Как Google объединяет текстовые описания с разных сайтов для улучшения поиска по картинкам

Термины и определения

Duplicate Images (Дубликаты изображений)

Изображения, которые идентифицированы системой как идентичные или существенно похожие (substantially similar) на основе методов визуального анализа.

Image Analysis Techniques (Методы анализа изображений)

Техники, используемые для обнаружения дубликатов. В патенте упоминаются цветовые гистограммы (color histograms), интенсивность изображений (image intensities), детекторы границ (edge detectors) и вейвлеты (wavelets).

Labels (Метки)

Текстовые ключевые слова или описания, присвоенные изображению. Обычно извлекаются из окружающего текста на странице, где размещено изображение (имя файла, анкорный текст, подпись, заголовок документа).

Superset of Labels / Concatenated Labels (Суперсет меток / Объединенные метки)

Агрегированный набор меток, полученный путем объединения (конкатенации) меток, извлеченных со всех идентифицированных дубликатов изображения.

Ключевые утверждения (Анализ Claims)

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

1. Получение множества изображений.
2. Анализ изображений для идентификации набора дубликатов с использованием хотя бы одного из методов: гистограммы, интенсивность, детекторы границ, вейвлеты.
3. Извлечение меток (labels), присвоенных изображениям из набора дубликатов.
4. Конкатенация (объединение) выбранных извлеченных меток.
5. Присвоение объединенных меток (concatenated labels) по крайней мере некоторым изображениям из набора дубликатов.
6. Хранение информации об объединенных метках.

Claim 3 (Зависимый): Уточняет процесс объединения. Он может включать ассоциацию всех извлеченных меток с каждым изображением из набора дубликатов.

Claim 5 и 6 (Зависимые): Описывают селективную конкатенацию.

1. Метки объединяются на основе статистических данных.
2. Статистические данные могут включать частоту использования (frequency of use) метки или ее распространенность (commonality). Это механизм фильтрации шума: если метка встречается часто среди дубликатов, она с большей вероятностью релевантна.

Claim 7 и 8 (Зависимые): Описывают взвешивание меток при объединении.

1. Меткам присваиваются веса (weights).
2. Более высокие веса присваиваются меткам, полученным от изображений, которые более похожи на целевое изображение (designated image).
3. Селективная конкатенация может основываться на этих весах.

Claim 11 (Зависимый): Описывает использование меток в поиске.

1. Система может присваивать разные веса исходным извлеченным меткам (original labels) и объединенным меткам (concatenated labels).
2. Оба типа меток используются при выполнении поиска по ключевым словам на основе присвоенных весов.

Где и как применяется

Изобретение применяется в основном на этапе индексирования и влияет на этап ранжирования в контексте поиска по изображениям.

CRAWLING – Сканирование и Сбор данных
Система собирает изображения и документы, в которых они размещены, а также окружающий их текст.

INDEXING – Индексирование и извлечение признаков
Основной этап применения патента. Происходит несколько процессов:

1. Извлечение исходных меток: Система извлекает labels из контекста хост-документа (имя файла, подпись и т.д.).
2. Визуальный анализ: Обработка пиксельных данных для расчета признаков (например, вейвлет-коэффициентов).
3. Обнаружение дубликатов: Сравнение визуальных признаков изображений для выявления дубликатов или похожих изображений.
4. Агрегация сигналов (Конкатенация): Система собирает метки со всех дубликатов и формирует superset of labels.
5. Обновление индекса: Обогащенный набор меток сохраняется в индексе и ассоциируется с соответствующими изображениями.

RANKING – Ранжирование
Когда пользователь вводит запрос для поиска изображений, система ищет совпадения не только в исходных метках изображения, но и в агрегированном superset of labels. При расчете релевантности могут использоваться разные веса для исходных и агрегированных меток.

Входные данные:

• Пиксельные данные изображений.
• Документы, содержащие изображения.
• Исходные текстовые метки (labels), связанные с каждым изображением.

Выходные данные:

• Индекс изображений, где с каждым изображением ассоциирован обогащенный набор меток (superset of labels).

На что влияет

• Конкретные типы контента: Влияет на все типы цифровых изображений, которые индексируются поисковой системой.
• Конкретные ниши или тематики: Наибольшее влияние наблюдается в нишах, где изображения часто копируются и используются повторно:
  • E-commerce: Фотографии товаров, используемые разными продавцами и обзорными сайтами.
  • Новости и медиа: Фотографии событий или стоковые изображения, используемые разными изданиями с разными подписями.
  • Инфографика и виральный контент: Изображения, которые активно распространяются в сети.

Когда применяется

• Условия применения: Алгоритм активируется, когда система обнаруживает два или более изображения, которые классифицируются как дубликаты или существенно похожие.
• Частота применения: Процесс выполняется во время индексирования или повторного индексирования изображений и веб-страниц, на которых они размещены.

Пошаговый алгоритм

Описан процесс обогащения меток изображений.

1. Идентификация дубликатов изображений: Анализ корпуса изображений для поиска дубликатов. Используются методы визуального сравнения (например, сравнение вейвлет-коэффициентов, гистограмм).
2. Извлечение присвоенных меток: Для каждого изображения из группы дубликатов система извлекает существующие текстовые метки (labels).
3. Конкатенация (Объединение) извлеченных меток: Формирование superset of labels. Этот этап может включать несколько вариантов реализации:
   • Полное объединение: Все метки со всех дубликатов объединяются.
   • Селективное объединение на основе статистики: Включение меток в суперсет на основе их частоты использования среди дубликатов или общей распространенности.
   • Селективное объединение на основе весов: Меткам присваиваются веса (например, на основе степени визуального сходства изображений), и в суперсет включаются метки с весом выше порога.
   • Суммаризация: Использование техник суммаризации текста для сокращения итогового набора меток.
4. Присвоение объединенных меток: Сформированный superset of labels присваивается каждому изображению в группе дубликатов.
5. Использование в поиске: При обработке поисковых запросов система использует объединенные метки. Может применяться взвешивание, при котором исходным меткам и объединенным меткам присваиваются разные веса.

Какие данные и как использует

Данные на входе

Система использует два основных типа данных: визуальные и контекстные.

• Мультимедиа факторы (Визуальные данные):
  • Пиксельные данные изображений. Они используются для анализа визуального сходства и обнаружения дубликатов.
• Контентные факторы (Контекстные данные):
  • Текст, окружающий изображение на хост-странице, который используется для генерации исходных labels. В патенте явно упоминаются:
    • Имя файла изображения (filename).
    • Анкорный текст (anchor text), связанный с изображением.
    • Подпись (caption), связанная с изображением.
    • Заголовок документа (document title).

Какие метрики используются и как они считаются

• Метрики визуального сходства: Рассчитываются для определения того, являются ли два изображения дубликатами. Используются гистограммы, интенсивность, детекторы границ или вейвлеты. В одном из примеров описывается сравнение знаков (+1, -1, 0) коэффициентов вейвлет-преобразования.
• Статистические данные меток: Используются для селективной конкатенации. Включают:
  • Frequency of use (Частота использования): Как часто конкретная метка встречается среди всех дубликатов.
  • Commonality (Распространенность): Насколько распространена метка в языке.
• Weights (Веса):
  • Веса на основе сходства: Присваиваются меткам в зависимости от того, насколько визуально похожи исходное и целевое изображения.
  • Веса при ранжировании: Присваиваются различным типам меток (исходным и объединенным) при выполнении поиска.

1. Агрегация контекста (Signal Boosting): Ключевой вывод — Google не полагается исключительно на контекст хост-страницы для понимания изображения. Система активно ищет дубликаты изображения в сети и агрегирует все связанные с ними текстовые описания.
2. Внешний контекст критически важен: То, как другие сайты описывают изображение (в подписях, alt-текстах, окружающем тексте), напрямую влияет на его семантический профиль и ранжирование. Это фактически механизм, аналогичный ссылочному ранжированию, но для контекста изображений.
3. Механизмы фильтрации и взвешивания: Система не просто объединяет все метки. Она может применять селективные механизмы, основанные на статистике (частотность меток) и весах (степень визуального сходства), чтобы отфильтровать шум и выделить наиболее релевантные описания.
4. Дифференциация весов при ранжировании: Патент предполагает, что метки, полученные с хост-страницы (исходные), и метки, полученные от дубликатов (объединенные), могут иметь разный вес при расчете релевантности запросу.
5. Ранжирование по отсутствующим ключам: Этот механизм объясняет, почему изображение может ранжироваться в Image Search по ключевым словам, которых нет ни в alt-тексте, ни на самой странице — эти ключевые слова были взяты из контекста другой копии изображения на другом сайте.

Best practices (это мы делаем)

• Стратегическое распространение изображений (Image Link Building): Необходимо стимулировать использование ваших ключевых изображений (например, инфографики, уникальных фотографий продуктов) на авторитетных внешних ресурсах. Критически важно, чтобы эти изображения сопровождались релевантным и точным текстовым окружением, так как этот контекст будет агрегирован Google и присвоен вашему изображению.
• Уникализация визуального контента: По возможности создавайте и используйте уникальные изображения. Это позволяет контролировать их семантический профиль. При использовании стоковых фото существует риск, что Google объединит метки с сотен других сайтов, что может размыть релевантность или привести нецелевой трафик.
• Максимизация исходного контекста: Обеспечивайте максимально полное и релевантное описание изображения на своем сайте (оптимизированные alt-атрибуты, подписи, имена файлов, окружающий текст). Согласно патенту (Claim 11), исходным меткам может придаваться больший вес при ранжировании по сравнению с агрегированными.
• Мониторинг использования изображений: Используйте инструменты обратного поиска по изображениям, чтобы отслеживать, кто использует ваш контент и в каком контексте. При необходимости связывайтесь с владельцами сайтов для корректировки описаний.

Worst practices (это делать не надо)

• Использование популярных стоковых фото для ключевых страниц: Полагаться на стоковые изображения для привлечения релевантного трафика неэффективно. Их семантика определяется множеством других сайтов, и вы не можете ее контролировать.
• Игнорирование контекста при дистрибуции: Предоставление изображений партнерам, ритейлерам или СМИ без рекомендаций по их описанию приводит к потере контроля над семантическим профилем контента.
• Манипуляции через PBN или спам-ресурсы: Попытки искусственно создать нужный контекст путем размещения изображений на контролируемых низкокачественных сайтах, вероятно, будут неэффективны. Механизмы селективного объединения (например, анализ частотности меток) могут отфильтровать такие сигналы как шум.

Стратегическое значение

Патент подтверждает, что Image SEO выходит далеко за рамки оптимизации атрибутов alt и имен файлов. Это комплексная стратегия, включающая создание уникального визуального контента и управление его распространением и контекстуализацией во всей экосистеме интернета. Google рассматривает контекст изображения как сумму всех его упоминаний в сети, что делает стратегии контент-маркетинга и PR критически важными для видимости в Image Search.

Практические примеры

Сценарий: Оптимизация и дистрибуция фотографии товара (E-commerce)

1. Создание контента: Интернет-магазин делает уникальную фотографию нового продукта, например, "Кофемашина Модель XZ100".
2. Исходная оптимизация: Изображение размещается на сайте магазина. Исходные метки (labels) включают: имя файла "kofemashina-xz100.jpg", alt-текст "Кофемашина Модель XZ100, вид спереди", и окружающий текст с техническими характеристиками.
3. Дистрибуция: Магазин предоставляет это фото трем крупным ритейлерам и двум обзорным сайтам.
   • Ритейлер 1 использует контекст: "Купить XZ100 недорого".
   • Обзорный сайт 1 использует контекст: "Лучшая кофемашина для эспрессо 2025 года".
4. Обработка Google: Google находит все эти экземпляры, идентифицирует их как дубликаты с помощью визуального анализа.
5. Агрегация: Система объединяет метки: "Кофемашина Модель XZ100", "вид спереди", "технические характеристики", "купить недорого", "лучшая кофемашина для эспрессо 2025".
6. Результат: Исходное изображение в магазине начинает ранжироваться в Image Search не только по модели, но и по информационным запросам, связанным с обзорами и рейтингами, благодаря контексту, полученному с внешних сайтов.