Как Google использует социальные сигналы, время и историю местоположений пользователя для ранжирования локальных результатов (POI)

Описание

Какую задачу решает

Патент решает проблему предоставления релевантной локальной информации в условиях ее избытка, особенно на мобильных устройствах с ограниченным размером экрана. Вместо того чтобы показывать все ближайшие точки интереса (POI), система стремится отобрать и отранжировать наиболее полезные результаты, основываясь на текущем контексте пользователя (время, место), его личной истории (знакомство с местностью) и социальной активности, связанной с этими POI.

Что запатентовано

Запатентована система для контекстуального и персонализированного ранжирования точек интереса (POI). Ключевым изобретением является метод ранжирования, который комбинирует физическую близость POI с активностью в онлайн социальной сети (online social network), связанной с этим POI. Ранжирование учитывает свежесть обновлений (updates) и близость автора обновления к пользователю в социальном графе. Кроме того, система может изменять логику ранжирования в зависимости от того, насколько хорошо пользователь знаком с текущим местоположением (Familiarity Score).

Как это работает

Система работает в несколько этапов:

• Определение местоположения: Получение текущих координат устройства пользователя.
• Динамический радиус: Радиус поиска POI может динамически корректироваться в зависимости от плотности (density) точек интереса в данной местности.
• Расчет знакомства (Familiarity): Анализируется история местоположений пользователя, чтобы определить, как часто он бывает в текущей локации (Familiarity Score).
• Ранжирование: POI оцениваются по комплексу факторов:
  • Физическая близость.
  • Временные атрибуты (Time-related attributes) – например, открыто ли заведение сейчас и насколько релевантна его категория в данное время суток.
  • Социальные обновления (Updates) – система повышает POI, о которых недавно писали в социальной сети. Вес обновления зависит от его свежести и близости автора к пользователю в социальном графе.
• Условное применение: Если Familiarity Score высок (пользователь хорошо знает район), вес социальных обновлений в ранжировании может увеличиваться.

Актуальность для SEO

Средне-Высокая. Основные концепции патента — использование пользовательского контента (UGC), временного контекста, персонализации (история посещений) и плотности данных для локального ранжирования — крайне актуальны для современного Локального SEO. Однако прямая зависимость от выделенной «онлайн социальной сети» (патент подан в эпоху Google Buzz/Google+) может быть устаревшей. Вероятно, описанные принципы теперь применяются к другим формам UGC, таким как Google Reviews, Photos и Q&A.

Важность для SEO

Патент имеет высокое значение для стратегий Локального SEO (Local SEO). Он демонстрирует механизмы, с помощью которых Google персонализирует локальную выдачу, выходя за рамки стандартных факторов (релевантность, расстояние, известность). Понимание того, как контекст времени суток, уникальность предложения в районе и, особенно, свежий пользовательский контент (как прокси социальных сигналов) влияют на ранжирование POI, критически важно для оптимизации локальных бизнесов и сущностей.

Детальный разбор

Термины и определения

Density (Плотность)

Количество точек интереса в определенной области (например, на квадратный километр). Используется для динамического расчета радиуса поиска POI вокруг пользователя.

Familiarity Score (Оценка знакомства с местностью)

Метрика, рассчитываемая на основе истории местоположений пользователя. Показывает, как часто пользователь бывает в окрестностях текущего местоположения. Высокий балл может активировать особый режим ранжирования с упором на социальные обновления.

Mobile Update / Update (Мобильное обновление / Обновление)

Данные о точке интереса, введенные автором (не текущим пользователем) в онлайн социальную сеть. Пример: пост или отзыв, привязанный к локации (snapped to a location).

Online Social Network (Онлайн социальная сеть)

Платформа, где пользователи могут публиковать обновления и взаимодействовать с другими пользователями (например, добавлять «друзей»). Используется как источник данных для ранжирования POI.

Point of Interest (POI) (Точка интереса)

Бизнес, достопримечательность, здание или географический объект, который может быть интересен человеку вблизи его физического местоположения. Локальная сущность.

Proximity (Близость)

Используется в двух контекстах: (1) Физическое расстояние между пользователем и POI. (2) Социальная близость между пользователем и автором обновления в социальном графе (например, друг, друг друга).

Time-related Attribute (Временной атрибут)

Характеристика POI, зависящая от времени. Примеры: часы работы или релевантность категории POI в определенное время суток (например, кофейни утром).

Uniqueness (Уникальность)

Метрика, показывающая, насколько редок тип (категория) POI в данной местности. Используется для повышения в ранжировании более исключительных объектов.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает базовый метод поиска POI с учетом социальных сигналов.

1. Система получает текущее местоположение устройства пользователя.
2. Извлекаются данные о множестве POI в пределах заданного расстояния.
3. Каждый POI ранжируется на основе его близости к текущему местоположению.
4. Для как минимум одного POI ранжирование дополнительно основывается на одном или нескольких updates (обновлениях), связанных с этим POI. Обновление — это данные о POI, введенные другим автором в online social network, участником которой является пользователь.
5. Данные об одном или нескольких POI предоставляются устройству на основе ранжирования.

Claim 3 (Зависимый от 1): Уточняет механизм ранжирования на основе обновлений.

Ранжирование основывается на близости (proximity) автора обновления к пользователю в рамках online social network. Это означает, что обновления от «друзей» имеют больший вес.

Claim 12 (Независимый пункт): Описывает альтернативный метод, фокусирующийся на свежих обновлениях и социальных связях.

1. Система получает текущее местоположение и время.
2. Извлекается множество updates, которые соответствуют трем критериям: (i) введены автором в online social network; (ii) связаны с POI в пределах заданного расстояния; (iii) были введены в течение заданного интервала времени (свежесть).
3. Каждое обновление ранжируется на основе близости (proximity) автора к пользователю в online social network.
4. Данные о POI, связанных с этими обновлениями, предоставляются пользователю на основе ранжирования.

Claim 21 (Независимый пункт): Описывает условный метод ранжирования, зависящий от знакомства пользователя с местностью.

1. Система получает местоположение и извлекает ближайшие POI.
2. Рассчитывается оценка (Familiarity Score), основанная на том, как часто пользователь посещает это местоположение.
3. Если оценка превышает пороговое значение (т.е. пользователь знаком с местностью), активируется специальный режим ранжирования.
4. В этом режиме POI ранжируются на основе близости И на основе updates из online social network.
5. Результаты предоставляются пользователю.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, преимущественно в контексте локального поиска и мобильных приложений (например, Карты).

INDEXING – Индексирование и извлечение признаков
На этом этапе система собирает и индексирует данные о POI (локациях, категориях, часах работы). Также индексируются Mobile Updates из социальной сети и привязываются к соответствующим POI. Рассчитываются и сохраняются данные о плотности (Density) и уникальности (Uniqueness) POI в разных регионах.

QUNDERSTANDING – Понимание Запросов (Офлайн-анализ)
Система анализирует исторические логи запросов, чтобы определить корреляцию между категориями запросов, временем суток и местоположением. Это позволяет рассчитать вероятность (probability) того, что определенная категория будет интересна пользователю в конкретное время (Time-Based Attribute).

RANKING / RERANKING – Ранжирование и Переранжирование
Основное применение патента происходит в реальном времени при получении данных о местоположении пользователя.

1. Определение контекста: Система определяет текущее время, местоположение, рассчитывает Familiarity Score на основе истории пользователя и определяет динамический радиус поиска.
2. Отбор кандидатов: Извлекаются POI в пределах радиуса.
3. Многофакторное ранжирование: Применяется сложная логика ранжирования, учитывающая близость, временные атрибуты, уникальность и социальные обновления. Логика может меняться в зависимости от Familiarity Score.

Входные данные:

• Текущее местоположение пользователя.
• Текущее время.
• Идентификатор пользователя (для доступа к социальному графу и истории местоположений).
• База данных POI.
• База данных социальных обновлений (Mobile Updates Database).
• База данных истории местоположений (Location History Database).

Выходные данные:

• Отранжированный список POI (или категорий POI), релевантных текущему контексту пользователя.

На что влияет

• Конкретные типы контента: В первую очередь влияет на ранжирование локальных сущностей (POI) – бизнес-профили, достопримечательности, общественные места в Картах или локальном паке выдачи.
• Специфические запросы: Наибольшее влияние на неявные локальные запросы (например, «рестораны рядом») или при просмотре карты без явного запроса.
• Конкретные ниши или тематики: Критическое влияние в конкурентных локальных нишах: рестораны, ритейл, развлечения, услуги. Особенно актуально для плотных городских районов.

Когда применяется

• Триггеры активации: Получение данных о местоположении пользователя с мобильного устройства или выполнение поиска с локальным интентом.
• Условия и пороги (Familiarity): Механизм ранжирования с акцентом на социальные обновления (Claim 21) активируется только тогда, когда Familiarity Score пользователя для данной локации превышает установленный порог (например, 0.5 из 1.0).
• Условия и пороги (Freshness): Система может фильтровать обновления по свежести (Claim 12), используя предопределенный временной интервал (например, последние 24 часа или несколько дней).

Пошаговый алгоритм

Описано несколько вариантов алгоритма. Ниже представлен обобщенный процесс, включающий ключевые элементы из разных описаний.

1. Получение контекста: Система получает текущее местоположение, время и идентификатор пользователя.
2. Расчет параметров поиска:
   1. Определяется плотность (Density) POI в текущей локации.
   2. На основе плотности рассчитывается динамический радиус поиска (R).
   3. Рассчитывается Familiarity Score на основе истории местоположений пользователя.
3. Отбор кандидатов: Извлекаются POI в пределах рассчитанного радиуса R.
4. Скоринг и Ранжирование (Мультифакторная оценка): Для каждого POI рассчитывается оценка на основе:
   1. Близость: Чем ближе POI, тем выше оценка.
   2. Временные атрибуты: Проверка часов работы и оценка релевантности категории POI в текущее время (на основе анализа исторических запросов).
   3. Уникальность: Повышение оценки, если категория POI редка для данной местности.
   4. Социальные обновления (Условное применение): Если Familiarity Score превышает порог (ИЛИ в общем случае, согласно Claim 1):
      • Извлекаются недавние Updates, связанные с POI.
      • Оценка POI повышается в зависимости от количества, свежести обновлений и социальной близости авторов обновлений к пользователю.
5. (Опционально) Ранжирование Категорий: Категории, к которым принадлежат отобранные POI, ранжируются на основе оценок самих POI и вероятности запроса этой категории в текущее время.
6. Предоставление результатов: Пользователю предоставляется отранжированный список POI (или категорий). Результаты могут быть показаны как список или как элементы на карте.

Какие данные и как использует

Данные на входе

• Географические факторы: Текущее местоположение пользователя (GPS, WiFi, IP), географические координаты POI. Данные о границах регионов или ячейках сетки для расчета плотности.
• Временные факторы: Текущее время и дата. Временные метки создания социальных обновлений (Updates). Часы работы POI.
• Пользовательские и Социальные факторы:
  • Идентификатор пользователя.
  • История местоположений пользователя (Location History).
  • Социальный граф пользователя (связи в Online Social Network, список «друзей»).
  • Пользовательский контент (UGC) – Updates, созданные другими пользователями и привязанные к POI.
• Поведенческие факторы (Агрегированные): Исторические логи поисковых запросов (Query Database), используемые для определения временной релевантности категорий.

Какие метрики используются и как они считаются

• Proximity (Физическая близость): Расстояние между текущим местоположением и POI.
• Density (D) (Плотность): Количество POI на единицу площади в ячейке, включающей текущее местоположение.
• Radius (R) (Радиус поиска): Может быть фиксированным или динамическим. Одна из формул расчета: R = sqrt((n * 1000^2) / (pi * D)), где n – желаемое количество POI. Также упоминается R = M/D (где M — константа).
• Familiarity Score (Оценка знакомства): Рассчитывается как отношение количества исторических посещений вблизи текущей локации к общему количеству зарегистрированных посещений. Формула: Count(Locations within X of Current Location) / Count(All locations).
• Social Proximity (Социальная близость): Мера связи между пользователем и автором обновления в социальном графе (например, друг, друг друга).
• Freshness (Свежесть): Время, прошедшее с момента публикации Update.
• Category Time Relevance (Временная релевантность категории): Вероятность получения запроса в данной категории в данное время и в данной локации, рассчитанная на основе анализа исторических логов запросов.
• Uniqueness (Уникальность): Оценивается на основе плотности POI данной категории в местности (Category-Density). Чем ниже плотность категории, тем выше уникальность.

Выводы

1. Локальное ранжирование глубоко контекстуально и персонализировано: Google стремится учитывать не только запрос и местоположение, но и время суток, историю поведения пользователя и его социальный контекст для ранжирования POI.
2. Социальные сигналы как фактор ранжирования: Патент явно описывает использование активности в социальной сети (Updates) для ранжирования локальных результатов. Ключевыми метриками являются свежесть контента и социальная связь между автором контента и пользователем.
3. История пользователя определяет стратегию ранжирования (Familiarity Score): Система адаптирует алгоритм в зависимости от того, насколько пользователь знаком с местностью. В знакомых местах (высокий Familiarity Score) социальные сигналы и обновления приоритезируются, предположительно, чтобы показать что-то новое или релевантное для его круга общения.
4. Временная релевантность (Time-of-Day Relevance): Релевантность POI динамически меняется в течение дня. Система предсказывает это, анализируя агрегированные исторические данные о том, что люди ищут в разное время суток в разных локациях.
5. Плотность и Уникальность влияют на видимость: Система учитывает конкурентную среду в локации. Динамический радиус адаптируется к плотности POI, а уникальные типы бизнеса (например, единственный музей среди множества кафе) могут получать повышение.

Практика

Best practices (это мы делаем)

• Стимулирование свежего и постоянного потока UGC: Поскольку «социальные обновления» (Updates) и их свежесть являются факторами ранжирования, необходимо мотивировать клиентов оставлять отзывы, загружать фотографии и задавать вопросы в Google Business Profile. Это наиболее вероятный современный прокси для сигналов, описанных в патенте.
• Оптимизация под временной контекст: Убедитесь, что часы работы всегда актуальны. Для бизнесов с выраженной временной зависимостью (например, рестораны, развлечения) полезно публиковать контент (например, Google Posts), соответствующий текущему времени суток или дню недели, подтверждая свою релевантность.
• Подчеркивание уникальности (Uniqueness): Если ваш бизнес предлагает что-то редкое для данного района, это должно быть четко отражено в основном описании и выборе категорий. Это может помочь активировать бустинг по фактору уникальности.
• Развитие локальной сущности (POI): Обеспечение полноты и точности данных о POI критично для того, чтобы система могла корректно классифицировать объект и сопоставить его с временными атрибутами и пользовательским контентом.

Worst practices (это делать не надо)

• Игнорирование пользовательского контента (UGC): Профили со старыми отзывами или без них будут проигрывать профилям с активным и свежим UGC, особенно при поиске пользователями, знакомыми с районом (High Familiarity Score).
• Некорректные временные данные: Ошибки в часах работы могут привести к исключению POI из выдачи в определенное время из-за фильтрации по Time-related attributes.
• Фокус только на традиционных факторах: Оптимизация только под ключевые слова и расстояние недостаточна. Патент показывает, что контекстуальные и персонализированные сигналы могут перевешивать базовую релевантность.

Стратегическое значение

Этот патент подтверждает стратегический курс Google на глубокую персонализацию и контекстуализацию локального поиска. Хотя конкретная «социальная сеть» (Google Buzz/Google+), на которую опирался патент, возможно, больше не используется так, как описано, заложенные принципы остаются фундаментальными. Стратегия Локального SEO должна учитывать, что видимость бизнеса зависит от того, КТО ищет, КОГДА ищет, и ЧТО происходит вокруг бизнеса в данный момент (свежий UGC). Аутентичный и свежий пользовательский контент является критически важным активом для ранжирования локальных сущностей.

Практические примеры

Сценарий 1: Поиск в знакомом районе (High Familiarity Score)

1. Контекст: Пользователь находится возле своего офиса, где бывает каждый день (Familiarity Score высокий). Время – обед.
2. Действие системы: Согласно Claim 21, система активирует ранжирование с упором на социальные обновления (Updates).
3. Результат: Кафе А находится ближе, но имеет старые отзывы. Кафе Б находится дальше, но сегодня утром получило несколько свежих положительных отзывов (современный аналог Updates). Система повышает Кафе Б в выдаче для этого пользователя, так как оно имеет свежий релевантный UGC.

Сценарий 2: Влияние временных атрибутов и уникальности

1. Контекст: Пользователь находится в центре города в 9 утра.
2. Действие системы: Система анализирует Time-related attributes и определяет, что категория «Кофейни» имеет высокую вероятность запроса в это время. Также система оценивает Uniqueness.
3. Результат: Кофейни получают общее повышение в выдаче. Бар, который откроется только в 18:00, понижается. Книжный магазин (редкая категория для этого района) получает буст за Uniqueness и также отображается высоко, несмотря на меньшую временную релевантность по сравнению с кофейнями.

Вопросы и ответы