Как Google использует «облака точек» из агрегированных данных о посещениях для точного определения местоположения пользователя в физическом мире

Описание

Какую задачу решает

Патент решает проблему неточности определения семантического местоположения пользователя (например, названия конкретного магазина или ресторана) на основе сырых данных о местоположении (GPS-координат). Эта проблема усугубляется неточностью GPS-сигналов, особенно внутри зданий или в плотной городской застройке, и недостатком точных данных о геометрии зданий. Это затрудняет различие между соседними бизнесами.

Что запатентовано

Запатентована система, которая улучшает точность определения семантического названия места (Semantic Place Name) путем использования агрегированных исторических данных от множества устройств. Ключевым элементом является генерация «Облаков точек» (Point Clouds). Каждое облако представляет собой набор координат, соответствующих «Высококачественным посещениям» (High Quality Visits) конкретного места, и служит эмпирическим «отпечатком» его физических границ.

Как это работает

Система работает в двух основных режимах:

1. Генерация Облаков Точек (Офлайн): Система анализирует исторические отчеты о местоположении (Location Reports). Она идентифицирует High Quality Visits (HQV) — посещения, где система имеет высокую уверенность (Confidence Score) в том, что пользователь находился именно в этом месте (например, благодаря истории поиска, подключению к Wi-Fi заведения или чекинам). Координаты этих посещений добавляются в Point Cloud данного места.
2. Определение Местоположения (Инференс): Когда поступает новый отчет о местоположении, система сравнивает его с Point Clouds близлежащих кандидатов. Место определяется на основе того, насколько хорошо отчет совпадает с историческим паттерном посещений (облаком точек).

Актуальность для SEO

Высокая. Точное понимание физического местоположения пользователя является фундаментальным для Google Maps, Локального Поиска (Local Search) и таких функций, как «Популярные часы» (Popular Times). Этот механизм критически важен для атрибуции физических визитов (Store Visits) в сложных условиях, таких как торговые центры и городские центры.

Важность для SEO

Патент имеет значительное влияние на Local SEO. Он описывает инфраструктуру, которая позволяет Google измерять физический трафик (foot traffic) и понимать реальные границы бизнеса, основываясь на поведении пользователей, а не только на картографических данных. Хотя патент не описывает алгоритмы ранжирования напрямую, он обеспечивает точный сбор данных (атрибуцию визитов), которые используются как сигнал популярности (Prominence) в локальном поиске и являются основой для отчетности по эффективности локального продвижения.

Детальный разбор

Термины и определения

Confidence Score (Оценка уверенности)

Метрика, указывающая на вероятность того, что отчет о местоположении связан с конкретным кандидатом семантического местоположения. Используется для идентификации HQV и для финального определения места.

Geographic Cells (Географические ячейки)

Области, на которые делится географическое пространство для анализа паттернов в Point Clouds. Каждая ячейка может иметь Probability Value.

High Quality Visit (HQV, Высококачественное посещение)

Отчет о местоположении, который с высокой степенью вероятности (выше порогового значения Confidence Score по сравнению с другими кандидатами) связан с конкретным семантическим местом.

Inference Module (Модуль инференса/логического вывода)

Компонент системы, который обрабатывает новые отчеты о местоположении и определяет Semantic Place Name, используя Point Clouds и другие сигналы.

Location Report (Отчет о местоположении)

Сырые данные от пользовательского устройства, обычно включающие географические координаты (широта/долгота) и временную метку.

Point Cloud (Облако точек)

Набор точек данных (координат), агрегированных из множества High Quality Visits для конкретного семантического места. Представляет собой эмпирический паттерн посещения этого места.

Point Cloud Module (Модуль облака точек)

Компонент системы, отвечающий за анализ исторических отчетов и генерацию Point Clouds.

Probability Value (Значение вероятности)

Вероятность, связанная с Geographic Cell, указывающая на шанс того, что нахождение в этой ячейке соответствует посещению определенного места. Определяется плотностью точек в Point Cloud.

Semantic Place Name (Семантическое название места)

Название сущности, где находится устройство (например, название ресторана, парка, магазина).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс определения семантического названия места с использованием технологии.

1. Система получает отчет о местоположении (Location Report) от устройства.
2. Система получает доступ к данным одного или нескольких Point Clouds. Каждое облако связано с кандидатом семантического местоположения и сгенерировано из ранее полученных отчетов от множества разных устройств.
3. Каждая точка в облаке соответствует High Quality Visit (HQV).
4. Система идентифицирует Semantic Place Name на основе совпадения (match) между отчетом и одним или несколькими Point Clouds.
5. Ключевое определение: HQV определяется как посещение, связанное с кандидатом местоположения с уверенностью (Confidence Score), превышающей пороговое значение (threshold confidence score) по отношению к другим кандидатам.

Claim 4 (Зависимый от 1): Детализирует механизм использования Point Clouds через извлечение паттернов (Patterns).

1. Система получает доступ к паттерну, извлеченному из Point Clouds.
2. Паттерн состоит из географических ячеек (Geographic Cells).
3. Каждая ячейка предоставляет значение вероятности (Probability Value) нахождения в одном или нескольких семантических местах. Это значение определяется на основе плотности точек Point Clouds в ячейке.
4. Система сопоставляет Location Report с одной из ячеек.
5. Semantic Place Name определяется на основе Probability Value, связанного с этой ячейкой.

Claim 5 (Зависимый от 1): Описывает процесс создания (генерации) облака точек.

1. Система получает Location Report от одного из множества устройств.
2. Система определяет, что отчет соответствует High Quality Visit.
3. Система идентифицирует кандидата местоположения, соответствующего этому HQV.
4. Система генерирует точку данных для Point Cloud этого кандидата на основе отчета.

Claim 6 и 9 (Зависимые от 5): Детализируют процесс определения HQV.

1. Для отчета идентифицируется несколько кандидатов местоположения.
2. Для каждого кандидата определяется Confidence Score (вероятность того, что отчет произошел во время посещения этого кандидата).
3. Отчет классифицируется как HQV, если Confidence Score для одного из кандидатов превышает пороговое значение уверенности по отношению к другим кандидатам (Claim 9).

Где и как применяется

Изобретение затрагивает этапы сбора, индексирования и обработки данных для определения местоположения пользователя, что критично для Локального поиска и Карт.

CRAWLING – Сканирование и Сбор данных
На этом этапе происходит сбор сырых Location Reports от пользовательских устройств (с их разрешения). Система выступает в роли краулера физического мира.

INDEXING – Индексирование и извлечение признаков
Point Cloud Module работает в офлайн-режиме, обрабатывая агрегированные данные. Он анализирует отчеты, вычисляет Confidence Scores, идентифицирует High Quality Visits и генерирует Point Clouds для семантических мест. Эти облака индексируются как признаки, характеризующие реальные физические границы мест.

RANKING / RERANKING (Логический вывод)
Хотя это не ранжирование веб-документов, процесс определения семантического места является ранжированием кандидатов местоположения. Inference Module работает в реальном времени (или при обработке истории местоположений). Он получает новый Location Report, извлекает предварительно рассчитанные Point Clouds для близлежащих кандидатов и использует их как дополнительный сигнал для вычисления финального Confidence Score. Это позволяет переранжировать кандидатов, которые могли быть выбраны только на основе расстояния до точки на карте.

Входные данные:

• (Офлайн): Исторические Location Reports от множества устройств. Сигналы для определения уверенности (Wi-Fi, история поиска, социальные сигналы).
• (Инференс): Новый Location Report от пользователя. База данных Point Clouds.

Выходные данные:

• (Офлайн): Point Clouds для семантических мест.
• (Инференс): Semantic Place Name, связанное с новым отчетом (используется в Google Maps, Истории местоположений, аналитике посещений).

На что влияет

• Конкретные типы контента: В первую очередь влияет на данные в Google Maps и Local Search (Local Pack). Критически влияет на точность атрибуции визитов к профилям компаний (Google Business Profile).
• Конкретные ниши или тематики: Наибольшее влияние оказывается на бизнесы, расположенные в зонах с высокой плотностью (торговые центры, фуд-корты, центральные улицы города), где сложно различить соседние заведения только по GPS-координатам.

Когда применяется

• Триггеры активации: Алгоритм применяется всякий раз, когда система получает Location Report от устройства пользователя (при наличии разрешений). Использование Point Clouds становится особенно важным, когда стандартные сигналы (например, расстояние до точки на карте) не дают однозначного ответа из-за неточности GPS или близости нескольких кандидатов.

Пошаговый алгоритм

Процесс А: Генерация Point Cloud (Офлайн / Фоновый режим)

1. Сбор данных: Получение исторических Location Reports от множества устройств.
2. Идентификация кандидатов: Для каждого отчета определяется список близлежащих семантических мест.
3. Расчет уверенности: Для каждого кандидата вычисляется базовый Confidence Score. При этом используются различные сигналы: расстояние до кандидата, история поиска пользователя (search history), сканирование беспроводных сетей (wireless network scans), социальные сигналы (social signals, например, чекины).
4. Определение High Quality Visit (HQV): Система определяет, соответствует ли отчет HQV. Это происходит, если Confidence Score для одного кандидата значительно превышает оценки для других кандидатов (в описании патента упоминается пример порога относительной разницы около 25%).
5. Генерация точки данных: Если отчет признан HQV, генерируется точка данных (координаты отчета).
6. Ассоциация с облаком: Точка данных добавляется в Point Cloud, связанное с идентифицированным семантическим местом.

Процесс Б: Определение Semantic Place Name (Инференс)

1. Получение отчета: Система получает новый Location Report от устройства пользователя.
2. Идентификация кандидатов: Определяется список близлежащих кандидатов.
3. Доступ к Point Clouds: Система получает доступ к предварительно сгенерированным Point Clouds для этих кандидатов.
4. Извлечение паттерна (Опционально): Система может использовать паттерн, основанный на Geographic Cells, где для каждой ячейки рассчитано Probability Value на основе плотности точек в облаках.
5. Расчет финальной уверенности: Вычисляется финальный Confidence Score для каждого кандидата. Он учитывает стандартные сигналы (как в Процессе А) И данные из Point Clouds. Это может быть:
   • Совпадение координат отчета с точками в облаке.
   • Или, если используется паттерн: сопоставление отчета с Geographic Cell и использование Probability Value этой ячейки.
6. Идентификация места: Выбирается кандидат с наивысшим финальным Confidence Score в качестве Semantic Place Name.
7. Сохранение и отображение: Результат сохраняется (например, в истории местоположений) и может быть отображен пользователю.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных о местоположении и связанных с ними сигналах для валидации.

• Географические факторы: Сырые Location Reports (координаты широты и долготы, полученные через GPS, триангуляцию, маячки). Картографические данные о расположении бизнесов.
• Технические факторы: Данные сканирования беспроводных сетей (wireless network scans, Wi-Fi access points). Сила сигнала Wi-Fi.
• Пользовательские и Поведенческие факторы (для определения Confidence Score и HQV):
  • История поиска (Search history): если пользователь искал место незадолго до посещения.
  • История местоположений (Location history): предыдущие визиты пользователя.
  • Социальные сигналы (Social signals): например, чекины (check-ins) пользователя в данном месте.

Какие метрики используются и как они считаются

• Confidence Score (Оценка уверенности): Вероятностная оценка, агрегирующая различные сигналы (расстояние, Wi-Fi, история поиска и т.д.) и данные из Point Clouds. Конкретная формула расчета не приводится.
• Threshold Confidence (Пороговая уверенность для HQV): Порог, который должен быть превышен Confidence Score одного кандидата по отношению к другим кандидатам, чтобы визит был классифицирован как High Quality Visit. В тексте патента (в описании, не в Claims) упоминается пример порога около 25% относительной разницы.
• Probability Value (Значение вероятности в ячейке): Рассчитывается для Geographic Cells на основе количества точек из Point Cloud, попавших в данную ячейку. Чем больше плотность точек, тем выше вероятность.

Выводы

1. Эмпирические данные важнее картографических: Google полагается на агрегированные данные о поведении пользователей (Point Clouds) для определения реальных физических границ бизнеса, корректируя или дополняя официальные картографические данные (границы зданий, положение пина).
2. Критичность «Высококачественных посещений» (HQV): Ядром системы является способность идентифицировать HQV. Это посещения, подтвержденные сильными сигналами (Wi-Fi, история поиска, чекины). Без достаточного количества HQV невозможно построить точные Point Clouds.
3. Онлайн-сигналы для валидации офлайн-поведения: Система активно использует онлайн-активность (поиск, социальные сети) для подтверждения и валидации физического местоположения пользователя, создавая связь между онлайн-интентом и офлайн-действием.
4. Коррекция аппаратных неточностей: Механизм напрямую направлен на компенсацию неточностей GPS (дрейф сигнала, отражения в городской застройке, проблемы внутри помещений) путем анализа исторических паттернов.
5. Инфраструктура для Local SEO сигналов: Патент описывает инфраструктуру для точного измерения физического трафика (foot traffic). Эти данные используются в функциях типа «Popular Times» и служат сигналом популярности и релевантности (Prominence) в локальном ранжировании.

Практика

Best practices (это мы делаем)

Основная задача для Local SEO специалиста в контексте этого патента — стимулировать генерацию High Quality Visits (HQV) для своего бизнеса, чтобы Google мог построить точное и плотное Point Cloud.

• Оптимизация Wi-Fi сети: Предоставляйте гостевой Wi-Fi с сильным сигналом и уникальным SSID, который ассоциируется с вашим брендом. Сканирование Wi-Fi (wireless network scans) является ключевым сигналом для определения Confidence Score и идентификации HQV. Убедитесь, что точка доступа корректно зарегистрирована в базах данных геолокации.
• Стимулирование пре-визитного поиска (GBP Optimization): Оптимизируйте профиль компании в Google (Google Business Profile), чтобы пользователи искали информацию о вашем бизнесе или строили маршрут непосредственно перед визитом. История поиска (search history) является сильным сигналом для определения HQV.
• Поощрение социальных сигналов (Check-ins) и отзывов во время визита: Мотивируйте клиентов «чекиниться» или оставлять отзывы/фотографии во время посещения. Это служит сильным социальным сигналом (social signals) для подтверждения визита (HQV) и обучает модель Google.
• Обеспечение Online-to-Offline атрибуции: Используйте локализованные рекламные кампании (например, Local Campaigns), которые стимулируют пользователей искать и посещать конкретную физическую точку. Четкая связь между онлайн-взаимодействием и последующим визитом помогает в генерации HQV.

Worst practices (это делать не надо)

• Использование общих или слабых Wi-Fi сетей: Использование стандартных названий Wi-Fi или сетей, которые используются совместно с соседними бизнесами (например, общий Wi-Fi торгового центра), затрудняет Google точную атрибуцию визита и генерацию HQV для вашего конкретного бизнеса.
• Игнорирование точности данных на картах: Хотя система корректирует неточности, полагаться только на это рискованно. Необходимо следить за точностью расположения пина и границ вашего бизнеса на Google Maps, чтобы базовые сигналы расстояния работали корректно и не мешали первоначальной идентификации HQV.
• Попытки фейковых визитов или GPS спуфинга: Попытки сгенерировать фейковые визиты могут быть неэффективны. Если координаты фейковых визитов не совпадают с Point Cloud, сформированным реальными пользователями, система может их игнорировать или не классифицировать как HQV.

Стратегическое значение

Патент подтверждает стратегическую важность реальных поведенческих сигналов в Local SEO. Google картирует физический мир, основываясь не только на официальных данных, но и на том, куда реально ходят пользователи. Для долгосрочной стратегии критически важно обеспечить синергию между онлайн-присутствием и офлайн-опытом, чтобы гарантировать, что Google точно атрибутирует визиты к вашему бизнесу. Это фундамент для использования физической популярности как фактора ранжирования.

Практические примеры

Сценарий: Различение двух соседних кафе в торговом центре (ТЦ)

Два кафе (Кафе А и Кафе Б) расположены рядом. GPS-сигнал внутри ТЦ слабый и неточный.

• Ситуация без оптимизации: Оба кафе используют общую сеть «Mall Free Wi-Fi». Пользователи ищут просто «кафе в ТЦ». Google сложно определить, в какое именно кафе зашел посетитель. Confidence Scores для Кафе А и Кафе Б почти равны. Point Clouds получаются неточными или смешанными.
• Ситуация с оптимизацией (Кафе А):
  • Кафе А установило собственную сеть «Cafe_A_Guest».
  • Кафе А активно ведет GBP, и пользователи часто ищут «Кафе А маршрут» или «Кафе А отзывы» перед входом.
  • Кафе А проводит акцию: скидка за чекин во время посещения.
• Результат: Когда посетитель подключается к «Cafe_A_Guest», приходит после поиска или делает чекин, Google фиксирует High Quality Visit для Кафе А. На основе этих данных строится точное Point Cloud для Кафе А. В дальнейшем, даже если новый посетитель не совершит этих действий, его неточный GPS-сигнал будет сопоставлен с этим Point Cloud, и визит будет корректно атрибутирован к Кафе А.

Вопросы и ответы