Как Google адаптирует поисковые подсказки (Autocomplete) на основе категории ближайшего к пользователю места (POI)

Описание

Какую задачу решает

Патент решает проблему нерелевантности стандартных (глобальных) поисковых подсказок (Autocomplete) для пользователей, находящихся в специфическом физическом контексте. Стандартные подсказки основаны на общей популярности запросов и не учитывают, что намерения пользователя могут сильно зависеть от того, где он находится (например, рядом с рестораном или магазином электроники). Изобретение улучшает релевантность подсказок, адаптируя их к категории ближайшей точки интереса (Point of Interest, POI).

Что запатентовано

Запатентована система для генерации контекстно-зависимых локальных поисковых подсказок. Система агрегирует исторические данные о том, какие запросы вводились пользователями, находящимися вблизи определенных POI. Эти запросы ассоциируются с категорией данного POI. Когда новый пользователь начинает вводить запрос (query prefix), система определяет его местоположение, находит ближайшие POI, определяет их категории и предлагает подсказки, которые были исторически популярны именно в контексте этих категорий.

Как это работает

Механизм работает в двух режимах:

• Офлайн-агрегация: Система анализирует логи запросов (текст запроса и местоположение пользователя). Для каждого запроса определяются ближайшие POI и их категории. Запрос ассоциируется с этой категорией. Рассчитывается category-specific query count (частота запроса в контексте категории).
• Онлайн-генерация подсказок: При получении query prefix и текущего местоположения пользователя система определяет категории ближайших POI. Затем она выбирает исторические запросы, которые соответствуют префиксу и ассоциированы с этими категориями.
• Ранжирование подсказок: Подсказки могут ранжироваться на основе их частоты в данной категории. Может использоваться Multiplier (M), который рассчитывается путем деления частоты запроса в категории (Fc) на его общую глобальную частоту (Fe). Это позволяет повышать запросы, которые непропорционально популярны в данном контексте.

Актуальность для SEO

Высокая. В условиях доминирования мобильного поиска и важности локального контекста, предоставление релевантных подсказок критично для пользовательского опыта. Этот механизм напрямую влияет на то, как пользователи формулируют свои запросы «на ходу» или в точках продаж.

Важность для SEO

Влияние на SEO значительное (7.5/10), особенно для локального SEO и ритейла. Патент не описывает алгоритмы ранжирования веб-страниц, но он критически важен для понимания того, как формируется поисковый спрос в локальном контексте. Система напрямую влияет на то, какие запросы пользователь в итоге отправит в поиск. Понимание того, какие подсказки увидит пользователь, находясь рядом с вашим бизнесом, позволяет точнее оптимизировать контент под локализованный интент.

Детальный разбор

Термины и определения

Category (Категория)

Классификация точки интереса (POI), например, «электроника», «ресторан», «продуктовый магазин». Локация может быть ассоциирована с несколькими категориями.

Category-specific frequency (Fc) (Частота в контексте категории)

Частота, с которой конкретный запрос вводился пользователями, находящимися рядом с POI данной категории.

Category-specific query count (Счетчик запросов для категории)

Общее количество раз, когда запрос был отправлен из локаций, связанных с определенной категорией.

Multiplier (M) (Множитель)

Коэффициент, используемый для корректировки базовой оценки (Score S) поисковой подсказки. Рассчитывается как отношение частоты в контексте категории (Fc) к общей частоте (Fe). Новый скор S’ = S * M.

Overall frequency (Fe) / Expected frequency (Общая частота)

Общая (глобальная) частота использования запроса вне зависимости от локального контекста.

Point of Interest (POI) (Точка интереса)

Конкретное место или объект на карте, например, магазин, музей, достопримечательность, государственное учреждение.

Query Prefix (Префикс запроса)

Часть запроса (один или несколько символов), введенная пользователем, для которой генерируются подсказки.

Query Suggestion (Поисковая подсказка)

Предлагаемый полный текст запроса, который пользователь может выбрать (Autocomplete).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает полный цикл работы системы от сбора исторических данных до предоставления подсказки.

1. Система получает множество полных исторических запросов (multiple complete queries), отправленных с разных устройств из разных локаций.
2. Система идентифицирует набор географических категорий (geographic categories), каждая из которых связана с множеством POI.
3. Система ассоциирует каждый исторический запрос с географической категорией, если устройство, с которого был введен запрос, находилось в пределах пороговой близости (threshold proximity) к любому POI, принадлежащему этой категории.
4. В ответ на получение частичного запроса (partial query/префикса) и текущего местоположения устройства:
   • Система получает доступ к информации, связывающей исторические запросы и категории.
   • Идентифицируется первый POI в пределах заданной близости (predefined proximity) от текущего местоположения.
   • Определяется, что этот POI принадлежит к первой географической категории.
   • Выбирается полный исторический запрос, который ассоциирован с этой первой географической категорией.
   • Этот полный запрос предоставляется устройству для отображения в качестве подсказки.

Ядро изобретения — это использование категории местоположения как контекстуального сигнала для выбора подсказок, а также метод агрегации исторических данных на уровне категорий, а не конкретных POI.

Claim 3 (Зависимый): Уточняет, что подсказка может быть основана на запросе, который был сделан другим пользователем возле другого POI, при условии, что оба POI принадлежат к одной и той же категории.

Где и как применяется

Изобретение затрагивает этапы индексирования (в части обработки логов) и понимания запросов.

INDEXING – Индексирование и извлечение признаков (Офлайн-обработка)
На этом этапе происходит предварительная обработка данных. Система анализирует логи запросов (query log data), определяет местоположение POI, классифицирует их по категориям и вычисляет ассоциации между запросами и категориями. Также рассчитываются метрики Category-specific query count и частоты (Fc, Fe).

QUNDERSTANDING – Понимание Запросов (Онлайн-обработка)
Это основная область применения патента, конкретно — система генерации поисковых подсказок (Autocomplete). В момент, когда пользователь вводит query prefix, система использует его текущее местоположение для определения локального контекста (категорий ближайших POI) и модифицирует набор предлагаемых подсказок, повышая те, которые релевантны этому контексту.

Входные данные (Онлайн):

• Query prefix (частичный запрос).
• Текущее местоположение пользователя (GPS, WiFi и т.д.).
• База данных POI с категориями и координатами.
• База данных исторических ассоциаций Запрос-Категория с рассчитанными частотами и множителями.

Выходные данные (Онлайн):

• Набор поисковых подсказок, ранжированных с учетом локального контекста (категории местоположения).

На что влияет

• Специфические запросы: Сильное влияние на запросы с локальным интентом, запросы, связанные с покупками, сравнением товаров, поиском отзывов или информации, актуальной в моменте нахождения в определенном месте.
• Конкретные ниши или тематики: Критическое влияние на ритейл, общественное питание, туризм, развлечения — любые ниши, где физическое присутствие пользователя влияет на его информационные потребности.
• Географические факторы: Механизм активируется только при наличии данных о местоположении пользователя и наличии идентифицируемых POI поблизости.

Когда применяется

• Триггеры активации: Пользователь начинает вводить запрос (активация Autocomplete) на устройстве (обычно мобильном) с включенными службами геолокации.
• Условия работы: Система должна быть способна определить местоположение пользователя и идентифицировать один или несколько POI в пределах пороговой близости (threshold distance) или в том же географическом сегменте (grid cell).

Пошаговый алгоритм

Процесс А: Офлайн-агрегация данных (Ассоциация запросов с категориями)

1. Сбор данных: Получение данных из логов запросов, включающих текст запроса и местоположение, откуда он был отправлен.
2. Идентификация POI: Для каждой записи в логе определяется POI, находящийся рядом с местом отправки запроса (например, в пределах порогового расстояния или в той же grid cell).
3. Определение категории: Определяется категория идентифицированного POI.
4. Ассоциация: Запрос ассоциируется с этой категорией.
5. Агрегация и расчет метрик:
   • Вычисляется Category-specific query count для каждой пары Запрос-Категория.
   • Вычисляется общая частота запроса (Fe).
   • Вычисляется частота запроса в контексте категории (Fc).
   • Вычисляется Множитель M = Fc / Fe.
6. Сохранение: Ассоциации и метрики сохраняются в базе данных.

Процесс Б: Онлайн-генерация подсказок

1. Получение ввода: Система получает query prefix и текущее местоположение пользователя.
2. Идентификация локального контекста: Идентифицируются POI рядом с текущим местоположением и определяются их категории.
3. Выбор кандидатов: Идентифицируются исторические запросы, которые (i) соответствуют query prefix и (ii) ассоциированы с определенными категориями.
4. Ранжирование и корректировка оценок:
   • Запросы-кандидаты ранжируются. Ранжирование может использовать Category-specific query count.
   • Альтернативно, базовая оценка подсказки (Score S) корректируется с помощью Множителя (M) для данной категории: S’ = S * M.
5. Обработка нескольких категорий (Blending): Если локация связана с несколькими категориями (например, пользователь стоит между кафе и книжным магазином), система может смешивать подсказки из обеих категорий. Ранжирование может учитывать комбинированные счетчики или применять взвешенные множители на основе важности категорий (category importance).
6. Предоставление подсказок: Наиболее релевантные запросы предоставляются пользователю в интерфейсе Autocomplete.

Какие данные и как использует

Данные на входе

• Географические факторы: Критически важные данные. Используются координаты пользователя (GPS, WiFi, сотовые вышки) и координаты POI. Также могут использоваться географические сегменты (grid cells).
• Пользовательские факторы: Исторические логи запросов (query log data) с привязкой к местоположению. Текущий query prefix.
• Системные данные: База данных POI, включающая информацию о категориях.

Какие метрики используются и как они считаются

• Category-specific query count: Счетчик количества отправок запроса в контексте категории.
• Overall frequency (Fe): Глобальная популярность запроса.
• Category-specific frequency (Fc): Локальная популярность запроса в контексте категории.
• Multiplier (M): Метрика, показывающая, насколько запрос более (или менее) популярен в данном контексте по сравнению с глобальной популярностью. Формула: M = Fc / Fe.
• Threshold distance / Predefined proximity: Пороговое расстояние для определения близости пользователя к POI.
• Category Importance: Упоминается возможность взвешивания категорий при смешивании (blending), что подразумевает наличие метрики важности категории (например, на основе общего объема трафика в этой категории).

Выводы

1. Физический контекст сильно влияет на поисковые подсказки: Google не просто использует местоположение для фильтрации результатов, но и активно использует его для изменения того, какие запросы предлагаются пользователю. Категория ближайшего POI является сильным контекстуальным сигналом.
2. Агрегация на уровне категорий: Система обобщает данные. То, что искали пользователи в магазине электроники в одном городе, будет влиять на подсказки, которые увидит пользователь в магазине электроники в другом городе. Это позволяет масштабировать систему.
3. Механизм Multiplier (M) и диспропорциональная популярность: Ключевым элементом является использование множителя M = Fc / Fe. Это означает, что система ищет не просто популярные запросы, а запросы, которые непропорционально популярны в данном контексте. Запрос может иметь низкую глобальную частоту, но если его часто ищут внутри определенного типа бизнеса, он получит сильный бустинг в подсказках.
4. Влияние на формулировку запроса (Query Formulation): Этот механизм напрямую управляет тем, как пользователи начинают свой поиск в локальном контексте, направляя их к определенным формулировкам, брендам или типам запросов.
5. Смешивание категорий (Blending): Система способна обрабатывать сложные сценарии, когда пользователь находится рядом с несколькими типами POI, смешивая подсказки и потенциально взвешивая их по важности категорий.

Практика

Best practices (это мы делаем)

• Точная категоризация бизнеса: Убедитесь, что ваш бизнес (POI) правильно категоризирован в Google Business Profile (GBP). Категория определяет контекст, в котором система будет агрегировать данные о запросах пользователей, находящихся рядом с вами, и какие подсказки она будет им предлагать.
• Оптимизация под контекстные микро-моменты: Сместите фокус с общего семантического ядра на понимание того, что пользователь ищет в моменте, находясь рядом с вашим типом бизнеса. Это могут быть сравнения товаров, поиск отзывов, проверка наличия или поиск конкретных брендов. Оптимизируйте контент под эти контекстные запросы.
• Стимулирование брендовых запросов в локальном контексте: Если пользователи будут часто искать ваш бренд или ваши уникальные товары, находясь в релевантных локациях (например, искать конкретную модель обуви в обувных магазинах), эти запросы получат бустинг в подсказках в этой категории благодаря высокому Fc.
• Анализ подсказок в полевых условиях: Проводите исследования Autocomplete непосредственно находясь рядом с вашими точками продаж и точками конкурентов. Это даст представление о том, какие запросы Google считает контекстуально релевантными для вашей категории.

Worst practices (это делать не надо)

• Игнорирование локального контекста в Ключевых словах: Использование только глобальных данных о частотности ключевых слов для локального SEO неэффективно. Система может предпочесть низкочастотный глобально (низкий Fe), но высокочастотный локально (высокий Fc) запрос.
• Манипуляции с категориями: Выбор нерелевантных категорий для бизнеса в GBP может привести к тому, что пользователи рядом с вашим POI будут видеть нерелевантные подсказки, что ухудшит их опыт и не принесет пользы бизнесу.
• Игнорирование мобильного опыта: Этот патент почти полностью ориентирован на мобильных пользователей с включенной геолокацией. Оптимизация должна учитывать этот сценарий использования.

Стратегическое значение

Патент подчеркивает стратегию Google по интеграции онлайн-поиска с офлайн-контекстом. Для SEO это означает, что понимание пути клиента (Customer Journey) должно включать физическое перемещение пользователя и его информационные потребности в конкретных точках пространства. Это стирает грань между традиционным SEO и локальным маркетингом, делая точную геолокацию и категоризацию бизнеса критически важными элементами поисковой оптимизации.

Практические примеры

Сценарий: Оптимизация для магазина спортивных товаров

1. Анализ контекста: SEO-специалист определяет, что когда пользователи находятся в магазинах спортивных товаров (Категория: «Sporting Goods»), они часто ищут сравнения конкретных моделей кроссовок.
2. Сбор данных (Симуляция Google): Google видит, что запрос «Обзор [Модель X]» имеет низкую глобальную частоту (Fe), но очень высокую частоту внутри магазинов спорттоваров (Fc). Рассчитывается высокий Multiplier M.
3. Применение (Autocomplete): Когда новый пользователь, находясь в магазине спорттоваров, вводит название модели «[Модель X]…», система предлагает подсказку «Обзор [Модель X]» выше других вариантов.
4. Действия SEO: Создать качественные, оптимизированные для мобильных устройств обзоры и сравнения популярных моделей. Гарантировать, что эти страницы хорошо ранжируются по контекстным запросам, которые Google предлагает в подсказках.

Сценарий: Влияние категорий в торговом центре

1. Контекст: Пользователь находится в торговом центре, где есть POI разных категорий (Одежда, Электроника, Кафе).
2. Ввод запроса: Пользователь вводит «T…».
3. Смешивание (Blending): Система определяет несколько релевантных категорий. Она может смешать подсказки: «Tissot часы» (из категории Ювелирные изделия/Часы), «Tea» (из категории Кафе) и «Television» (из категории Электроника).
4. Ранжирование: Порядок будет зависеть от рассчитанных Multiplier M для каждой подсказки в соответствующей категории, а также, возможно, от важности самих категорий (Category Importance).

Вопросы и ответы