Как Google выбирает изображения для блоков с ответами (Featured Snippets), обеспечивая контекст и скорость

Термины и определения

Answer (Ответ)

Факт или утверждение, отвечающее на вопрос. В контексте патента — текстовые данные, извлеченные из источника для отображения в ответ на question query.

Answer System (Система ответов)

Отдельная система, ответственная за определение того, является ли запрос вопросом, и за извлечение текстового ответа из source resource.

First Query (Первый запрос)

Исходный запрос пользователя, идентифицированный как question query.

Image Processor (Процессор изображений)

Компонент системы, отвечающий за генерацию second query и выбор изображения для ответа.

Question Query (Вопросительный запрос)

Запрос, который ищет конкретный ответ (факт), в отличие от широкого информационного запроса.

Second Query (Второй запрос / Image Query)

Запрос, сгенерированный из first query специально для поиска релевантных веб-ресурсов и изображений. Может быть ключевой сущностью из вопроса или самим вопросом.

Source Resource (Исходный ресурс)

Веб-страница (или другой ресурс), из которой Answer System извлекает текстовый ответ.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс выбора изображения для ответа с акцентом на оптимизацию задержки и контекстуальную привязку.

1. Система получает первый запрос (question query), на который будет дан ответ, извлеченный из исходного ресурса (source resource). Важно: это происходит до того, как отдельная Answer System идентифицирует этот source resource.
2. Генерируется второй запрос (second query).
3. Выполняется поиск по корпусу веб-ресурсов с использованием second query.
4. Получается набор ранжированных веб-ресурсов.
5. Инициируется поиск изображений. Этот поиск начинается до идентификации source resource и ограничен только изображениями, найденными на страницах из полученного набора ранжированных веб-ресурсов.
6. Генерируется набор ранжированных изображений из этих ресурсов.
7. Процесс выбора изображения:
   • Определяется source resource (на основе данных от Answer System).
   • Проверяется, входит ли этот source resource в ранее полученный набор ранжированных веб-ресурсов И содержит ли он изображения из набора ранжированных изображений.
   • Если да, изображение выбирается из числа изображений на source resource в соответствии с их ранжированием.
8. Выбранное изображение предоставляется вместе с ответом.

Ключевая инновация заключается в проактивном поиске и ранжировании изображений (шаги 5-6) до того, как станет известен источник текста (шаг 7). Это сокращает время ответа. Одновременно требование выбирать изображение именно из источника текста (шаг 7) обеспечивает высокую контекстуальную релевантность между текстом и картинкой.

Claim 3 и 4 (Зависимые): Детализируют критерии выбора изображения.

Выбор изображения на source resource может дополнительно учитывать критерии, отличные от базового ранжирования. К ним относятся: расположение изображения (image location) на отображаемой странице и метки изображения (image labels).

Claim 5 (Зависимый): Описывает метод генерации second query.

Определяется, идентифицирует ли первый запрос конкретный экземпляр класса сущностей (specific instance of an entity class). Если да, этот экземпляр становится second query. Если нет, первый запрос используется как second query.

Где и как применяется

Изобретение применяется на финальных этапах обработки запроса, когда формируется блок прямого ответа.

QUNDERSTANDING – Понимание Запросов
На этом этапе исходный запрос классифицируется как question query. Также происходит анализ запроса для генерации second query (например, извлечение экземпляра класса сущностей).

RANKING – Ранжирование
Система выполняет два процесса ранжирования:

1. Ранжирование веб-ресурсов в ответ на second query.
2. Ранжирование изображений, найденных на этих веб-ресурсах, в ответ на second query.

Эти процессы запускаются проактивно, до завершения работы Answer System.

METASEARCH – Метапоиск и Смешивание
Основное применение патента. На этом этапе система получает данные от Answer System (идентификацию source resource и текст ответа) и данные от Image Processor (предварительно ранжированные изображения). Происходит финальный выбор изображения из source resource и формирование блока ответа (Answer Box / Featured Snippet), объединяющего текст и изображение.

Входные данные:

• Исходный запрос пользователя (first query).
• Данные классификации сущностей (для генерации second query).
• Индекс веб-ресурсов и индекс изображений.

Выходные данные:

• Блок ответа, содержащий текстовый ответ и релевантное изображение из того же источника.

На что влияет

• Специфические запросы: Влияет в первую очередь на информационные запросы, сформулированные как вопросы (Явные: "Кто президент Франции?", Неявные: "население Токио"), для которых система может сформировать прямой ответ.
• Конкретные типы контента: Влияет на страницы, которые претендуют на попадание в Featured Snippets. Это могут быть статьи, справочные материалы, страницы определений.
• Определенные форматы контента: Влияет на то, как изображения на этих страницах оптимизированы и расположены.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда система идентифицирует запрос как question query и решает предоставить прямой ответ, извлеченный из веб-ресурса.
• Условия работы: Применяется при условии, что source resource, выбранный для текста, также содержит изображения, которые были успешно проанализированы и ранжированы на проактивном этапе. Если в источнике нет подходящих изображений, изображение может не отображаться (согласно одному из вариантов реализации в патенте) или может быть выбрано из другого источника (согласно другому варианту).

Пошаговый алгоритм

Этап 1: Обработка запроса и генерация Second Query

1. Получение первого запроса и его классификация как question query.
2. Анализ запроса для определения, указывает ли он на конкретный экземпляр класса (например, "Cheetah" в запросе про скорость гепарда).
3. Генерация second query: выбор экземпляра класса, если он найден, или использование первого запроса в противном случае.

Этап 2: Проактивный поиск и ранжирование (Параллельный процесс)
Этот этап выполняется до того, как Answer System определит источник ответа.

1. Поиск по корпусу веб-ресурсов с использованием second query.
2. Получение набора Топ-N ранжированных веб-ресурсов.
3. Выполнение поиска изображений, строго ограниченного Топ-N ресурсами (используя second query).
4. Получение набора ранжированных изображений.
5. (Опционально) Корректировка ранжирования изображений на основе дополнительных критериев (расположение на странице, тип изображения).

Этап 3: Финальный выбор изображения и формирование ответа

1. Получение данных от Answer System: идентификация source resource и текст ответа.
2. Проверка условий: Входит ли source resource в Топ-N набор? Содержит ли он изображения из ранжированного набора?
3. При положительном результате: Выбор изображения с наивысшим скорректированным рейтингом, находящегося на source resource.
4. При отрицательном результате: Принятие решения не отображать изображение или выбор лучшего изображения из всего Топ-N набора (в зависимости от реализации).
5. Формирование блока ответа с текстом и выбранным изображением.

Какие данные и как использует

Данные на входе

Патент фокусируется на механизме выбора изображения, используя следующие данные:

• Контентные факторы (Изображения): Метаданные изображений, используемые для определения сущностей, изображенных на картинке (используется в одном из вариантов реализации для сопоставления с сущностью ответа).
• Структурные факторы (Расположение): Данные о расположении изображения на странице (image location). Изображения в центральных или выдающихся позициях могут получать повышение. Изображения в боковых частях могут быть понижены.
• Технические факторы (Метки/Типы): Метки изображений (image labels), указывающие на тип контента. Изображения, помеченные как иконки, клип-арт, элементы интерфейса (кнопки, полосы), могут быть понижены или исключены как малоинформативные.
• Ссылочные факторы (Изображения): Данные о том, используется ли изображение в качестве анкоря для ссылки. Такие изображения могут быть понижены или проигнорированы.

Какие метрики используются и как они считаются

• Ранжирование веб-ресурсов: Стандартные метрики релевантности (например, IR scores) веб-страниц по отношению к second query.
• Ранжирование изображений: Метрики релевантности изображений по отношению к second query в контексте содержащих их веб-страниц.
• Корректирующие факторы: Баллы, основанные на дополнительных критериях выбора (additional image selection criteria):
  • Location Score: Оценка на основе расположения изображения на странице. Может использоваться для масштабирования базовой оценки релевантности.
  • Label/Type Score: Оценка информативности на основе меток (понижение для клип-арта/иконок).
• Entity Matching Score (Опционально): Степень совпадения между сущностью, указанной в ответе, и сущностью, идентифицированной в метаданных изображения.

1. Источник изображения в Featured Snippet: Патент подтверждает, что Google стремится выбирать изображение для блока ответа из того же ресурса (source resource), откуда взят текст. Это обеспечивает максимальную контекстуальную связь и согласованность.
2. Релевантность изображения определяется темой вопроса, а не текстом ответа: Изображения ищутся и ранжируются на основе second query, который выводится из исходного вопроса (часто это основная тема или сущность вопроса), а не на основе конкретной формулировки извлеченного текста ответа.
3. Проактивное ранжирование для скорости: Ключевой особенностью системы является выполнение поиска и оценки изображений до того, как источник текста будет окончательно определен. Это техническое решение для снижения задержки, но оно также означает, что система заранее определяет пул кандидатов.
4. Важность оптимизации и расположения изображений: Система явно учитывает расположение изображения на странице (image location) и его тип (image labels). Информативные, уникальные изображения, расположенные на видном месте, имеют приоритет перед иконками, клип-артом или изображениями в футере.
5. Генерация Image Query (Second Query): Понимание того, как генерируется second query (извлечение экземпляра класса), критично для оптимизации. Изображения должны быть релевантны именно этой ключевой сущности.

Best practices (это мы делаем)

• Оптимизация изображений под ключевую сущность (Second Query): Убедитесь, что изображения на странице четко релевантны основной теме вопроса (экземпляру класса), на который отвечает страница. Если страница о том, "Как быстро бегает гепард", ключевые изображения должны быть релевантны запросу [гепард].
• Размещение ключевых изображений на видном месте: Размещайте наиболее важные и информативные изображения в основном контенте, предпочтительно ближе к тексту, который может быть использован в качестве ответа. Система учитывает image location и может понижать изображения из боковых панелей или футера.
• Использование уникальных и информативных изображений: Избегайте использования стоковых фото, клип-арта или иконок в качестве основных изображений. Система фильтрует малоинформативные изображения (low-information images) на основе image labels. Используйте диаграммы, инфографику или качественные фотографии, которые добавляют ценность ответу.
• Оптимизация контекста изображений: Убедитесь, что страница в целом высоко ранжируется по second query. Поиск изображений ограничен только теми страницами, которые система сочла релевантными этому запросу.

Worst practices (это делать не надо)

• Использование изображений как ссылок для навигации: Патент указывает, что изображения, используемые как анкоря для ссылок, могут быть понижены или проигнорированы. Не используйте ключевое изображение, которое вы хотите видеть в Featured Snippet, в качестве кликабельного элемента навигации.
• Наполнение страницы клип-артом и иконками: Полагаться на простые иконки или нерелевантный визуальный контент неэффективно. Система активно фильтрует такие изображения при выборе кандидата для блока ответа.
• Размещение важных изображений в нестандартных местах: Скрытие ключевых изображений в слайдерах, табах или размещение их далеко от основного контента (например, в футере) снижает вероятность их выбора из-за фактора image location.

Стратегическое значение

Этот патент подчеркивает важность комплексной оптимизации страниц для захвата Featured Snippets. Недостаточно иметь только качественный текст; визуальное сопровождение играет ключевую роль в формировании итогового сниппета. Стратегия должна включать создание высококачественных, релевантных изображений и их правильное техническое и структурное размещение на странице. Понимание этого механизма дает конкурентное преимущество, позволяя контролировать, какое изображение будет представлять ваш сайт в "нулевой позиции".

Практические примеры

Сценарий: Оптимизация статьи для Featured Snippet по запросу "Высота Эйфелевой башни"

1. Анализ запроса: Исходный запрос (first query): "Высота Эйфелевой башни". Система определяет экземпляр класса: "Эйфелева башня". Second query: [Эйфелева башня].
2. Требования к контенту: Страница должна хорошо ранжироваться по запросу [Эйфелева башня] и содержать точный текстовый ответ (например, "Высота Эйфелевой башни составляет 330 метров").
3. Оптимизация изображения (Что делать): Разместить качественную фотографию или схему Эйфелевой башни в основном контенте, рядом с текстовым ответом. Убедиться, что изображение информативно и не является иконкой или клип-артом.
4. Оптимизация изображения (Чего не делать): Не использовать в качестве основного изображения логотип туристической компании, иконку в виде башни или фотографию Парижа с маленькой башней на горизонте. Не размещать лучшее изображение в футере.
5. Ожидаемый результат: При захвате Featured Snippet система выберет оптимизированное изображение со страницы, так как оно находится на source resource, релевантно second query [Эйфелева башня] и расположено на видном месте.