Как Яндекс использует историю действий пользователя во всех своих сервисах (Такси, Почта, Браузер) для персонализации показа организаций на Картах

Описание

Какую задачу решает

Патент решает задачу повышения релевантности и снижения информационного шума в картографических приложениях (Яндекс Карты, Навигатор). В условиях высокой плотности объектов на карте система стремится выделить те точки интереса (POI), которые наиболее соответствуют личным предпочтениям конкретного пользователя. Это улучшает сценарий обнаружения новых мест (discovery) без ввода явного поискового запроса.

Что запатентовано

Запатентован способ и сервер для персонализированного ранжирования и представления POI на карте. Суть изобретения заключается в агрегации данных о прежних действиях пользователя из множества различных веб-сервисов экосистемы Яндекса (кросс-сервисный анализ). Эти данные используются для глубокого понимания предпочтений пользователя и последующего ранжирования POI.

Как это работает

Система собирает данные о поведении пользователя из разных источников (например, Такси, Почта, Браузер, Навигатор). Используя алгоритм машинного обучения (MLA), в частности, Глубокую структурированную семантическую модель (DSSM), система формирует векторные представления (эмбеддинги) для POI (на основе их признаков) и вектор пользователя (на основе его истории). Ранжирование осуществляется путем вычисления расстояния (близости) между этими векторами. Также применяется коллаборативная фильтрация — учет предпочтений похожих пользователей.

Актуальность для SEO

Высокая. Гиперперсонализация и использование кросс-сервисных данных являются ключевыми стратегиями экосистемы Яндекса. Применение векторных моделей, таких как DSSM, для задач рекомендаций и ранжирования является современной и актуальной практикой.

Важность для SEO

Влияние на Локальное SEO (Local SEO) значительно (8/10), но влияние на традиционный органический веб-поиск минимально (1/10). Патент не относится к ранжированию веб-поиска, но критически важен для видимости бизнеса в Яндекс Картах и Навигаторе. Он описывает механизм, который определяет, будет ли организация показана пользователю при просмотре карты (discovery optimization). Видимость напрямую зависит от соответствия признаков организации поведенческому профилю пользователя, сформированному по данным из всей экосистемы Яндекса.

Детальный разбор

Термины и определения

POI (Point of Interest, Интересующая точка)

Объект на карте, представляющий интерес (например, организация, достопримечательность).

Множество веб-сервисов

Набор сервисов, связанных с пользователем, из которых собираются данные. В патенте упомянуты: сервис электронной почты, заказа такси, совместных поездок, навигационный сервис и сервис браузера.

Данные о прежних действиях пользователя

Информация о взаимодействиях пользователя в различных веб-сервисах. Указывают на предпочтения пользователя. Включают количество «кликов» по POI и/или количество посещений POI.

MLA (Machine Learning Algorithm, Алгоритм машинного обучения)

Алгоритм, используемый для формирования векторов и ранжирования. В патенте упоминаются нейронная сеть и DSSM.

Векторное представление POI

Численное представление POI в многомерном пространстве (эмбеддинг), сформированное MLA на основе признаков POI (название, описание, категория, местоположение).

Вектор пользователя

Численное представление интересов пользователя в том же многомерном пространстве (эмбеддинг), сформированное MLA на основе его прежних действий.

DSSM (Deep Structured Semantic Model, Глубокая структурированная семантическая модель)

Тип нейронной сети (Claim 13), используемый для моделирования семантической схожести между разнородными объектами (пользователем и POI) путем проецирования их в общее векторное пространство.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на персонализации отображения объектов на карте за счет анализа поведения пользователя в разных сервисах и использования векторных моделей.

Claim 1 (Независимый пункт): Описывает основной способ работы системы.

1. Сервер получает запрос на отображение местоположения на карте.
2. Сервер определяет множество POI для данного местоположения.
3. Ключевой шаг: Сервер определяет множество веб-сервисов, связанных с пользователем (помимо картографического сервиса).
4. Сервер получает данные о прежних действиях пользователя из этих веб-сервисов, указывающие на его предпочтения.
5. Сервер ранжирует POI на основе этих данных.
6. Сервер передает на устройство карту с подмножеством отранжированных POI.

Claim 7 (Зависимый пункт): Конкретизирует источники данных.

Множество веб-сервисов может включать: сервис электронной почты, сервис заказа такси, сервис совместных поездок, навигационный сервис и сервис браузера.

Claim 9 (Зависимый от п. 8): Описывает механизм ранжирования с использованием MLA и векторизации.

1. Векторизация POI: MLA формирует векторное представление каждой POI на основе ее признаков (название, описание, категория, местоположение – согласно Claim 8).
2. Векторизация Пользователя: MLA формирует вектор пользователя на основе данных о его прежних действиях во множестве веб-сервисов.
3. Ранжирование: Основано на расстояниях между вектором пользователя и векторными представлениями POI. (Предполагается, что меньшее расстояние означает большую релевантность).

Claim 10 (Зависимый от п. 9): Вводит механизм коллаборативной фильтрации (Look-alike моделирования).

1. Сервер получает множество ранее сформированных векторов других пользователей.
2. MLA определяет расстояние между вектором текущего пользователя и векторами других пользователей.
3. Выбираются пользователи с минимальным расстоянием (наиболее похожие).
4. Ранжирование также основывается на расстояниях между векторами этих похожих пользователей и векторами POI. (То есть, рекомендуется то, что нравится похожим людям).

Где и как применяется

Изобретение применяется исключительно в рамках архитектуры картографических сервисов Яндекса (Яндекс Карты, Навигатор) и не относится к ранжированию основного веб-поиска. В архитектуре картографического сервиса этот механизм является слоем Персонализации и Ранжирования.

Офлайн/Nearline Процессы (Обработка данных и Векторизация)

• Сбор данных: Агрегация признаков POI и логов активности пользователей из различных сервисов (Такси, Почта, Браузер и т.д.).
• Обучение MLA (DSSM): Обучение модели для перевода признаков и истории в единое векторное пространство.
• Вычисление векторов: Формирование и обновление Векторных представлений POI и Векторов пользователей.

Онлайн Процессы (RANKING)
Процесс активируется в момент взаимодействия пользователя с картой.

• Получение данных: При запросе карты система извлекает вектор текущего пользователя и векторы POI в данной области.
• Вычисление релевантности: В реальном времени рассчитывается расстояние (семантическая близость) между вектором пользователя и векторами POI.
• Коллаборативная фильтрация: При необходимости (например, при недостатке данных у пользователя) система находит ближайших соседей в пространстве пользователей и учитывает их векторы при ранжировании (Claim 10).
• Фильтрация: Система определяет количество POI для отображения в зависимости от масштаба карты (Claims 2-4) и выводит топ персонализированного списка.

На что влияет

• Конкретные типы контента: Влияет исключительно на видимость локальных объектов (POI) — бизнесов, организаций, достопримечательностей.
• Специфические запросы: Наибольшее влияние оказывается в сценариях просмотра карты без ввода явного поискового запроса (discovery/exploration). Система проактивно подсвечивает релевантные места.
• Конкретные ниши или тематики: Влияет на все локальные ниши. Сильнее всего влияет на конкурентные ниши (кафе, магазины, услуги), где требуется персонализированная фильтрация.

Когда применяется

• Триггеры активации: Алгоритм активируется при каждом взаимодействии пользователя с картой (открытие, перемещение, изменение масштаба), требующем обновления видимой области.
• Условия работы: Для полноценной работы персонализации пользователь должен быть идентифицирован (залогинен), чтобы система могла определить его профиль (Claim 5), и у него должна быть накоплена история взаимодействий в экосистеме.

Пошаговый алгоритм

Фаза 1: Предварительная подготовка (Офлайн/Nearline)

1. Сбор данных: Агрегация признаков POI и истории действий пользователей из множества веб-сервисов.
2. Обучение MLA (DSSM): Обучение модели для сопоставления пользователей и POI в едином векторном пространстве.
3. Векторизация POI: Формирование Векторного представления POI на основе ее признаков.
4. Векторизация пользователей: Формирование Вектора пользователя на основе его истории.

Фаза 2: Обработка запроса (Online)

1. Получение запроса: Пользователь запрашивает отображение местоположения с определенным масштабом.
2. Идентификация и выборка: Определение профиля пользователя и выборка POI в запрашиваемой области.
3. Получение векторов: Извлечение актуального Вектора пользователя и Векторных представлений POI.
4. Расчет близости (Ранжирование): Вычисление расстояний между вектором пользователя и векторами POI.
5. (Опционально) Коллаборативная фильтрация: Поиск похожих пользователей и учет их предпочтений (расстояний от их векторов до векторов POI) при ранжировании.
6. Фильтрация по масштабу: Определение оптимального количества POI для отображения при данном масштабе (Claim 2).
7. Выбор Топ-N и Передача данных: Выбор подмножества POI с наименьшим расстоянием и отправка данных на устройство.

Какие данные и как использует

Данные на входе

Данные о POI (для формирования Вектора POI):

• Контентные/Структурные факторы: Название, Описание, Категория (Claim 8).
• Географические факторы: Местоположение (Claim 8).

Данные о пользователях (для формирования Вектора пользователя):

• Пользовательские факторы (Кросс-сервисная активность): Данные из множества веб-сервисов (Claim 7):
  • Сервис электронной почты (вероятно, анализ чеков, бронирований).
  • Сервис заказа такси (история поездок).
  • Сервис совместных поездок.
  • Навигационный сервис (история маршрутов, посещенные места).
  • Сервис браузера (история посещенных сайтов, поисковые запросы).
• Поведенческие факторы (Конкретные действия): Количество «кликов» по POI, Количество посещений POI (физические визиты) (Claim 14).

Какие метрики используются и как они считаются

• Алгоритмы машинного обучения: Ключевым элементом является MLA. Указаны Нейронная сеть (Claim 12) и DSSM (Claim 13). DSSM обучается максимизировать близость между вектором пользователя и векторами тех POI, с которыми он взаимодействовал.
• Векторные представления (Эмбеддинги): Многомерные векторы, кодирующие семантику POI и интересы пользователя.
• Расстояние между векторами: Основная метрика для ранжирования. Используется для оценки семантической схожести между пользователем и POI, а также между разными пользователями. (Обычно косинусная близость или скалярное произведение).
• Коллаборативная фильтрация: Используется метод поиска ближайших соседей (Nearest Neighbors) в пространстве Векторов пользователей.

Выводы

1. Глубокая интеграция экосистемы Яндекса: Видимость организации на Картах напрямую зависит от поведения пользователей во всей экосистеме (Такси, Почта, Браузер, Навигатор). Яндекс строит единый профиль интересов пользователя на основе кросс-сервисных данных.
2. Персонализация как ключевой фактор Local SEO: При просмотре карты приоритет отдается не общей популярности или оптимизации профиля, а персональной релевантности. Видимость POI уникальна для каждого пользователя.
3. Векторное ранжирование и DSSM: Яндекс использует продвинутые нейросетевые модели (DSSM) для мэтчинга пользователей и POI в семантическом пространстве. Это позволяет находить релевантные места на основе близости интересов, даже без прямого взаимодействия (Claim 11).
4. Роль коллаборативной фильтрации (Look-alike): Система учитывает не только личную историю пользователя, но и поведение похожих на него людей (Claim 10). Это помогает решать проблему «холодного старта» и подчеркивает важность привлечения четко сегментированной целевой аудитории.
5. Важность признаков POI: Качество заполнения профиля в Яндекс Бизнесе (название, описание, категория) критически важно, так как эти данные являются входными для формирования Векторного представления POI.

Практика

Best practices (это мы делаем)

Рекомендации касаются стратегий Local SEO и управления присутствием в экосистеме Яндекса.

• Максимально качественное заполнение профиля в Яндекс Бизнесе: Убедитесь, что категория (рубрика) выбрана максимально точно, а описание детальное и семантически релевантное. Эти данные являются основой для формирования Векторного представления POI (Claim 8). Точное позиционирование помогает DSSM корректно мэтчить организацию с заинтересованными пользователями.
• Стимулирование взаимодействий внутри экосистемы Яндекса: Необходимо мотивировать пользователей взаимодействовать с организацией через инструменты Яндекса, так как система учитывает клики, посещения (Claim 14) и данные из других сервисов (Claim 7). Это включает: построение маршрутов в Навигаторе/Картах, вызов Яндекс Такси до адреса организации, переходы на сайт через Яндекс Браузер.
• Работа с целевой аудиторией (Влияние на коллаборативную фильтрацию): Система будет показывать вашу организацию людям, похожим на ваших текущих клиентов (Claim 10). Важно привлекать именно целевую аудиторию, так как их поведенческие паттерны будут определять, кому еще будет рекомендована организация.
• Использование инструментов Яндекс для сбора данных: Использование Приоритетного размещения в Картах или рекламы в Навигаторе позволяет получить первичные данные о взаимодействиях, которые будут использованы моделью DSSM для обучения и уточнения векторов.

Worst practices (это делать не надо)

• Неверное рубрицирование (Смешивание категорий): Попытка указать нерелевантные категории для увеличения охвата приведет к некорректному формированию Векторного представления POI. Это ухудшит мэтчинг с целевыми пользователями и снизит персонализированную релевантность.
• Накрутка поведенческих факторов нецелевой аудиторией: Имитация взаимодействий (например, фейковые построения маршрутов) или привлечение нерелевантного трафика может исказить понимание системой интересов аудитории. Система начнет рекомендовать организацию не тем пользователям, что приведет к низкому качеству контактов.
• Игнорирование цифрового следа вне Карт: Фокусировка только на оптимизации карточки без учета того, как пользователи ведут себя в Браузере или перемещаются с помощью Навигатора/Такси, не позволит системе построить сильную связь между интересами пользователей и организацией.

Стратегическое значение

Патент подтверждает стратегию Яндекса на построение интегрированной экосистемы, где данные из одного сервиса бесшовно улучшают работу другого. Для Local SEO это означает, что Яндекс Карты нельзя рассматривать в отрыве от других сервисов. Персонализация, основанная на DSSM и кросс-сервисных данных, снижает значимость традиционных статических факторов ранжирования и повышает важность понимания поведения пользователей. Долгосрочная стратегия должна фокусироваться на привлечении лояльной аудитории внутри всей экосистемы Яндекса.

Практические примеры

Сценарий 1: Использование кросс-сервисных данных (DSSM)

1. Действия пользователя: Пользователь регулярно ищет в Яндекс Браузере информацию о веганских рецептах и несколько раз заказывал Яндекс Такси до вегетарианского кафе.
2. Обработка системой: MLA (DSSM) анализирует эти действия и обновляет Вектор пользователя, смещая его ближе к тематике «веганство/вегетарианство».
3. Применение: Когда пользователь открывает Яндекс Карты в своем районе, система рассчитывает расстояния от его вектора до векторов окрестных заведений.
4. Результат: Небольшой веганский магазин будет подсвечен на карте более заметно, чем популярный стейк-хаус по соседству, так как его Векторное представление POI ближе к Вектору пользователя.

Сценарий 2: Коллаборативная фильтрация (Look-alike)

1. Действия пользователя (А): Пользователь А недавно начал заниматься бегом, строил маршруты в парках через Навигатор и искал спортивную одежду. Его Вектор пользователя обновился.
2. Поиск похожих пользователей: Система находит Пользователя Б, чей вектор очень близок к вектору Пользователя А (Claim 10). Пользователь Б — опытный бегун и часто посещает магазин специализированной экипировки «RunPro».
3. Применение: Пользователь А открывает карту в районе, где находится магазин «RunPro».
4. Результат: Система рекомендует магазин «RunPro» Пользователю А, основываясь на предпочтениях похожего Пользователя Б, даже если сам Пользователь А никогда не искал этот конкретный магазин.

Вопросы и ответы