Как Google использует визуальный поиск и GPS для уточнения геолокации и динамического ранжирования локальных результатов

Описание

Какую задачу решает

Патент решает проблему неточности стандартных данных геолокации (GPS, сотовые вышки), особенно в условиях плотной городской застройки. Цель — повысить релевантность локального поиска в ответ на визуальный запрос (например, фотографию здания) путем точного определения местоположения пользователя и направления его взгляда (Pose), что позволяет идентифицировать конкретные объекты в поле зрения и предоставить информацию о них.

Что запатентовано

Запатентована система, которая использует гибридный подход: комбинирует изображение (Visual Query) и приблизительные координаты (Location Information) для вычисления высокоточного местоположения (Enhanced Location Information). Система сопоставляет изображение с базой геопривязанных данных (например, Street View). Ключевым элементом является динамическое ранжирование локальных результатов: система адаптирует вес факторов близости (Closeness Metric) и значимости (Prominence Value) в зависимости от уверенности в точности локации пользователя (Accuracy Value).

Как это работает

Механизм работает следующим образом:

• Получение данных: Система получает изображение и приблизительные GPS-данные от клиента.
• Уточнение локации: Location-Augmented Search System ищет совпадение изображения в своей базе (например, Street View) в районе указанных координат.
• Enhanced Location: При успешном совпадении система получает точные координаты, направление взгляда (Pose) и оценку точности (Accuracy Value).
• Локальный поиск: Точные координаты передаются в Location-Based Search System (база локальных объектов).
• Динамическое Ранжирование: Если Accuracy Value высокая, приоритет отдается близости (Closeness). Если низкая — приоритет отдается значимости (Prominence).
• Фильтрация: Результаты могут фильтроваться по полю зрения пользователя (Viewing Frustum).

Актуальность для SEO

Высокая. Описанная технология лежит в основе систем визуального позиционирования (VPS), используемых в Google Lens и функциях дополненной реальности (AR) в Google Maps (Live View). Точное определение местоположения через визуальный анализ критически важно для развития мобильного и локального поиска.

Важность для SEO

Патент имеет высокое значение для Local SEO. Он раскрывает, как Google идентифицирует физические объекты и, что более важно, как меняется стратегия ранжирования в зависимости от уверенности в геолокации. Понимание баланса между близостью и авторитетностью (Prominence) критично для оптимизации видимости бизнеса в Google Maps и визуальном поиске.

Детальный разбор

Термины и определения

Accuracy Value (Значение точности)

Метрика, определяющая уровень точности, с которой идентифицированное местоположение клиента соответствует его фактическому местоположению. Используется как триггер для выбора стратегии ранжирования.

Closeness Metric / Positional Closeness Value (Метрика близости)

Значение, указывающее, насколько близко местоположение объекта (результата поиска) к идентифицированному местоположению клиента.

Enhanced Location Information (Уточненная информация о местоположении)

Более точные данные о местоположении клиента, полученные путем сопоставления визуального запроса с геопривязанной базой изображений.

Location-Augmented Search System (Поисковая система с дополнением местоположения)

Система (в патенте 112-F), которая использует визуальный запрос и приблизительное местоположение для поиска совпадений в базе геопривязанных изображений (например, Street View) и возвращает Enhanced Location Information.

Location-Based Search System (Поисковая система на основе местоположения)

Система (в патенте 112-G), содержащая базу данных локальных листингов (бизнесов, POI) и отвечающая на запросы с указанием местоположения.

Location Information (Информация о местоположении)

Исходные, часто приблизительные данные о местоположении клиента (GPS, сотовые вышки, Wi-Fi).

Pose (Поза / Ориентация)

Направление взгляда пользователя или ориентация камеры устройства в момент создания визуального запроса (азимут).

Positional Accuracy (Точность позиционирования результата)

Метрика уверенности в точности координат самого локального объекта (листинга) в базе данных.

Prominence Value (Значение значимости / Популярности)

Метрика, определяющая относительную важность или популярность локального объекта (например, известные достопримечательности или рестораны с высоким рейтингом имеют высокую Prominence Value).

Viewing Frustum (Усеченная пирамида обзора / Поле зрения)

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

Visual Query (Визуальный запрос)

Изображение (фотография, кадр видео), отправленное как запрос в поисковую систему.

Ключевые утверждения (Анализ Claims)

Патент US10346463B2 является продолжением (continuation) более ранней заявки. Его формула изобретения (Claims) фокусируется на методе ранжирования результатов на основе точности локации и значимости.

Claim 1 (Независимый пункт): Описывает метод предоставления результатов поиска в ответ на визуальный запрос с динамическим взвешиванием факторов.

1. Система получает визуальный запрос (изображение) и идентифицирует местоположение клиента.
2. Определяется Accuracy Value — уровень точности этого местоположения.
3. Идентифицируется набор результатов поиска. Каждый результат имеет Prominence Value (значимость) и Closeness Metric (близость).
4. Проверяется условие: удовлетворяет ли Accuracy Value пороговому уровню точности.
5. Если ДА (местоположение точное):
   • Применяется взвешивание: Closeness Metric взвешивается с использованием первого коэффициента, а Prominence Value — с использованием второго, так что близости придается больший вес, чем значимости.
6. Результаты выбираются на основе взвешенных значений и предоставляются клиенту.

Claim 2 (Зависимый от 1): Детализирует действие, если точность НЕ удовлетворительная.

1. Если Accuracy Value НЕ удовлетворяет порогу (местоположение неточное):
2. Весовые коэффициенты корректируются так, что близости придается меньший вес, чем значимости.

Ядро изобретения — это адаптивная система ранжирования. Если система уверена в точном местоположении пользователя (High Accuracy), она покажет то, что физически ближе всего (Proximity > Prominence). Если система не уверена (Low Accuracy), она покажет наиболее важные или популярные объекты в окрестностях (Prominence > Proximity).

Claim 3 (Зависимый от 1): Вводит понятие точности позиционирования самих результатов (листингов).

1. Для каждого результата определяется его местоположение и Positional Accuracy Value (точность этого местоположения в базе данных).
2. Выбор результатов основывается также на этой Positional Accuracy Value.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, связывая визуальный поиск с локальным ранжированием.

INDEXING – Индексирование и извлечение признаков
На этом этапе создаются и поддерживаются две ключевые базы данных:

• Location-Augmented Database (например, Street View): Геопривязанные изображения с точными координатами и ориентацией.
• Location-Based Database (например, база Google Maps/GBP): База локальных листингов, где для каждого объекта хранятся координаты, рассчитывается Prominence Value и оценивается Positional Accuracy.

RANKING – Ранжирование / RERANKING – Переранжирование
Основное применение патента происходит во время обработки запроса:

1. Визуальное сопоставление и уточнение локации: Запрос обрабатывается Location-Augmented Search System для получения Enhanced Location Information и его Accuracy Value. Это можно рассматривать как этап уточнения контекста запроса.
2. Локальный отбор кандидатов (Retrieval): Enhanced Location Information (или исходная локация, если уточнение не удалось) используется для запроса к Location-Based Search System.
3. Динамическое взвешивание и переранжирование: Полученные кандидаты переранжируются. Модуль Local Listings Selection Module применяет весовые коэффициенты к Prominence Value и Closeness Metric, основываясь на Accuracy Value.
4. Фильтрация: Применяется Viewing Frustum для фильтрации результатов на основе ориентации пользователя (Pose).

Входные данные:

• Визуальный запрос (изображение).
• Исходная информация о местоположении (GPS, Cell ID).
• Данные сенсоров (магнетометр, акселерометр – опционально для определения Pose).

Выходные данные:

• Отранжированный список локальных результатов (листингов).

На что влияет

• Конкретные типы контента и ниши: В первую очередь влияет на Local SEO — бизнесы, организации, достопримечательности (POI), отображаемые в ответ на визуальные запросы (Google Lens, AR-режимы карт).
• Специфические запросы: Наиболее применимо к «Street View Visual Queries» — запросам, сделанным на улице с целью идентификации окружающих объектов.

Когда применяется

• Триггеры активации: Алгоритм активируется, когда пользователь отправляет визуальный запрос одновременно с данными о местоположении.
• Условия работы: Эффективность зависит от наличия покрытия в Location-Augmented Database (например, доступности Street View для данной местности). Механизм динамического ранжирования применяется всегда, когда есть локальные результаты и оценка точности локации пользователя.

Пошаговый алгоритм

Этап 1: Уточнение местоположения

1. Получение данных: Система получает визуальный запрос и исходную Location Information (приблизительную локацию) от клиента.
2. Запрос на уточнение: Данные отправляются в Location-Augmented Search System.
3. Визуальное сопоставление: Система ищет совпадение визуального запроса с изображениями в своей базе (например, Street View), находящимися в радиусе исходной локации.
4. Генерация Enhanced Location: Если найдено надежное совпадение, система извлекает точные координаты и Pose (ориентацию). Это становится Enhanced Location Information. Также определяется Accuracy Value этого уточнения. Если совпадение не найдено, используется исходная локация с низким Accuracy Value.

Этап 2: Поиск и Ранжирование

5. Запрос локальных данных: Наиболее точная доступная локация отправляется в Location-Based Search System.
6. Получение кандидатов: Система получает список локальных листингов. Для каждого известны Prominence Value и координаты.
7. Расчет метрик: Для каждого кандидата рассчитывается Closeness Metric (расстояние до пользователя).
8. Применение динамического взвешивания (Ключевой механизм):
   • Система проверяет Accuracy Value местоположения пользователя.
   • Если Accuracy Value ВЫСОКАЯ (выше порога): Применяются веса, favoring близость. (Например, Score = 0.8 * Closeness + 0.2 * Prominence).
   • Если Accuracy Value НИЗКАЯ (ниже порога): Применяются веса, favoring значимость. (Например, Score = 0.2 * Closeness + 0.8 * Prominence).
9. (Опционально) Фильтрация по Frustum: Строится Viewing Frustum на основе Pose. Результаты вне поля зрения исключаются.
10. Отправка результатов: Отсортированный список отправляется клиенту.

Какие данные и как использует

Данные на входе

• Географические факторы: Критически важные данные. Используются GPS sensor information, cell phone tower information, local wireless network information для определения исходного местоположения. Также используются координаты локальных листингов в базе данных.
• Мультимедиа факторы: Визуальный запрос (изображение или кадр видео) используется для визуального сопоставления и уточнения локации.
• Пользовательские факторы (Данные датчиков): Данные сенсоров устройства (Magnetometer, Accelerometer) используются для определения ориентации устройства и расчета Pose (направления взгляда).
• Факторы авторитетности: Prominence Value: Предварительно рассчитанная значимость локального листинга.

Какие метрики используются и как они считаются

• Accuracy Value (Точность локации пользователя): Определяется на этапе визуального сопоставления. Указывает на уверенность системы в точности Enhanced Location Information. Эта метрика является ключевым переключателем для стратегии ранжирования.
• Prominence Value (Значимость результата): Предварительно рассчитанная метрика авторитетности/популярности локального объекта.
• Closeness Metric (Близость): Рассчитывается как расстояние между локацией пользователя и координатами локального объекта.
• Positional Accuracy (Точность локации объекта): Метрика уверенности в координатах самого объекта в базе данных. Может использоваться для фильтрации результатов.
• Viewing Frustum: Рассчитывается на основе Pose и ориентации устройства. Определяет границы поля зрения пользователя.
• Весовые коэффициенты (Weighting Factors): Используются для расчета итогового рейтинга. Значения коэффициентов динамически меняются в зависимости от Accuracy Value локации пользователя (как описано в Claims 1 и 2).

Выводы

1. Визуальный ввод как способ уточнения геолокации: Google активно использует визуальные данные (камеру пользователя и Street View) для повышения точности данных GPS. Это позволяет системе определить не только где находится пользователь, но и на что он смотрит (Pose), переходя к гиперлокальному поиску.
2. Динамическая стратегия ранжирования (Proximity vs. Prominence): Ключевой вывод патента — стратегия ранжирования локальных результатов адаптивна и зависит от уверенности системы (Accuracy Value) в местоположении пользователя. Это не статический баланс, а динамический переключатель.
3. Приоритет близости при высокой точности: Если система точно знает локацию пользователя (высокий Accuracy Value), физическая близость (Closeness Metric) становится доминирующим фактором ранжирования.
4. Приоритет значимости при низкой точности: Если местоположение определено приблизительно (низкий Accuracy Value), система отдает предпочтение более важным и популярным объектам (Prominence Value) в окрестностях, чтобы избежать ошибок из-за неточных координат.
5. Учет направления взгляда (Viewing Frustum): Система учитывает ориентацию пользователя (Pose), фильтруя результаты, которые не попадают в поле зрения, что повышает контекстуальную релевантность.
6. Важность точности данных бизнеса: Точность координат самого бизнеса (Positional Accuracy) также является фактором. Объекты с неточными координатами могут быть пессимизированы или исключены из выдачи.

Практика

Best practices (это мы делаем)

• Обеспечение максимальной точности геоданных в GBP: Критически важно убедиться, что координаты бизнеса (пин на карте) в Google Business Profile (GBP) абсолютно точны. Это повышает Positional Accuracy листинга и гарантирует его корректное ранжирование, особенно когда система точно определяет локацию пользователя и отдает приоритет близости.
• Наращивание локальной авторитетности (Prominence): Необходимо активно работать над повышением Prominence Value (отзывы, рейтинги, локальные цитирования, ссылки, упоминания в СМИ). Это страховочная стратегия: если Google не сможет точно определить локацию пользователя (низкий Accuracy Value), бизнес с высоким Prominence получит приоритет в выдаче.
• Визуальная идентификация и оптимизация под Street View: Убедитесь, что физическое местоположение бизнеса легко идентифицируется визуально (четкая вывеска, узнаваемый фасад). Проверьте, соответствует ли вид бизнеса в Street View реальности. Это помогает Location-Augmented Search System корректно сопоставить визуальный запрос, что ведет к точному определению локации.
• Насыщение профиля визуальным контентом: Загружайте качественные фотографии экстерьера и, при возможности, обновляйте 360-градусные панорамы. Это помогает системам визуального сопоставления.

Worst practices (это делать не надо)

• Игнорирование точности пина в GBP: Оставлять некорректно установленный пин на карте. Это снижает Positional Accuracy и может привести к исключению бизнеса из релевантной локальной и визуальной выдачи.
• Фокус только на традиционном SEO без учета Prominence: Полагаться только на техническую оптимизацию, игнорируя локальные сигналы авторитетности. Бизнес проиграет конкурентам в ситуациях, когда система переключается в режим приоритета Prominence из-за неточной геолокации.
• Отсутствие четкой физической идентификации: Иметь нечитаемую или скрытую вывеску. Это затрудняет визуальное сопоставление и снижает вероятность успешного уточнения локации через визуальный запрос (Google Lens).

Стратегическое значение

Патент подтверждает стратегический фокус Google на интеграции реального мира (через камеру и сенсоры) с цифровыми данными (локальные листинги). Это фундамент для развития AR-поиска и Google Lens. Механизм динамического взвешивания объясняет изменчивость локальной выдачи: для стабильного ранжирования в Local SEO необходимо работать как над точностью данных (для фактора Proximity), так и над авторитетностью (для фактора Prominence).

Практические примеры

Сценарий 1: Приоритет близости (Высокая точность локации)

1. Ситуация: Пользователь стоит на открытой местности с хорошим GPS и использует Google Lens, чтобы сфотографировать небольшое кафе.
2. Действие системы: Google успешно сопоставляет фото со Street View. Enhanced Location Information получена с высокой Accuracy Value.
3. Ранжирование: Система активирует веса, предпочитающие близость (Proximity > Prominence).
4. Результат: Пользователь видит информацию именно об этом кафе, даже если в двух кварталах есть более популярный (Prominent) ресторан.

Сценарий 2: Приоритет значимости (Низкая точность локации)

1. Ситуация: Пользователь находится внутри торгового центра (плохой GPS) и фотографирует общий вид фуд-корта. Визуальное сопоставление затруднено.
2. Действие системы: Google не может точно определить местоположение. Accuracy Value низкая.
3. Ранжирование: Система активирует веса, предпочитающие значимость (Prominence > Proximity).
4. Результат: В выдаче будут доминировать наиболее известные и высокорейтинговые рестораны в ТЦ (например, McDonald’s), а не те, которые физически ближе всего к предполагаемому (но неточному) положению пользователя.

Вопросы и ответы