تیمی از پژوهشگران حوزه فناوری با تحلیل و مهندسی معکوس یک فایل باینری (binary) غیرعمومی از سیستم Geostore گوگل، جزئیات بیسابقهای از معماری پشت پرده جستجوی محلی و نقشه گوگل (Google Maps) را فاش کردهاند. این یافتهها نشان میدهند که نمایش یک کسبوکار در گوگل مپ، محصول نهایی یک سیستم بسیار بزرگتر است که دادهها را از منابع متعدد جمعآوری کرده، به گراف دانش (Knowledge Graph) متصل میکند و پس از ارزیابی توسط چندین سیستم رتبهبندی و فیلترهای جغرافیایی و معنایی، نتایج را متناسب با کاربر شخصیسازی کرده و در نهایت به موتور رندرینگ ارسال میکند.
سیستم Geostore و مفهوم موجودیت در سئو محلی
مدل ذهنی کارآمد برای درک این ساختار با Geostore شروع میشود؛ سیستمی که گوگل برای نمایش موجودیتهای جغرافیایی از آن استفاده میکند. گوگل اشیای جغرافیایی را در داخل سیستم به عنوان «ویژگی» (Feature) نشان میدهد. یک ویژگی میتواند یک کسبوکار، ساختمان، جاده، شهر، ایستگاه، منطقه یا حتی یک شیء سهبعدی باشد. برای یک بنگاه تجاری، این شیء میتواند شامل هویت، هندسه، اطلاعات منبع، وبسایتها، روابط زنجیرهای کسبوکار، ارجاعات گراف دانش، مفاهیم و اطلاعات رتبهبندی باشد.
آنچه یک مالک کسبوکار در «پروفایل کسبوکار گوگل» (Google Business Profile) ویرایش میکند، لزوماً همان چیزی نیست که گوگل در سطح داخلی به عنوان موجودیت (entity) نگهداری میکند. گوگل یک نمایش قانونمند (canonical) از مکان میسازد که میتواند دادهها را از منابع متعدد ترکیب کرده و به دیگر شناسههای گوگل از جمله شناسه ماشین گراف دانش (MID) متصل کند. برای سئو محلی، موجودیت واحد بسیار مفیدتری برای تحلیل است؛ پروفایل کاربری صرفاً یک رابط کاربری است، در حالی که موجودیت در لایه زیرین آن قرار دارد.
یکی از فاشکنندهترین بخشهای Geostore، سیستم تعیین منشأ (provenance) آن است. اطلاعات یک کسبوکار تنها از یک منبع تامین نمیشود؛ نام آن ممکن است از یک ارائهدهنده، شماره تلفن از دیگری، دستهبندی از منبعی دیگر و موقعیت هندسی آن از جایی کاملاً متفاوت دریافت شود. این مجموعه داده ۷۹۳ ارائهدهنده منبع داده را به همراه سازوکارهایی برای تعیین منشأ، اولویت، اعتماد و تلفیق (conflation) نشان میدهد. تلفیق فرآیندی است که وقتی چندین منبع یک شیء را توصیف میکنند اما با هم اختلاف دارند، به کار میرود. Geostore دارای سازوکارهای عمومی است که میتواند یک مقدار را انتخاب کند، چندین مقدار را ادغام کند یا آنها را ترکیب نماید. این سیستم همچنین سطوح اعتماد متفاوتی را از منابع مسدودشده یا غیرقابلاعتماد تا منابع بسیار معتبر مدلسازی میکند. این معماری توضیح میدهد که چرا تغییر یک فیلد در پروفایل کسبوکار گوگل تضمین نمیکند که نمایش قانونمند گوگل بلافاصله به آن مقدار جدید تغییر یابد.
سیگنالهای رتبهبندی Oyster Rank و پویایی جغرافیا
سیستم Geostore دارای سیستم رتبهبندی اختصاصی خود به نام Oyster Rank است. پژوهشگران موفق به بازیابی یک فهرست کامل از ۷۲ سیگنال این سیستم شدهاند که از این میان، ۲۵ مورد صراحتاً منسوخشده (deprecated) علامتگذاری شدهاند. اگرچه نام سیگنالها بازیابی شده است، اما ضریب تاثیر و وزن فعلی آنها در این تحقیق مشخص نیست. به عنوان مثال، وجود سیگنال SIGNAL_GOOGLE_REVIEWS ثابت میکند که نظرات کاربران به واژگان Oyster Rank تعلق دارند، اما وزن دقیق آنها را در جستجوی مپ اثبات نمیکند.
علاوه بر این، یک سیستم امتیازدهی مجزا کشف شده است که به صورت کاملاً آفلاین روی دستگاه کاربر اجرا میشود و دارای ۸ سیگنال در ۱۳ سطح مختلف است که از رتبهبندی سمت سرور متمایز است. بنابراین، فرمول رتبهبندی واحدی برای گوگل مپ وجود ندارد و سیستمهای مختلف امتیازدهی و بازیابی در مراحل مختلف عمل میکنند.
در آزمایشهای انجامشده روی لایه جغرافیایی با مبدأ یکسان در پاریس، مشخص شد که محدوده جغرافیایی جستجو بسته به نوع پرسوجو به شدت تغییر میکند. یک جستجوی متراکم مانند «pharmacie» (داروخانه) محدوده بسیار کوچکتری نسبت به جستجوی یک برند مانند «Carrefour» ایجاد کرد. همچنین با حذف وزن جغرافیایی از موتور جستجو در جریان ۵,۰۸۳ فراخوانی و ۸۶,۵۸۴ نتیجه، میانه فاصله نتایج از ۶.۸۷ کیلومتر به بیش از ۴,۰۰۰ کیلومتر تغییر یافت. این امر نشان میدهد جغرافیا فراتر از مرتبسازی مجدد نتایج بر اساس فاصله عمل میکند و در وهله اول، کل کاندیداهای بازیابیشده را تغییر میدهد.
ادغام سئو وب با سئو محلی و لایه معنایی
ارتباط میان گوگل مپ و سئو کلاسیک وب یکی از مهمترین یافتههای این پژوهش است. ویژگیهای Geostore میتوانند از طریق شناسه MID به گراف دانش متصل شوند. در سمت ایندکس وب نیز اسناد میتوانند حامل این شناسهها باشند. گوگل دارای لایهای به نام webref است که اسناد وب را با موجودیتها مرتبط میسازد و اطلاعاتی مانند موضوعیت، میزان اطمینان، کلاندادههای جغرافیایی و امتیازهای سطح سند را ذخیره میکند. این ساختار توصیفکننده یک سیگنال رتبهبندی نسبی میان اسناد مختلف برای یک موجودیت یکسان است.
لایه معنایی نیز فراتر از دستهبندیهای ساده عمل میکند. گوگل از GConcepts استفاده میکند؛ یک واژگان مفهومی مشترک که میتواند کسبوکارها، غذاها، ویژگیها و سبکهای خدمات را توصیف کند. در آزمایش جستجوی «ramen»، نتایج بازگردانده شده صرفاً به یک دسته محدود نبودند و گوگل این پرسوجو را به رستورانهای رامن، رستورانهای ژاپنی، آسیایی و دیگر مفاهیم مرتبط متصل کرد. در داخل پروفایلها نیز موضوعات نظرات و غذاهای منو به عنوان موجودیت نمایش داده میشوند تا سیستمهای هوش مصنوعی نیازی به بازخوانی هزاران نظر متنی در هر بار جستجو نداشته باشند.
در نهایت، نقشه بصری وظیفه دیگری دارد که توسط سیستم Mapcore مدیریت میشود. پژوهشگران ۵۰,۹۹۸ استایل Mapcore و ۱۲,۹۳۶ استایل برچسب (label) را بازیابی کردهاند که نشان میدهد یک کسبوکار ممکن است رتبه بالایی داشته باشد اما به دلیل تصمیمات رندرینگ نقشه، برچسب نام آن روی نقشه نمایش داده نشود. این امر رتبهبندی جستجو و دیده شدن بصری روی نقشه را به دو مسئله بهینهسازی کاملاً مجزا تبدیل میکند.
پیامدهای استراتژیک برای بازاریابان در عصر هوش مصنوعی
گوگل در حال توسعه سریع Ask Maps و دیگر تجربههای مبتنی بر هوش مصنوعی است. سیستمهایی مانند Gemini با افزودن یک رابط گفتگویی روی این لایههای ساختاریافته، امکان پاسخ به پرسشهای پیچیدهتری را فراهم میکنند. برای مثال، پاسخ به پرسشی مانند «کجا شش نفر میتوانند امشب نزدیک هتل من غذا بخورند، به طوری که یک نفر گیاهخوار باشد، زمان انتظار کوتاه باشد و بازخوردهای اخیر درباره خدمات خوب باشد؟» نیازمند دادههای ساختاریافته عمیق درباره موجودیت است.
بنابراین، نتیجه کاربردی این پژوهش، تمرکز بر بهبود کل موجودیت کسبوکار نزد گوگل است، نه صرفاً بهینهسازی فیلدهای پروفایل کسبوکار گوگل. بازاریابان باید بررسی کنند که آیا وبسایت آنها موجودیت را به وضوح توصیف میکند، چه اسنادی در وب به عنوان مرجع آن شناخته میشوند، و آیا گوگل تقاضای واقعی برای برند آنها را مشاهده میکند یا خیر. در سئوی چندشعبهای نیز هماهنگی میان موجودیت برند، موجودیتهای محلی، وبسایت و دادههای ساختاریافته اهمیت حیاتی دارد، زیرا گوگل مدلهای زنجیرهای و مکانهای فردی را به صورت مجزا اما مرتبط مدیریت میکند.