Как Google определяет, в каком именно заведении находится пользователь, используя геолокацию, популярность и историю посещений

Описание

Какую задачу решает

Патент решает проблему разрыва между необработанными географическими координатами (широта/долгота), получаемыми от мобильного устройства, и семантическим названием конкретного места (Location Entity), где физически находится пользователь. Стандартные геолокационные данные показывают точку на карте, но не предоставляют название заведения (например, магазина или ресторана). Изобретение позволяет системе точно определить Location Entity, даже в сложных условиях (например, в торговых центрах), и предоставить пользователю контекстную информацию об этом месте без ручного поиска.

Что запатентовано

Запатентована система для автоматической идентификации и отображения текущей физической Location Entity пользователя в реальном времени внутри картографического приложения. Система использует многофакторный анализ (Factor Analysis) и оценку уверенности (Confidence Score) для определения наилучшего соответствия (Best Match) среди списка близлежащих сущностей. Цель — автоматически связать географическое положение с семантическим названием места и визуализировать это в интерфейсе.

Как это работает

Система работает следующим образом:

• Получение данных: Собираются сигналы геолокации мобильного устройства (GPS, Wi-Fi и т.д.).
• Идентификация кандидатов: Определяется список близлежащих Location Entities.
• Факторный анализ и Оценка уверенности: Для каждого кандидата рассчитывается Confidence Score на основе ряда факторов, включая близость, популярность, время работы и историю взаимодействий пользователя с этой сущностью (Personalization Factors).
• Отображение результата: Если Confidence Score для Best Match превышает порог, система обновляет интерфейс. Например, на стандартный индикатор местоположения (First Interface Element) накладывается категориальная иконка (Second Interface Element) или добавляется текстовая метка.
• Уточнение (Disambiguation): Если уверенность низкая, система предлагает список кандидатов для ручного выбора.

Актуальность для SEO

Высокая. Описанные механизмы являются фундаментальными для работы современных картографических сервисов, таких как Google Maps. Точное понимание того, где находится пользователь (Location Intelligence), критически важно для персонализированных рекомендаций, функций локального Discovery и атрибуции офлайн-посещений (O2O attribution). Сигналы, описанные в патенте для определения местоположения, напрямую связаны с факторами локального ранжирования.

Важность для SEO

(6.5/10). Патент имеет значительное влияние на Local SEO. Он не описывает алгоритмы ранжирования в веб-поиске, но детально раскрывает сигналы, которые Google использует для валидации физического присутствия пользователя в конкретном заведении, его популярности и релевантности для данного пользователя. Понимание этих факторов критически важно для оптимизации Google Business Profile (GBP) и обеспечения того, что бизнес будет корректно идентифицирован, когда пользователи находятся на его территории.

Детальный разбор

Термины и определения

Best Match (Наилучшее соответствие)

Location Entity из списка кандидатов, которая определена системой как наиболее вероятное текущее местоположение пользователя, часто на основе наивысшего Confidence Score.

Confidence Score (Оценка уверенности)

Метрика, рассчитываемая для каждой близлежащей Location Entity, указывающая на вероятность того, что мобильное устройство в данный момент находится именно там.

Disambiguation Display (Экран уточнения/разрешения неоднозначности)

Интерфейс, отображающий список близлежащих Location Entities, позволяющий пользователю вручную выбрать свое текущее местоположение, если автоматическое определение неверно или имеет низкую уверенность.

Factor Analysis (Факторный анализ)

Процесс оценки различных сигналов для определения Best Match и расчета Confidence Score. Включает анализ близости, популярности, времени и персонализации.

First Interface Element (Первый элемент интерфейса)

Индикатор (иконка) на карте, показывающий текущее географическое местоположение мобильного устройства (например, «синяя точка» в Google Maps).

Location Entity (Сущность местоположения)

Семантический идентификатор объекта или точки интереса (POI), связанный с географическим положением. Например, бизнес, ресторан, музей. Может иметь семантическое название (например, «Google Japan») или пользовательский алиас (например, «Work»).

Personalization Factors (Факторы персонализации)

Сигналы, описывающие предыдущие взаимодействия пользователя с Location Entity (посещения, поиски, транзакции, чекины). Используются в Factor Analysis.

Place Page (Страница места)

Отдельная область отображения, включающая подробную информацию о Location Entity (контакты, отзывы, рейтинги). Отображается при выборе пользователем элементов интерфейса.

Second Interface Element (Второй элемент интерфейса)

Дополнительный элемент, отображаемый на карте (часто наложенный на First Interface Element), предоставляющий информацию об определенной Location Entity. Может быть категориальной иконкой или текстовой меткой.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс идентификации и отображения местоположения с акцентом на визуализацию категории.

1. Система получает текущее географическое местоположение устройства.
2. Отображает карту и First Interface Element (первую иконку).
3. Определяет соответствующую Location Entity, используя Confidence Scores, основанные на Factor Analysis.
4. Определяет Категорию (Category) этой сущности на основе ее метаданных.
5. Получает доступ к специализированной графической иконке, предназначенной для этой категории (разные категории имеют разные иконки).
6. Автоматически отображает Second Interface Element (вторую иконку, являющуюся категориальной иконкой), наложенный на First Interface Element, ТОЛЬКО если Confidence Score превышает пороговое значение (threshold confidence score).
7. При получении данных о выборе пользователем этих элементов, автоматически отображает отдельную область (Place Page).

Ядро изобретения — это не просто определение места, а визуальное подтверждение этого определения через категориальную иконку, которое происходит только при высокой уверенности системы.

Claim 3 (Зависимый от 1): Описывает механизм разрешения неоднозначности.

При получении данных о выборе пользователем First или Second Interface Elements, система автоматически отображает список близлежащих Location Entities (Disambiguation Display), чтобы пользователь мог вручную выбрать правильное местоположение.

Claim 5 (Зависимый от 3): Детализирует ранжирование списка уточнения.

Список близлежащих Location Entities ранжируется с использованием комбинации информации о расстоянии до каждой сущности И Personalization information (информации о персонализации), указывающей на сущности, интересующие данного пользователя.

Claim 10 (Зависимый от 1): Описывает механизм «привязки» (snapping).

Местоположение First Interface Element на карте смещается от предполагаемого текущего местоположения устройства (например, по данным GPS) к известным точным координатам определенной Location Entity.

Claim 13 (Зависимый от 1): Уточняет процесс определения соответствия.

Определение Location Entity включает генерацию Confidence Score для каждой близлежащей сущности и определение соответствия ТОЛЬКО в том случае, если сгенерированный Confidence Score выше предопределенного значения.

Где и как применяется

Изобретение применяется в контексте картографических приложений (например, Google Maps) и систем Location Intelligence. Оно тесно связано с Local Search и Discovery, но не является частью основного конвейера веб-поиска.

INDEXING – Индексирование (Индексирование Сущностей)
Система требует наличия базы данных (например, Geographic Information System database), которая связывает Location Entities с их точными географическими координатами, геометрией и метаданными (категория, часы работы, показатели популярности). Эти данные необходимы для Factor Analysis.

RANKING – Ранжирование (Локальный поиск/Карты)
Компоненты Factor Analysis, используемые для определения местоположения пользователя (особенно Popularity factor и Personalization factors), пересекаются с сигналами, используемыми в локальном ранжировании. Система использует эти факторы для определения кандидатов и ранжирования их в Disambiguation Display.

RERANKING / Пользовательский Интерфейс (Интерфейс Карт)
Основное применение патента. Система динамически обновляет интерфейс карты в реальном времени на основе текущего местоположения, рассчитанного Best Match и Confidence Score. Это включает отображение или скрытие категориальных иконок и текстовых меток.

Входные данные:

• Данные геолокации от сенсоров устройства (GPS, Wi-Fi и т.д.).
• База данных Location Entities с координатами и метаданными.
• Данные о популярности сущностей.
• История взаимодействий пользователя (Personalization information).
• Текущее время.

Выходные данные:

• Определение Best Match Location Entity и соответствующий Confidence Score.
• Обновленный интерфейс карты с отображением Second Interface Element (иконка категории, название).
• Disambiguation Display (список ранжированных кандидатов) при необходимости.
• Place Page при взаимодействии пользователя.

На что влияет

• Конкретные типы контента: В первую очередь влияет на локальные сущности (Local Entities) — бизнесы, рестораны, достопримечательности (POI), транспортные узлы.
• Специфические запросы: Влияет на работу картографических приложений и локальный поиск/discovery. Также косвенно влияет на атрибуцию (связывание онлайн-активности с офлайн-посещениями) и будущую персонализацию, так как система точно знает, где был пользователь.
• Конкретные ниши или тематики: Критически важно для всех локальных ниш. Наибольшее влияние оказывает в зонах с высокой плотностью объектов (ТЦ, бизнес-центры), где требуется точное разрешение неоднозначности.

Когда применяется

• Условия работы: Алгоритм работает в реальном времени, когда картографическое приложение активно отслеживает местоположение пользователя и доступны сигналы геолокации.
• Триггеры активации: Активируется при изменении местоположения пользователя или при запуске приложения.
• Пороговые значения: Ключевым порогом является Confidence Score. Различные функции (автоматическое отображение иконки или показ списка уточнения) активируются в зависимости от того, превышает ли оценка этот порог.

Пошаговый алгоритм

1. Получение геолокации: Система получает данные от сенсоров мобильного устройства (GPS, Wi-Fi, сотовая триангуляция) для оценки текущего географического положения и точности сигнала.
2. Базовое отображение: Отображается карта и First Interface Element (индикатор текущего положения).
3. Идентификация кандидатов: Определяется список близлежащих Location Entities.
4. Факторный анализ (Factor Analysis): Для каждого кандидата анализируются следующие факторы:
   • Точность сигналов (Location signal availability factor).
   • Расстояние до сущности (Distance factor).
   • Популярность сущности (Popularity factor).
   • Пересечение с часами работы (Business hour overlap factor).
   • Персонализация (Personalization factors).
5. Расчет Confidence Score: На основе факторного анализа рассчитывается оценка уверенности для каждого кандидата.
6. Определение Best Match и проверка порога: Выбирается кандидат с наивысшей оценкой. Система проверяет, превышает ли эта оценка предопределенный порог.
7. Действие при высокой уверенности: Если порог превышен:
   • Определяется категория Best Match.
   • Выбирается соответствующая категориальная иконка (Second Interface Element) и отображается на карте.
   • Опционально, позиция First Interface Element может быть смещена («притянута») к точным координатам Best Match (Claim 10).
8. Действие при низкой уверенности: Если порог не превышен, Second Interface Element не отображается автоматически.
9. Обработка взаимодействия: При выборе пользователем элементов интерфейса:
   • Может быть отображена Place Page.
   • ИЛИ может быть сгенерирован Disambiguation Display — список кандидатов, ранжированный по расстоянию и персонализации (Claim 5).
10. Обновление: При выборе из списка уточнения система обновляет Best Match и интерфейс.

Какие данные и как использует

Данные на входе

Патент явно указывает на использование следующих данных в Factor Analysis:

• Географические и Технические факторы:
  • Данные от сенсоров местоположения (Location Sensors: GPS, Wi-Fi, акселерометр, сотовая триангуляция).
  • Location signal availability factor: Оценка точности доступных сигналов.
  • Distance factor: Расстояние между устройством и координатами Location Entities.
• Временные факторы:
  • Business hour overlap factor: Сравнение текущего времени с часами работы бизнеса (Business Hours).
• Факторы Популярности (Popularity Factors):
  • Количество упоминаний в социальных сетях (social media mentions).
  • Количество чекинов (number of check-ins).
  • Количество запросов маршрутов (number of requests for directions).
  • Глобальный ранг популярности (global popularity rank).
• Поведенческие и Пользовательские факторы (Personalization Factors):
  • Количество кликов по карте (map clicks) в отношении сущности.
  • Количество запросов маршрутов к сущности пользователем.
  • Количество чекинов пользователя в этой сущности.
  • Данные о транзакциях с сущностью через мобильные платежные системы или виртуальный кошелек (mobile payment system or virtual wallet).
  • История веб-поисковых запросов (web search query) пользователя в отношении сущности.

Какие метрики используются и как они считаются

• Confidence Score (Оценка уверенности): Агрегированная метрика вероятности того, что пользователь находится в данной Location Entity. Рассчитывается на основе всех компонентов Factor Analysis.
• Threshold Confidence Score (Пороговая оценка уверенности): Предопределенное значение, используемое для различения совпадений с высокой и низкой степенью уверенности. Определяет, будет ли результат показан автоматически и как именно (например, отображение категориальной иконки).
• Ранжирование в Disambiguation Display: Метрика для сортировки списка уточнения. Рассчитывается как комбинация Distance factor и Personalization factors.

Выводы

1. Google активно связывает физический и цифровой мир: Патент демонстрирует сложные механизмы для понимания точного физического контекста пользователя, переходя от координат к семантическим сущностям (Location Entities). Это основа Location Intelligence и O2O атрибуции.
2. Точность определения местоположения зависит не только от GPS: Система использует комплексный Factor Analysis. Физические сигналы (GPS, расстояние) комбинируются с поведенческими (популярность) и персональными (история пользователя) сигналами для определения Best Match.
3. Персонализация критична для разрешения неоднозначности: Personalization Factors (история поисков, посещений, транзакций) играют ключевую роль, особенно в плотной застройке. Система с большей вероятностью определит, что пользователь находится в месте, с которым он ранее взаимодействовал.
4. Важность точных данных о сущностях: Для работы этой системы необходимы точные метаданные Location Entities: координаты (для Distance factor и Snapping), категория (для визуализации иконками) и часы работы (для Business hour overlap factor).
5. Обработка неопределенности через UX: Система спроектирована для работы в сложных условиях с помощью Confidence Scores. Если автоматическое определение затруднено (низкая уверенность), система полагается на обратную связь от пользователя через Disambiguation Display.

Практика

Best practices (это мы делаем)

Рекомендации касаются в первую очередь Local SEO и оптимизации сущностей (Entity Optimization).

• Обеспечение абсолютной точности данных в GBP: Критически важно поддерживать актуальность координат (точное расположение пина на карте), часов работы (Business Hours) и основной категории (Category). Эти данные напрямую используются в Factor Analysis и для визуализации (категориальные иконки).
• Стимулирование сигналов популярности (Popularity Factors): Необходимо работать над увеличением реальной популярности заведения. Патент явно упоминает чекины, запросы маршрутов и упоминания в социальных сетях как факторы для определения местоположения пользователя.
• Стимулирование взаимодействий (Personalization Factors): Необходимо стимулировать пользователей взаимодействовать с брендом/локацией онлайн и офлайн. История веб-поиска и предыдущие взаимодействия (клики на карте, маршруты) используются для идентификации физического присутствия пользователя в будущем.
• Использование Google Wallet / Мобильных платежей: Если применимо, внедрение систем мобильных платежей является сильным сигналом. Патент упоминает данные о транзакциях как фактор персонализации для подтверждения присутствия.

Worst practices (это делать не надо)

• Неточные данные в GBP: Неверные часы работы или неправильное расположение пина на карте будут снижать Confidence Score в Factor Analysis, что приведет к тому, что система не сможет корректно идентифицировать присутствие пользователя в заведении.
• Манипуляции с популярностью без реальных посещений: Создание фейковых сигналов популярности (например, накрутка запросов маршрутов) без подтверждения реальными геолокационными данными пользователей неэффективно и рискованно.
• Игнорирование категорий бизнеса: Выбор неправильной категории может привести к некорректному отображению иконки на карте (Claim 1), так как патент явно использует категории для визуализации (dedicated graphical icon for the category).

Стратегическое значение

Патент подтверждает стратегическую важность конвергенции онлайн и офлайн сигналов (O2O). Local SEO — это не только ранжирование в локальной выдаче, но и обеспечение того, чтобы Google мог валидировать физическую реальность и популярность бизнеса через присутствие пользователей. Точное определение местоположения является основой для атрибуции офлайн-визитов и последующей персонализации поиска, что делает работу над качеством и популярностью локальной сущности долгосрочным приоритетом.

Практические примеры

Сценарий: Оптимизация кофейни в крупном бизнес-центре (высокая плотность объектов)

Проблема: В здании много арендаторов, сигнал GPS слабый. Google часто путает кофейню с соседними заведениями при определении местоположения посетителей.

Действия на основе патента:

1. Проверка физических данных (Distance/Geometry): Убедиться, что пин в GBP расположен максимально точно внутри помещения кофейни. Проверить часы работы на соответствие (Business hour overlap factor).
2. Усиление сигналов популярности (Popularity Factors): Запустить локальную рекламную кампанию, мотивирующую посетителей строить маршруты (requests for directions) и делать чекины (check-ins) по прибытии (например, скидка за чекин или отзыв).
3. Усиление сигналов персонализации (Personalization Factors): Внедрить оплату через Google Wallet (transactions). Проводить email-рассылки, стимулирующие поиск информации о кофейне (web search query), чтобы связать пользователя с сущностью до визита.
4. Ожидаемый результат: Google начнет получать более сильные и консистентные сигналы, связывающие геолокацию пользователей внутри здания с кофейней. Это повысит Confidence Score, улучшит точность определения местоположения и валидирует популярность кофейни в системах Google.

Вопросы и ответы