Как Яндекс определяет иерархию и объединяет связанные объекты (POI) на Картах и в Локальном поиске

Описание

Какую задачу решает

Патент решает задачу снижения информационной перегрузки и визуального шума при отображении большого количества Точек Интереса (Points of Interest, POI) на ограниченном пространстве, например, на карте или экране мобильного устройства. Цель — обеспечить более компактное отображение наиболее значимой информации, улучшая восприятие и ускоряя ориентирование пользователя в полученных данных. Это улучшает UX в картографических сервисах и локальном поиске.

Что запатентовано

Запатентована система и способ кластеризации связанных POI и создания Комплексной Точки Интереса (Complex POI). Суть изобретения заключается в расчете Количественного показателя близости между объектами на основе географических и описательных (текстовых) параметров. Если показатель превышает порог, система применяет Эвристический алгоритм для определения иерархии (Главный и Второстепенный объект) и формирует Комплексную точку.

Как это работает

Система сравнивает пары POI и рассчитывает Показатель близости. Этот расчет учитывает физическое расстояние, корректировку на плотность объектов в регионе (в центре города требования к близости строже) и текстовую близость (если объекты упоминают друг друга в описаниях). Если близость высока, активируется Эвристический алгоритм для определения иерархии. Алгоритм может использовать показатели значимости объектов (например, Фоторейтинг — количество фото объекта в сети) или предопределенные иерархии терминов (например, Кремль > Собор). В результате создается Комплексная Точка Интереса, наследующая данные от Главного объекта.

Актуальность для SEO

Высокая. Управление отображением сущностей, кластеризация объектов и выявление иерархических связей между ними являются ключевыми задачами современных поисковых систем, особенно в контексте Локального Поиска, Яндекс.Карт и Графов Знаний. Описанные методы анализа местоположения, контекста (плотности) и текстовых связей крайне актуальны.

Важность для SEO

Влияние на Local SEO значительно (7/10). Патент не описывает ранжирование веб-документов, но детально раскрывает, как Яндекс идентифицирует, связывает и приоритизирует физические объекты (POI). Понимание этих механизмов критически важно для видимости бизнеса в Яндекс.Картах и локальных блоках выдачи. Патент подчеркивает важность точности геоданных, описаний, раскрывающих связи между объектами, и сигналов популярности (Фоторейтинг).

Детальный разбор

Термины и определения

Point of Interest (POI) (Точка интереса)

Отметка на карте или запись в базе данных, обозначающая реальный объект. Ассоциирована с Карточкой точки интереса.

Complex POI (Комплексная точка интереса)

Точка интереса, созданная путем объединения Главной POI и одной или нескольких Второстепенных POI. Создается для более компактного отображения информации.

Main POI (Главная точка интереса)

Точка интереса в кластере, определенная Эвристическим алгоритмом как основная или иерархически высшая (например, Торговый Центр). Комплексная POI наследует данные преимущественно из ее карточки.

Secondary POI (Второстепенная точка интереса)

Точка интереса в кластере, определенная как входящая в состав Главного объекта (например, магазин в ТЦ).

Quantitative Proximity Indicator (Количественный показатель близости)

Числовой индикатор, указывающий на потенциальную взаимосвязь объектов. Рассчитывается на основе параметров местоположения и описательных параметров.

Location Parameter (Параметр местоположения)

Географические данные объекта. Включает подпараметры географической близости и плотности объектов.

Geographic Proximity Subparameter (Подпараметр географической близости)

Параметр, отражающий физическую дистанцию между объектами.

Object Density Subparameter (Подпараметр плотности объектов)

Корректирующий параметр. Отражает количество объектов на территории. Чем выше плотность, тем строже требования к географической близости для установления связи.

Descriptive Parameter / Textual Proximity (Описательный параметр / Текстовая близость)

Наименование, описание и другие текстовые данные объекта. Используется для расчета текстовой близости, основанной на взаимном упоминании объектов в описаниях друг друга.

Significance Parameter (Параметр значимости объекта)

Параметр, описывающий важность или популярность объекта. Используется для определения Главной POI.

Photo Rating (Фоторейтинг)

Реализация Параметра значимости. Основан на количестве фотографий объекта, найденных в Интернете. Большое количество фотографий свидетельствует об интересе пользователей.

Heuristic Algorithm (Эвристический алгоритм)

Алгоритм, применяемый к кластеру связанных POI для определения иерархии (Главная и Второстепенная POI). Может использовать Параметры значимости или предопределенные иерархические наборы терминов (Маркеры значимости слов).

Ключевые утверждения (Анализ Claims)

Патент описывает механизм консолидации отображения информации о связанных объектах для улучшения пользовательского опыта.

Claim 1 (Независимый пункт, Способ): Описывает основной процесс объединения двух POI.

1. Получение карточек первой и второй POI (содержат параметры местоположения и описательные параметры).
2. Расчет Количественного показателя близости на основе этих параметров.
3. Если показатель превышает пороговое значение, инициируется создание Комплексной точки интереса.
4. Применение Эвристического алгоритма для определения иерархии (Главная vs Второстепенная POI).
5. Присвоение Комплексной точке интереса информации из карточки Главной точки интереса.

Ядро изобретения — автоматизированное определение связи и иерархии для консолидации отображения.

Claim 8, 9, 10 (Зависимые пункты): Детализируют работу Эвристического алгоритма для определения иерархии.

• Claim 8, 9: Алгоритм может использовать Параметр значимости объекта. Конкретная реализация этого параметра — Фоторейтинг. (Более популярный объект вероятнее будет Главным).
• Claim 10: Алгоритм может использовать предварительно запрограммированный набор маркеров значимости слов (иерархические термины, например, Кремль > Собор).

Claim 12 (Зависимый пункт): Детализирует расчет Параметра местоположения.

Параметр определяется с учетом подпараметра географической близости (дистанция) и подпараметра плотности объектов (количество объектов на единицу площади). Это подтверждает адаптивность системы к контексту местности.

Где и как применяется

Изобретение относится к инфраструктуре локального поиска и картографических сервисов Яндекса (Яндекс.Карты, Навигатор, локальные блоки в SERP), а не к стандартному ранжированию веб-документов.

CRAWLING & INDEXING (Сбор данных и Индексация POI)
Процессы происходят на этапе сбора и обработки данных о локальных объектах (офлайн):

• Сбор данных: Получение информации об объектах из открытых источников (Википедия, официальные сайты, соцсети, фотохостинги).
• Приоритизация источников: Оценка авторитетности источников данных (предпочтение отдается энциклопедиям или официальным сайтам).
• Извлечение признаков и Расчет метрик: Генерация Карточек POI и расчет статических параметров, таких как Параметр значимости (Фоторейтинг).

BLENDER – Метапоиск и Смешивание / Генерация SERP (Wizards)
Основное применение происходит на этапе формирования ответа пользователю (отображение карты или локального блока в SERP).

• Когда система получает запрос на отображение POI в определенной области, она извлекает кандидатов.
• Перед отображением запускается процесс кластеризации: рассчитываются Показатели близости и определяется иерархия.
• На этапе рендеринга система отображает Комплексные точки интереса вместо отдельных Второстепенных точек, снижая визуальный шум.

На что влияет

• Конкретные типы контента: Влияет на структурированные данные о физических локациях (POI) — бизнесы, достопримечательности, организации.
• Специфические запросы: Локальные запросы («рестораны рядом», «достопримечательности Москвы»), а также запросы, приводящие к показу карты или списка организаций.
• Конкретные ниши или тематики: Все ниши с физическими точками присутствия. Особенно актуально для объектов, расположенных в комплексных структурах (ТЦ, Бизнес-центры, музейные комплексы).

Когда применяется

• Условия работы: Алгоритм активируется при обработке запросов, результатом которых является список или карта с несколькими POI.
• Триггеры активации: Ключевым триггером является превышение Количественным показателем близости между двумя или более POI установленного порогового значения. Это происходит, когда объекты достаточно близки географически (с учетом плотности) и/или имеют текстовые связи.

Пошаговый алгоритм

Процесс работы системы включает офлайн и онлайн этапы.

Этап А: Подготовка данных (Офлайн/Асинхронно)

1. Сбор данных: Получение информации о POI из доступных источников.
2. Приоритизация источников: Определение наиболее авторитетного источника для каждого объекта.
3. Создание Карточек POI: Извлечение параметров местоположения и описательных параметров.
4. Расчет Значимости: Вычисление Параметра значимости (например, Фоторейтинга) путем анализа количества фотографий объекта в Интернете.
5. Сохранение: Запись Карточек POI в базу данных.

Этап Б: Обработка запроса и Кластеризация (Онлайн)

1. Получение запроса: Получение запроса пользователя на предоставление информации об объектах в определенной области.
2. Извлечение кандидатов: Получение множества релевантных Карточек POI из базы данных.
3. Расчет Показателя Близости: Для пар объектов рассчитывается Количественный показатель близости. Это включает:
1. Географическая близость: Расчет дистанции между объектами.
2. Коррекция плотностью: Применение Подпараметра плотности объектов. В зонах с высокой плотностью требования к близости строже.
3. Текстовая близость: Анализ описательных параметров на наличие взаимных упоминаний.
4. Идентификация Кластеров: Выявление пар/групп объектов, чей Показатель близости превышает пороговое значение.
5. Определение Иерархии: Применение Эвристического алгоритма к кластерам для определения Главной и Второстепенных POI. Алгоритм использует:
1. Параметры значимости (Фоторейтинг).
2. И/или предопределенные иерархические наборы терминов (например, Кремль > Собор).
6. Создание Комплексной POI: Формирование новой точки, которая наследует информацию преимущественно из карточки Главной POI, и может быть дополнена данными из Второстепенных POI.
7. Генерация Выдачи: Отображение результатов пользователю, где кластер заменен Комплексной POI.

Какие данные и как использует

Данные на входе

• Географические факторы: Географические координаты, адрес объекта. Данные о количестве объектов на территории (для расчета Подпараметра плотности объектов).
• Контентные факторы (Текстовые): Наименование объекта, описание объекта. Эти данные анализируются для выявления текстовой близости (взаимных упоминаний) и для определения иерархии (маркеры значимости слов).
• Мультимедиа факторы: Количество фотографий объекта, найденных в интернете. Используется для расчета Фоторейтинга (Параметра значимости).
• Внешние данные: Информация из открытых источников (Википедия, официальные сайты, специализированные ресурсы). Система оценивает приоритетность этих источников.
• Структурные факторы: Категория объекта (рубрика). Может использоваться при расчете плотности объектов определенной категории и в эвристическом алгоритме.

Какие метрики используются и как они считаются

• Количественный показатель близости: Агрегированная метрика, рассчитываемая с учетом различных параметров (Местоположение и Описание), которым могут быть присвоены различные веса.
• Подпараметр географической близости: Метрика, зависящая от дистанции между объектами. Имеет пороговое значение.
• Подпараметр плотности объектов: Корректирующий коэффициент, зависящий от количества объектов на единицу площади. Обратно пропорционален строгости параметра географической близости (чем выше плотность, тем строже требования к дистанции).
• Параметр текстовой близости: Метрика, рассчитываемая с учетом наличия в тексте описания одного объекта указания на иной объект (кросс-референции).
• Параметр значимости (Фоторейтинг): Рассчитывается на основе количества фотографий объекта в Интернете. Рост рейтинга может быть выражен функцией от количества фотографий.
• Эвристический алгоритм (Определение иерархии): Использует методы машинного обучения (дедуктивное или индуктивное обучение). Включает анализ Параметров значимости и/или сравнение с базой знаний иерархически упорядоченных терминов (маркеров значимости слов).

Выводы

1. Консолидация отображения POI: Яндекс активно кластеризует связанные Точки Интереса в Комплексные POI для улучшения UX и снижения визуального шума на картах и в локальной выдаче.
2. Многофакторное определение связей: Связь между объектами определяется не только физическим расстоянием. Учитывается плотность объектов в регионе (адаптивность к контексту местности) и, что критически важно для SEO, текстовая близость (взаимные упоминания в описаниях).
3. Определение Иерархии Сущностей: Система определяет, какой объект является главным, а какой входит в его состав. Это делается с помощью Эвристического алгоритма, использующего два основных подхода:
1. Иерархия типов: Использование предопределенных знаний о типах сущностей (например, ТЦ иерархически выше Магазина).
2. Параметр Значимости: Сравнение популярности/важности объектов.
4. Фоторейтинг как сигнал значимости: Патент явно описывает Фоторейтинг — метрику значимости, основанную на количестве фотографий объекта в Интернете. Это прямой сигнал популярности, влияющий на иерархию и представление объекта.
5. Приоритет источников данных: Яндекс при сборе информации о POI оценивает авторитетность источников, отдавая предпочтение энциклопедиям (Википедия) и официальным сайтам.

Практика

Best practices (это мы делаем)

Рекомендации касаются в первую очередь Local SEO и оптимизации сущностей (Entities) для Яндекс.Карт и Локального поиска.

• Уточнение связей в описаниях (Textual Proximity): Если ваш объект является частью более крупного комплекса (магазин в ТЦ, кафе в БЦ), явно укажите это в описании на официальном сайте и в Яндекс.Бизнесе. Это поможет системе корректно рассчитать текстовую близость и правильно ассоциировать объекты.
• Стимулирование генерации фотоконтента (Photo Rating): Активно работайте над увеличением количества фотографий вашего объекта в Интернете. Загружайте фото в Яндекс.Бизнес, поощряйте пользователей оставлять отзывы с фотографиями, размещайте фото на фотохостингах и в социальных сетях. Высокий Фоторейтинг повышает Параметр значимости, увеличивая шанс стать Главной POI или сохранить отдельную видимость.
• Оптимизация приоритетных источников (Entity Management): Так как Яндекс приоритизирует источники данных (Википедия, официальные сайты), убедитесь, что информация о вашем объекте на этих ресурсах максимально точна, полна и корректно описывает связи с другими объектами.
• Точность геолокационных данных: Обеспечьте абсолютную точность координат и адреса объекта для корректного расчета географической близости.
• Выбор правильной категории (Рубрикация): Используйте максимально точные категории в Яндекс.Бизнесе. Это помогает системе корректно рассчитывать плотность объектов данной категории и применять правильные иерархические правила в Эвристическом алгоритме.

Worst practices (это делать не надо)

• Изолированные описания: Создание описаний объекта без упоминания его контекста или расположения внутри более крупного комплекса (если применимо). Это затрудняет идентификацию текстовых связей.
• Игнорирование фото-присутствия (UGC): Минимальное количество фотографий объекта в сети приведет к низкому Фоторейтингу, из-за чего объект может быть признан Второстепенным по отношению к более популярным соседям.
• Неточные или неоднозначные адреса: Указание адреса, который не позволяет точно определить местоположение относительно соседних объектов или внутри комплекса.

Стратегическое значение

Патент подтверждает стремление Яндекса к глубокому пониманию реального мира: не только идентификации объектов, но и пониманию их взаимосвязей и иерархии. Для Local SEO это означает, что оптимизация не ограничивается заполнением карточки в Яндекс.Бизнесе. Стратегия должна включать управление присутствием сущности в авторитетных источниках (Entity Management) и работу над сигналами реальной популярности (Фоторейтинг). Видимость объекта напрямую зависит от его значимости и корректности его связей с другими объектами в Графе Знаний Яндекса.

Практические примеры

Сценарий 1: Оптимизация магазина в Торговом Центре (ТЦ)

1. Задача: Убедиться, что магазин корректно ассоциируется с ТЦ.
2. Действия:
   1. В описании магазина на сайте и в Яндекс.Бизнес добавить фразу: «Магазин расположен на 2 этаже ТЦ». Это усиливает Текстовую близость.
   2. Убедиться, что на сайте ТЦ (приоритетный источник для ТЦ) магазин указан в списке арендаторов.
3. Результат: Система идентифицирует высокую близость. ТЦ определяется как Главная POI (из-за иерархии терминов ТЦ > Магазин). При просмотре карты отображается Комплексная POI «ТЦ», в карточке которой магазин указан как один из объектов внутри.

Сценарий 2: Повышение значимости объекта в плотной застройке

1. Задача: Выделить новый ресторан на улице с высокой плотностью заведений (высокий Подпараметр плотности), чтобы он не был скрыт в общем кластере.
2. Действия: В условиях высокой плотности основная задача — максимизировать Параметр значимости.
3. Реализация: Массированная кампания по генерации фотоконтента в сети (профессиональные фотосессии, работа с фуд-блогерами, конкурсы фото в соцсетях и отзывах на Картах).
4. Результат: Фоторейтинг ресторана растет. Высокий параметр значимости повышает вероятность того, что ресторан будет выбран как Главная POI (если кластеризация произойдет) или получит отдельную отметку, выделяясь среди соседей.

Вопросы и ответы