Фильтрация)
На этом этапе происходит жесткая фильтрация результатов. Применяются фильтры «Открыто сейчас» и фильтрация по релевантности времени суток (на основе времени), а также фильтр по близости (Threshold Proximity), радиус которого динамически рассчитывается на основе Density of Establishments.

Входные данные:

• Initiation Command (факт запуска приложения).
• Текущие GPS-координаты и локальное время.
• Личная история поиска и Location History пользователя.
• Агрегированные данные о поиске других пользователей.

Выходные данные:

• На первом этапе: Dynamic Dashboard (список категорий).
• На втором этапе (после выбора): Отфильтрованный и отсортированный список POI.

На что влияет

• Конкретные типы контента: Влияет исключительно на локальные сущности (Local Entities) и точки интереса (POI) — рестораны, магазины, банки, достопримечательности, транспорт. Не влияет на ранжирование информационного веб-контента.
• Специфические запросы: Влияет на сценарии поиска без явного запроса (Queryless Search), заменяя собой общие локальные запросы.
• Конкретные ниши или тематики: Критическое влияние на сферы услуг, ритейл, общепит и туризм.
• Географические ограничения: Механизм сильно зависит от точности геолокационных данных и плотности POI в регионе. Поведение системы меняется в зависимости от того, город это или сельская местность.

Когда применяется

• Триггеры активации: Запуск поискового или картографического приложения (например, Google Maps) или активация поискового ассистента на мобильном устройстве до ввода текста.
• Условия работы: Наличие доступа к контекстуальным данным пользователя (геолокация, история). Патент указывает, что использование Location History требует разрешения пользователя.

Пошаговый алгоритм

Этап А: Предиктивное предложение категорий

1. Инициализация: Получение Initiation Command (запуск приложения).
2. Сбор контекста: Извлечение текущего местоположения, локального времени, личной истории поиска и Location History.
3. Оценка знакомства с локацией (Familiarity Check): Анализ Location History для определения частоты посещения текущей локации.
   • Если частота высокая (пользователь знаком): Активируется логика для знакомых мест (например, скрытие базовых категорий вроде отелей).
   • Если частота низкая (новое место): Активируется логика для туристов (приоритизация ресторанов, достопримечательностей).
4. Выбор категорий (Инференс намерений): Система выбирает подмножество категорий на основе времени, места, личной истории и агрегированных данных (популярность в локации).
5. Отображение панели: Предоставление Dynamic Dashboard пользователю.

Этап Б: Выполнение поиска и фильтрация

1. Обработка выбора: Получение выбора категории от пользователя.
2. Выполнение поиска: Запуск поиска по выбранной категории.
3. Временная фильтрация: Удаление закрытых заведений и тех, что не соответствуют времени суток (например, фильтрация по меню).
4. Расчет динамического радиуса: Определение Density of Establishments. Установка Threshold Proximity (например, низкая плотность -> большой радиус).
5. Гео-фильтрация: Удаление результатов за пределами Threshold Proximity.
6. Отображение результатов: Предоставление финального списка POI.

Какие данные и как использует

Данные на входе

• Географические факторы:
  1. Текущие GPS-координаты: используются как центр для поиска результатов и для выбора релевантных категорий.
  2. Location History: используется для определения степени знакомства пользователя с локацией (Familiarity), что влияет на выбор категорий.
• Временные факторы:
  1. Локальное время суток: используется для инференса намерений (выбора категорий) и для фильтрации результатов (Открыто сейчас, релевантность предложений/меню).
• Поведенческие и Пользовательские факторы:
  1. Личная история поиска (Client search history): используется для персонализации выбора категорий (учет предпочтений).
  2. Агрегированный объем поисков (Aggregate volume of searches): используется для определения трендов и популярности категорий в данной местности или в данное время.

Какие метрики используются и как они считаются

• Frequency Threshold (Порог частоты посещений): Предопределенное значение для анализа Location History. Если частота посещения локации выше порога, локация считается знакомой.
• Density of Establishments (Плотность заведений): Рассчитывается для конкретной категории в окрестностях пользователя.
• Threshold Proximity (Пороговая близость): Динамически рассчитываемый радиус поиска. Он является функцией от Density of Establishments (обратная зависимость: выше плотность – меньше радиус).
• Ранжирование категорий: Основывается на агрегации всех контекстуальных сигналов. Категории с более высокой частотой запросов в агрегированных данных ранжируются выше.

Выводы

1. Приоритет контекста над запросом (Queryless Search): Патент подтверждает стратегическую важность контекстуальных сигналов (время, место, история) в мобильном поиске, где они могут полностью заменять текстовый запрос.
2. Гиперперсонализация через историю перемещений: Использование Location History для определения «знакомства» с локацией является ключевой особенностью. Система по-разному обслуживает «местных» и «туристов», предлагая им разные наборы категорий в одной и той же точке.
3. Жесткая фильтрация по атрибутам сущностей: Система активно использует атрибуты POI для фильтрации, а не только для ранжирования. Фильтры «Открыто сейчас» и фильтрация по релевантности времени суток (завтрак/ужин) означают, что неточные данные о бизнесе ведут к полному исключению из выдачи.
4. Динамический радиус поиска: Радиус поиска (Threshold Proximity) не фиксирован. Он адаптируется к плотности заведений (Density of Establishments), что меняет конкурентную среду в плотных городских районах и менее населенных.
5. Влияние популярности на видимость категорий: Агрегированные данные о поведении пользователей (Aggregate volume of searches) напрямую влияют на то, какие категории будут предложены. Популярность категории в регионе повышает вероятность ее появления на Dynamic Dashboard.

Практика

Best practices (это мы делаем)

• Максимальная оптимизация локальных сущностей (GBP): Критически важно обеспечить абсолютную точность данных в Google Business Profile.
  1. Часы работы: Основной фильтр патента — «Открыто сейчас». Необходимо поддерживать актуальные часы работы, включая праздничные дни.
  2. Категоризация: Видимость бизнеса зависит от правильного выбора основной и дополнительных категорий.
  3. Геолокация: Точное расположение пина на карте.
• Оптимизация атрибутов и предложений под время суток: Так как система может фильтровать предложения по релевантности времени (Claim 16), необходимо убедиться, что атрибуты сущности, меню (для ресторанов) или описание услуг отражают предложения, актуальные в разное время дня (завтраки, бизнес-ланчи, ужины).
• Стимулирование локальной популярности (Prominence): Поскольку агрегированный объем поисков влияет на выбор категорий, стратегии повышения узнаваемости бренда и стимулирования категорийных запросов в локации приобретают дополнительное значение для видимости в Queryless Search.

Worst practices (это делать не надо)

• Предоставление неточных или неполных часов работы: Это гарантированный способ быть исключенным из выдачи Queryless Search, когда система применяет временные фильтры (Claim 15).
• Неправильный выбор категорий бизнеса (Category Spam): Попытка манипулировать категориями или выбор нерелевантных категорий приведет к тому, что бизнес не будет найден при выборе пользователем соответствующей категории на панели.
• Игнорирование географического контекста: В районах с высокой плотностью конкурентов радиус поиска автоматически сужается. Игнорирование этого факта и попытки охватить слишком широкую аудиторию будут неэффективны.

Стратегическое значение

Патент подтверждает стратегический вектор развития поиска в сторону entity-based (сущностного) и контекстно-зависимого обнаружения информации, минимизируя усилия пользователя. Для локального SEO это означает, что традиционная оптимизация под ключевые слова уступает место оптимизации самой сущности (Entity Optimization) и управлению ее атрибутами. Queryless Search становится основным каналом привлечения мобильного трафика для многих локальных бизнесов.

Практические примеры

Сценарий 1: Адаптация под время суток и плотность (Обед в бизнес-центре)

1. Контекст: Пользователь открывает Google Maps в 12:30 (время обеда) в плотном деловом районе.
2. Действие системы: Система определяет интент «Обед». На Dynamic Dashboard приоритет отдается категории «Рестораны».
3. Выбор пользователя: Пользователь нажимает «Рестораны».
4. Фильтрация: Система определяет высокую Density of Establishments. Threshold Proximity устанавливается на минимальное значение (например, 500 метров). Применяется фильтр «Открыто сейчас» (12:30) и фильтр релевантности (предпочтение местам с бизнес-ланчами, а не ночным клубам).
5. Результат для SEO: Видимость получают только те рестораны, которые находятся очень близко, точно указали, что открыты в 12:30, и имеют релевантное меню.

Сценарий 2: Использование истории местоположений (Местный vs Турист)

1. Контекст: Пользователь А (Турист, первое посещение) и Пользователь Б (Местный, ежедневное посещение) открывают приложение в одной точке.
2. Действие системы: На основе Location History система классифицирует А как «Новый», а Б как «Знакомый».
3. Предложения: Пользователю А предлагаются «Достопримечательности», «Рестораны», «Отели». Пользователю Б предлагаются «Супермаркеты», «Аптеки», «Транспорт» (согласно логике Claim 1 для знакомых локаций).
4. Результат для SEO: Система де-приоритезирует определенные категории для местных жителей, меняя структуру спроса для разных типов бизнеса в зависимости от аудитории.

Вопросы и ответы