Как Google использует визуальный анализ (Google Lens) для уточнения GPS и динамически меняет ранжирование локальных результатов (Близость vs Известность)

Описание

Какую задачу решает

Патент решает проблему недостаточной точности стандартных данных геолокации (GPS, Wi-Fi, данные сотовых вышек) для предоставления гиперлокальных результатов поиска. Грубые данные часто не позволяют точно определить, на какой именно объект смотрит пользователь (например, конкретный бизнес в здании). Изобретение предлагает механизм повышения точности определения местоположения и направления взгляда пользователя с помощью визуального подтверждения, чтобы повысить релевантность локальной выдачи в ответ на визуальный запрос.

Что запатентовано

Запатентована система, которая уточняет местоположение клиента путем сопоставления визуального запроса (изображения) с базой данных геопривязанных изображений (например, Street View), генерируя Enhanced Location Information (Улучшенную информацию о местоположении). Ключевым элементом является механизм адаптивного ранжирования: система динамически корректирует баланс между близостью (Closeness Metric) и известностью (Prominence Value) локальных результатов в зависимости от уверенности (Accuracy Value) в точности местоположения пользователя.

Как это работает

Система работает по гибридной схеме:

• Получение данных: Система получает изображение (Visual Query) и приблизительное местоположение (Location Information) от клиента.
• Улучшение местоположения: Изображение сравнивается с базой Street View в указанном районе с помощью Location-Augmented Search System. При совпадении определяются точные координаты и направление взгляда (Pose).
• Локальный поиск: Точное местоположение отправляется в Location-Based Search System для получения списка местных объектов.
• Адаптивное ранжирование: Система оценивает уверенность в точности местоположения (Accuracy Value). Если уверенность высока, результаты ранжируются по близости. Если уверенность низка, результаты ранжируются по известности (Prominence).
• Фильтрация: Результаты могут фильтроваться по полю зрения пользователя (Viewing Frustum).

Актуальность для SEO

Критически высокая. Описанные механизмы лежат в основе современных инструментов визуального поиска, таких как Google Lens и Live View в Google Maps. Интеграция машинного зрения, визуального поиска и локальных данных является ключевым направлением развития поиска и дополненной реальности (AR).

Важность для SEO

Патент имеет высокое значение (80/100) для Local SEO и оптимизации под визуальный поиск. Он детально описывает, как Google может динамически изменять вес ключевых факторов ранжирования (Близость против Известности) в зависимости от контекста запроса и уверенности в данных. Это подчеркивает необходимость комплексной стратегии, включающей как обеспечение точности геоданных, так и наращивание сигналов известности (Prominence) бизнеса.

Детальный разбор

Термины и определения

Accuracy Value (Значение точности локации клиента)

Метрика, определяющая уровень точности идентифицированного местоположения клиента. Является триггером для выбора стратегии ранжирования.

Closeness Metric (Метрика близости)

Значение, указывающее, насколько близко местоположение объекта, на который ссылается результат поиска, находится к местоположению клиента.

Enhanced Location Information (Улучшенная информация о местоположении)

Высокоточная информация о местоположении клиента, полученная путем визуального анализа. Обычно включает точные координаты (Pinpoint Location) и направление взгляда (Pose).

Location-Augmented Search System (Система поиска с дополнением местоположения)

Компонент (112-F), который использует визуальный запрос и исходное местоположение для поиска совпадений в базе гео-тегированных изображений (например, Street View) и возвращает Enhanced Location Information.

Location-Based Search System (Система поиска на основе местоположения)

Компонент (112-G), который использует данные о местоположении для поиска локальных листингов в своей базе данных.

Pose (Поза / Направление)

Направление, в котором смотрит пользователь или камера (азимут).

Positional Accuracy (Точность позиционирования результата)

Метрика, указывающая на точность известных координат самого объекта (например, бизнеса) в базе данных Google.

Prominence Value (Значение известности / Значимости)

Метрика важности или известности результата поиска (например, популярный ресторан или знаменитая достопримечательность имеют высокие значения Prominence).

Viewing Frustum (Усеченная пирамида обзора)

Модель поля зрения клиентского устройства. Используется для фильтрации результатов, которые физически не попадают в поле зрения пользователя.

Visual Query (Визуальный запрос)

Изображение, отправленное как запрос в поисковую систему.

Ключевые утверждения (Анализ Claims)

Анализ основан на финальной версии Claims патента AU2014200923B2.

Claim 1 (Независимый пункт): Описывает метод адаптивного ранжирования локальных результатов на основе точности геолокации клиента.

1. Система получает визуальный запрос и идентифицирует местоположение клиента.
2. Определяется Accuracy Value (точность) этого местоположения.
3. Идентифицируются результаты поиска, у каждого есть Prominence Value (известность) и Closeness Metric (близость).
4. Система проверяет, удовлетворяет ли Accuracy Value пороговому значению.
5. Ключевой механизм: При выборе результатов метрике близости придается больший вес, чем значению известности, если точность локации высокая (удовлетворяет порогу).

Claim 2 (Зависимый от 1): Описывает поведение при низкой точности.

Если Accuracy Value не удовлетворяет порогу (т.е. местоположение неточное), метрике близости придается меньший вес, чем значению известности. Система предпочитает показать более важные объекты в районе, так как расчет близости ненадежен.

Claim 3 (Зависимый от 1): Уточняет механизм взвешивания.

Выбор результатов включает определение весовых коэффициентов для Prominence и Closeness на основе Accuracy Value. Результаты выбираются на основе взвешенных значений.

Claims 4, 5, 6 (Зависимые): Описывают фильтрацию результатов на основе точности их собственных координат (Positional Accuracy) – механизм кластеризации по точности.

1. Система учитывает точность координат самого объекта (Positional Accuracy) (Claim 4).
2. Сначала выбираются объекты, которые близки к клиенту И имеют высокую точность своих координат (Claim 5).
3. Объекты с низкой точностью координат включаются в выдачу, только если они находятся рядом с объектами, выбранными на предыдущем шаге (Claim 6). Это позволяет включать объекты с неточными координатами, если они подтверждены близостью к точно идентифицированным объектам.

Claim 7 (Зависимый от 1): Описывает процесс идентификации (улучшения) местоположения клиента.

Идентификация включает сравнение изображения запроса с изображениями объектов в пределах диапазона исходного местоположения (визуальное сопоставление) и определение улучшенного местоположения (Enhanced Location) на основе совпадения.

Где и как применяется

Изобретение применяется в основном на этапах ранжирования и переранжирования, используя специализированные подсистемы для обработки визуальных и локационных данных.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит подготовка необходимых данных:

• Индексирование геопривязанных изображений (например, Street View) с точными координатами (Pinpoint Location) для Location-Augmented Search System.
• Создание базы локальных объектов (Location Database) для Location-Based Search System, включая расчет Prominence Value и определение Positional Accuracy для каждого объекта.

RANKING – Ранжирование (Специализированный Retrieval)
Процесс поиска происходит в два этапа:

1. Уточнение геолокации: Location-Augmented Search System (112-F) использует визуальный запрос и грубое местоположение для поиска визуального совпадения. На выходе: Enhanced Location Information и Accuracy Value.
2. Локальный поиск: Location-Based Search System (112-G) использует Enhanced Location Information для поиска релевантных локальных листингов.

RERANKING – Переранжирование
Финальный этап, где применяется ключевая логика патента:

• Адаптивное Ранжирование: Применяется логика взвешивания (Claims 1-3), используя Accuracy Value для определения баланса между Близостью и Известностью.
• Фильтрация по точности листингов: Применяется логика кластеризации (Claims 4-6) для фильтрации объектов с неточными координатами (Positional Accuracy).
• Фильтрация по полю зрения: Может использоваться Viewing Frustum для отсечения объектов вне поля зрения пользователя.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на Local SEO — физические бизнесы (рестораны, магазины, услуги), достопримечательности и общественные места.
• Специфические запросы: Запросы типа «Street View», где пользователь фотографирует окружение для получения информации о нем (например, через Google Lens).
• Географические факторы: Эффективность зависит от покрытия и точности базы Street View. Логика ранжирования особенно важна в районах с плотной застройкой или нестабильным сигналом GPS.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда клиент отправляет визуальный запрос одновременно с информацией о местоположении.
• Пороговые значения: Исходная информация о местоположении должна удовлетворять минимальному критерию точности (например, не хуже 100 метров). Ранжирование адаптируется на основе сравнения Accuracy Value с определенным порогом. Фильтрация листингов происходит на основе сравнения Positional Accuracy с порогом.

Пошаговый алгоритм

Этап 1: Получение и Улучшение Данных

1. Получение запроса: Система получает визуальный запрос и приблизительное местоположение от клиента.
2. Улучшение локации (Location Augmentation): Location-Augmented Search System сравнивает запрос с базой данных Street View в пределах диапазона приблизительного местоположения.
3. Определение Enhanced Location: Если найдено совпадение, система извлекает точное местоположение, направление (Pose) и соответствующее значение точности (Accuracy Value). Если нет – используется исходная локация и низкий Accuracy Value.

Этап 2: Поиск и Ранжирование

4. Локальный поиск: Полученная локация отправляется в Location-Based Search System.
5. Получение кандидатов: Система получает список локальных листингов. Для каждого извлекаются Prominence Value, местоположение и Positional Accuracy.
6. Расчет близости: Вычисляется Closeness Metric между местоположением клиента и каждым листингом.
7. Адаптивное взвешивание (Claims 1-3):
   • Система проверяет Accuracy Value местоположения клиента.
   • Если Accuracy Value высокое: приоритет отдается Closeness Metric.
   • Если Accuracy Value низкое: приоритет отдается Prominence Value.
8. Ранжирование: Результаты сортируются на основе взвешенных оценок.

Этап 3: Фильтрация и Выдача

9. Фильтрация по точности листингов (Claims 4-6) (Опционально): Система отбирает объекты с высокой Positional Accuracy. Объекты с низкой точностью включаются, только если они кластеризованы рядом с точными объектами.
10. Фильтрация по полю зрения (Опционально): Система применяет фильтр Viewing Frustum, используя Pose.
11. Отправка результатов: Отсортированный и отфильтрованный список отправляется клиенту.

Какие данные и как использует

Данные на входе

• Мультимедиа факторы: Визуальный запрос (изображение). Критически важен для визуального сопоставления и уточнения геолокации.
• Географические факторы: Исходная информация о местоположении клиента (GPS, Cell Tower Info, Wi-Fi). Используется для ограничения области визуального поиска.
• Пользовательские факторы (Данные сенсоров): Данные магнитометра и акселерометра. Используются для определения исходного направления (Pose) и ориентации устройства, что помогает в построении Viewing Frustum.

Какие метрики используются и как они считаются

Система использует несколько ключевых метрик для принятия решений о ранжировании и фильтрации:

• Accuracy Value (Точность локации клиента): Определяется в процессе визуального сопоставления. Является триггером для выбора стратегии ранжирования.
• Prominence Value (Известность объекта): Предварительно рассчитанная метрика, хранящаяся в Location Database. Отражает важность или популярность объекта.
• Closeness Metric (Близость объекта к клиенту): Рассчитывается динамически как расстояние между локацией клиента и объекта.
• Positional Accuracy (Точность позиционирования объекта): Метрика, хранящаяся в Location Database, указывающая на точность координат самого объекта. Используется для фильтрации (кластеризации) результатов.

Методы вычислений и расчета оценок:

• Адаптивное взвешивание: Используются динамические весовые коэффициенты для Prominence и Closeness в зависимости от Accuracy Value. Патент приводит пример: при высокой точности: (0.8 * Closeness Metric) + (0.2 * Prominence Value). При низкой точности: (0.2 * Closeness Metric) + (0.8 * Prominence Value) ([0139]).

Выводы

1. Визуальные данные корректируют GPS: Ключевой механизм — использование изображения для значительного повышения точности определения местоположения пользователя (Enhanced Location) по сравнению с исходными данными сенсоров. Камера выступает как высокоточный сенсор контекста.
2. Уверенность в локации диктует стратегию ранжирования: Google динамически меняет баланс факторов в локальном поиске. Если система уверена в точном местоположении пользователя (высокий Accuracy Value), доминирует фактор близости (Closeness). Если уверенности нет, доминирует фактор известности (Prominence).
3. Критичность Prominence как гаранта качества: Prominence выступает страховкой в ситуациях неопределенности. Если Google не может точно определить, что ближе всего, он покажет наиболее авторитетные объекты в этом районе.
4. Требования к точности данных в базе Google (GBP): Патент подчеркивает важность точности координат самого бизнеса (Positional Accuracy). Листинги с неточными координатами могут быть исключены из результатов, если они не подтверждены близостью к другим точным листингам (механизм кластеризации, Claims 4-6).
5. Зависимость от Street View: Эффективность системы напрямую зависит от покрытия, качества и актуальности базы геопривязанных изображений (Street View), которая используется для визуального сопоставления.

Практика

Best practices (это мы делаем)

• Максимизация сигналов известности (Prominence): Работа над Prominence (репутация, отзывы, цитирования, локальные ссылки) критически важна. Это основной фактор ранжирования, когда Google не уверен в точном местоположении пользователя (например, слабый GPS, внутри здания). Сильный Prominence обеспечивает видимость в широком радиусе при низкой Accuracy Value.
• Обеспечение абсолютной точности координат бизнеса (Positional Accuracy): Необходимо убедиться, что пин бизнеса в Google Business Profile (GBP) установлен максимально точно (в идеале — над главным входом). Патент описывает фильтрацию результатов с низкой Positional Accuracy. Неточные данные могут привести к исключению из выдачи.
• Оптимизация под визуальное распознавание (Physical SEO): Убедитесь, что фасад вашего бизнеса хорошо виден, узнаваем и соответствует актуальным изображениям в Street View и GBP. Это облегчает системе процесс визуального сопоставления (Location Enhancement), что позволяет получить высокий Accuracy Value и активировать ранжирование по близости. При необходимости загружайте собственные 360-панорамы.

Worst practices (это делать не надо)

• Игнорирование Prominence и ставка только на близость: Стратегия, основанная только на физической близости, провалится, если система не сможет точно определить местоположение пользователя. Без сильного Prominence бизнес не попадет в выдачу в ситуациях геолокационной неопределенности.
• Неточные или «виртуальные» адреса: Использование неточных координат или виртуальных офисов несет высокие риски. Система может классифицировать такие листинги как имеющие низкую Positional Accuracy и активно их фильтровать согласно механизму кластеризации (Claims 4-6).
• Несоответствие визуальных данных: Если ваш бизнес выглядит иначе, чем на фотографиях в GBP или Street View (например, после смены вывески), это затруднит визуальное сопоставление и помешает точному определению Enhanced Location.

Стратегическое значение

Этот патент подтверждает адаптивный характер алгоритмов локального ранжирования Google. Веса факторов Близости и Известности не фиксированы; они динамически изменяются в зависимости от контекста запроса и уверенности системы в данных. Это объясняет высокую волатильность локальной выдачи. Для долгосрочной стратегии в Local SEO необходимо строить сильный, известный бренд (Prominence) и обеспечивать идеальную точность данных (Accuracy), чтобы максимизировать видимость во всех сценариях поиска.

Практические примеры

Сценарий 1: Высокая точность (Близость доминирует)

1. Ситуация: Пользователь стоит на улице с хорошим обзором и фотографирует магазин через Google Lens.
2. Действие системы: Google легко сопоставляет изображение со Street View (Location Enhancement успешен). Accuracy Value высокий.
3. Ранжирование: Система применяет веса, отдавая предпочтение Closeness Metric (Claim 1).
4. Результат: Пользователь получает информацию именно об этом магазине и о ближайших к нему соседях, даже если они малоизвестны (низкий Prominence).

Сценарий 2: Низкая точность (Известность доминирует)

1. Ситуация: Пользователь находится в плотной застройке (GPS слабый) или внутри ТЦ и делает фото.
2. Действие системы: Google не может точно сопоставить изображение или GPS слишком неточен. Accuracy Value низкий.
3. Ранжирование: Система применяет веса, отдавая предпочтение Prominence Value (Claim 2).
4. Результат: Вместо показа ближайших (но потенциально неверных) объектов, пользователь видит список самых известных и высокорейтинговых заведений в этом общем районе.

Вопросы и ответы