Как Яндекс использует количество фотографий и компьютерное зрение для ранжирования локальных объектов и организаций (Фоторейтинг)

Описание

Какую задачу решает

Патент решает задачу объективной оценки популярности и значимости физических объектов или локаций (Точек Интереса, POI) для их ранжирования в локальном поиске и на картах. Основная проблема заключается в том, что метаданные пользовательских фотографий (геотеги, описания), которые могли бы служить сигналом популярности, часто отсутствуют или неточны, что затрудняет их привязку к конкретному объекту. Изобретение позволяет агрегировать максимум релевантных фотографий, включая те, у которых метаданные отсутствуют, и использовать их общее количество как надежный фактор ранжирования.

Что запатентовано

Запатентованы система и способ ранжирования Точек Интереса с использованием Фоторейтинга. Суть изобретения — это двухэтапный процесс агрегации фотографий для расчета Коэффициента Значимости POI. На первом этапе фотографии привязываются к объекту на основе близости метаданных (геопозиция, описание). На втором этапе фотографии без четкой привязки сравниваются визуально (с использованием дескрипторов характерных признаков изображения) с уже привязанными фотографиями, чтобы идентифицировать тот же объект.

Как это работает

Система сначала формирует «эталонный» набор фотографий для объекта, используя строгие критерии соответствия метаданных (например, GPS-координаты фото близки к координатам объекта). Это Этап 1. Затем система ищет другие фотографии с неполными или отсутствующими метаданными. Эти фотографии сравниваются с «эталонным» набором с помощью алгоритмов компьютерного зрения (Этап 2). Если визуальная схожесть (Показатель Схожести) превышает порог, фотография также привязывается к объекту. Финальный Коэффициент Значимости (Фоторейтинг) рассчитывается на основе общего числа привязанных фотографий. Система также включает антиспам-механизм, понижающий вес фотографий от одного и того же автора.

Актуальность для SEO

Высокая. В современных геосервисах и локальном поиске (Яндекс.Карты) пользовательский контент (UGC), особенно фотографии, играет ключевую роль в оценке популярности локальных объектов. Технологии компьютерного зрения для распознавания объектов и сцен активно развиваются и повсеместно применяются Яндексом для обогащения данных о локациях, что делает описанный механизм крайне актуальным.

Важность для SEO

Влияние на SEO значительно (7.5/10), но строго ограничено сферой Локального Поиска (Local SEO). Патент описывает конкретный механизм, который напрямую влияет на ранжирование организаций, достопримечательностей и других физических объектов на Яндекс Картах и в локальных блоках основной выдачи. Он демонстрирует, что визуальный UGC является сильным сигналом популярности, подчеркивая важность стимулирования создания разнообразного пользовательского фотоконтента для локального продвижения.

Детальный разбор

Термины и определения

Точка Интереса (POI — Point of Interest)

Физический объект (например, организация, достопримечательность), представленный в базе данных поисковой системы. Имеет набор параметров: местоположение и описательные параметры (наименование, описание).

Фоторейтинг

Термин из названия патента, обозначающий метод ранжирования POI на основе анализа связанных фотографий. Фактически синоним Коэффициента Значимости.

Коэффициент Близости

Метрика, рассчитываемая на Этапе 1. Определяет степень соответствия между параметрами фотографии (местоположение, описание) и параметрами POI. Используется для первичной привязки фотографий с надежными метаданными.

Дескрипторы характерных признаков изображения

Численное представление (вектор) визуальных характеристик изображения, используемое алгоритмами компьютерного зрения. Позволяет сравнивать изображения независимо от их метаданных.

Показатель Схожести

Метрика, рассчитываемая на Этапе 2. Определяет степень визуальной схожести между двумя фотографиями на основе сравнения их дескрипторов. Используется для привязки фотографий без подтвержденных метаданных.

Коэффициент Значимости

Итоговая метрика популярности POI. Рассчитывается с учетом общего числа фотографий, ассоциированных с POI на Этапах 1 и 2. Используется для ранжирования.

Идентификатор фотографа

Описательный параметр фотографии, указывающий на пользователя, который ее загрузил. Используется для антиспам-механизма.

Понижающий коэффициент

Антиспам-механизм. Коэффициент, применяемый при расчете Коэффициента значимости, если количество фотографий от одного Идентификатора фотографа превышает пороговое значение.

Ключевые утверждения (Анализ Claims)

Ядром изобретения является двухэтапный метод агрегации фотографий для определения популярности объекта, позволяющий учитывать фотографии даже с неполными метаданными.

Claim 1 (Независимый пункт): Описывает полный способ ранжирования двух точек интереса (POI 1 и POI 2).

1. Получение параметров POI 1 (местоположение, описание).
2. Первый этап определения популярности (Привязка по метаданным):
   • Получение Фото 1 с ее параметрами.
   • Расчет Коэффициента Близости между параметрами Фото 1 и POI 1.
   • Если коэффициент выше порога, Фото 1 ассоциируется с POI 1 (становится эталоном).
3. Второй этап определения популярности (Привязка по визуальной схожести):
   • Получение Фото 2, у которой отсутствует подтвержденная связь с POI 1.
   • Сравнение Фото 2 с Фото 1 (эталоном) с использованием дескрипторов характерных признаков изображения.
   • Определение Показателя Схожести.
   • Если показатель выше порога, Фото 2 также ассоциируется с POI 1.
4. Расчет Рейтинга и Ранжирование:
   • Расчет Коэффициента Значимости для POI 1 и POI 2 с учетом числа всех ассоциированных фотографий.
   • Если Коэффициент Значимости POI 1 выше, чем у POI 2, ей присваивается более высокий рейтинг.

Claim 11 (Зависимый пункт): Описывает механизм защиты от накруток (антиспам).

• Система использует Идентификатор фотографа.
• При расчете Коэффициента Значимости применяется понижающий коэффициент, если количество фотографий с одинаковым идентификатором фотографа превышает предопределенное значение.

Это означает, что система ценит разнообразие авторов: 100 фотографий от 100 разных пользователей будут иметь больший вес, чем 100 фотографий от одного пользователя.

Где и как применяется

Изобретение применяется в инфраструктуре, отвечающей за индексацию и ранжирование локальных объектов (POI), затрагивая следующие слои поиска:

CRAWLING – Сканирование и Сбор данных
Система осуществляет сбор информации о Точках Интереса и сбор фотографий из открытых источников данных (Claims 4, 5). Это могут быть специализированные роботы (Media Profiles), сканирующие сайты отзывов, социальные сети, а также данные UGC, загружаемые пользователями в сервисы Яндекса (например, Яндекс Карты).

INDEXING – Индексирование и извлечение признаков
Это основной слой применения патента. Большая часть работы происходит офлайн:

• Обработка фотографий: извлечение метаданных (GPS, описание, Идентификатор фотографа).
• Вычисление дескрипторов характерных признаков изображения с помощью моделей компьютерного зрения.
• Выполнение двух этапов ассоциации фотографий с POI (расчет Коэффициента Близости и Показателя Схожести).
• Расчет статического фактора ранжирования — Коэффициента Значимости (Фоторейтинга) для каждой POI с учетом антиспам-фильтров.

RANKING – Ранжирование (Локальное)
На этапе ранжирования (вероятно, уровни L2/L3 для локального поиска) в ответ на запрос пользователя (Claim 13), система использует предварительно рассчитанный Коэффициент Значимости как один из факторов для формирования результатов поисковой выдачи (например, порядка организаций на карте или в локальном колдунщике).

На что влияет

• Конкретные типы контента: Влияет исключительно на ранжирование Точек Интереса (POI) — организаций (рестораны, магазины, услуги), достопримечательностей, географических объектов. Не влияет на ранжирование информационных веб-документов.
• Специфические запросы: Влияет на запросы с локальным интентом (например, «кафе рядом», «достопримечательности Москвы») и поиск объектов на картах.
• Конкретные ниши или тематики: Наибольшее влияние оказывается на ниши, где пользователи активно генерируют фотоконтент: туризм, HoReCa (отели, рестораны, кафе), развлечения, ритейл.

Когда применяется

• Временные рамки (Расчет): Основные вычисления (агрегация фотографий и расчет Коэффициента Значимости) происходят в офлайн-режиме или по расписанию, так как требуют значительных ресурсов, особенно Этап 2 (визуальное сравнение).
• Временные рамки (Применение): Рассчитанный коэффициент сохраняется в индексе и используется в онлайн-режиме при ответе на локальные запросы пользователей.

Пошаговый алгоритм

Процесс определения Фоторейтинга (Коэффициента Значимости) Точки Интереса.

1. Сбор и подготовка данных (Офлайн):
   • Сбор информации об объектах (POI) и их параметрах (местоположение, описание).
   • Сбор фотографий и их параметров (местоположение, описание, идентификатор фотографа) из открытых источников.
   • Вычисление дескрипторов характерных признаков изображения для всех собранных фотографий.
2. Этап 1: Ассоциация по метаданным (Офлайн):
   • Для каждой фотографии рассчитывается Коэффициент Близости к каждой POI. Расчет учитывает близость GPS-координат (Claim 9) и/или совпадение описательных параметров (Claim 10).
   • Если Коэффициент Близости превышает пороговое значение, фотография привязывается к POI. Формируется «эталонное» множество фотографий.
3. Этап 2: Ассоциация по визуальной схожести (Офлайн):
   • Берутся фотографии, которые не были привязаны на Этапе 1 (отсутствует подтвержденная связь).
   • Каждая такая фотография сравнивается с «эталонным» множеством фотографий, уже привязанных к POI. Сравнение происходит путем анализа дескрипторов.
   • Рассчитывается Показатель Схожести.
   • Если Показатель Схожести превышает порог, фотография также привязывается к POI.
4. Расчет Коэффициента Значимости (Офлайн):
   • Подсчитывается общее количество фотографий, привязанных к POI.
   • Применяется антиспам-фильтрация (Claim 11): если фотографий от одного фотографа слишком много, применяются понижающие коэффициенты.
   • Вычисляется итоговый Коэффициент Значимости (Фоторейтинг).
5. Применение в Ранжировании (Онлайн):
   • Получение запроса пользователя.
   • Формирование поисковой выдачи, где порядок POI определяется с учетом их Коэффициента Значимости (Claim 13).

Какие данные и как использует

Данные на входе

• Географические факторы: Параметр местоположения POI (координаты) и фотографии (GPS-теги). Используются на Этапе 1 для расчета Коэффициента Близости.
• Контентные факторы (Описательные): Наименование и описание POI (Claim 8). Описательные параметры фотографии (теги, текст). Используются на Этапе 1 для расчета Коэффициента Близости.
• Мультимедиа факторы: Сами изображения (фотографии). Используются для вычисления дескрипторов характерных признаков изображения и сравнения на Этапе 2.
• Пользовательские факторы (Источник): Идентификатор фотографа (Claim 11). Используется для расчета Коэффициента Значимости и защиты от накруток.

Какие метрики используются и как они считаются

• Коэффициент Близости: Метрика схожести метаданных. В патенте не указана формула, но указано, что он рассчитывается с использованием параметров местоположения и/или описательных параметров.
• Дескрипторы характерных признаков изображения: Векторные представления изображений. Конкретный алгоритм генерации (например, нейросетевые эмбеддинги) в патенте не указан.
• Показатель Схожести: Метрика визуальной близости. Рассчитывается на основе сравнения дескрипторов (например, через расстояние в векторном пространстве). Формула не указана.
• Коэффициент Значимости: Рассчитывается с учетом числа фотографий. Важным элементом расчета является применение понижающего коэффициента в случае обнаружения множества фотографий от одного автора (Claim 11). Это указывает на то, что система ценит разнообразие источников.

Выводы

1. Количество фотографий как прямой сигнал популярности в Local SEO: Яндекс использует количество ассоциированных фотографий (Фоторейтинг или Коэффициент Значимости) как прямой сигнал популярности объекта для его ранжирования в локальном поиске и на картах.
2. Компьютерное зрение компенсирует нехватку метаданных: Система активно использует технологии визуального сравнения (дескрипторы изображений), чтобы привязать к объекту фотографии, у которых отсутствуют GPS-теги или описания. Это позволяет получить более полную картину популярности.
3. Двухэтапная агрегация для надежности: Система строит надежный датасет, сначала опираясь на точные данные метаданных (Этап 1), а затем используя этот набор как эталон для визуального поиска похожих изображений (Этап 2).
4. Критическая важность разнообразия источников (Антиспам): Патент явно предусматривает защиту от накруток (Claim 11). Коэффициент Значимости пессимизируется (применяется понижающий коэффициент), если слишком много фотографий загружено одним пользователем. Для высокого рейтинга необходимо разнообразие авторов.
5. UGC как фактор ранжирования: Патент подтверждает, что пользовательский контент (фотографии), размещенный в открытых источниках, напрямую влияет на ранжирование локальных объектов.

Практика

Best practices (это мы делаем)

Рекомендации направлены на увеличение Коэффициента Значимости POI за счет увеличения количества и разнообразия релевантных фотографий (Local SEO).

• Стимулирование генерации визуального UGC: Активно мотивируйте реальных клиентов и посетителей делать фотографии вашего объекта (интерьер, экстерьер, товары) и загружать их в Яндекс.Карты, сайты отзывов и социальные сети. Например, предлагайте бонусы за отзывы с фотографиями.
• Фокус на разнообразии авторов: Важно получать фотографии от как можно большего числа разных пользователей. Система ценит разнообразие и применяет понижающие коэффициенты за активность одного автора (Claim 11).
• Создание «Фотогеничных» зон (Photo Opportunities): Инвестируйте в интерьер и экстерьер. Объекты, которые хорошо выглядят и имеют узнаваемые элементы, чаще фотографируют, что увеличит естественный приток UGC-фотографий и облегчит работу алгоритмов компьютерного зрения.
• Обеспечение точности метаданных для Этапа 1: Убедитесь, что основная информация о вашей организации (точное местоположение, название) корректна. При загрузке официальных фотографий в Яндекс Бизнес убедитесь, что они четко отображают объект и, по возможности, содержат корректные геотеги. Это поможет сформировать качественный эталонный набор.

Worst practices (это делать не надо)

• Массовая загрузка фотографий с одного аккаунта: Попытка накрутить Фоторейтинг путем загрузки сотен фотографий от имени владельца или сотрудника неэффективна и будет пессимизирована применением понижающего коэффициента (Claim 11).
• Использование стоковых или нерелевантных фото: Загрузка изображений, которые не отображают реальный объект, бессмысленна. Они не пройдут проверку визуальной схожести (Этап 2) и не повлияют на рейтинг.
• Игнорирование визуального присутствия: Отсутствие фотографий объекта в открытых источниках приведет к низкому Коэффициенту значимости и, как следствие, к плохим позициям в локальном ранжировании.

Стратегическое значение

Патент подтверждает стратегический приоритет Яндекса на использование пользовательских сигналов (UGC) для оценки качества и популярности локальных объектов. Он демонстрирует, как Яндекс интегрирует технологии компьютерного зрения для извлечения сигналов ранжирования из неструктурированных данных (изображений без метаданных). Для Local SEO это означает, что популярность и активность посетителей в реальном мире напрямую конвертируются в онлайн-видимость через анализ фотографий.

Практические примеры

Сценарий 1: Повышение рейтинга нового ресторана

1. Задача: Улучшить видимость нового ресторана на Яндекс Картах.
2. Действия:
   • Владелец загружает качественные фото интерьера через Яндекс Бизнес (Этап 1).
   • Ресторан проводит акцию: «Скидка за отзыв на Яндекс Картах с фотографией».
3. Как работает система:
   • Система получает множество фотографий от разных пользователей. Благодаря GPS на телефонах, большинство фотографий легко привязываются к ресторану (Этап 1).
   • Некоторые пользователи выкладывают фото в социальные сети без геотега. Яндекс сканирует эти фото и сравнивает их (Этап 2) с уже привязанными фотографиями. Обнаружив визуальную схожесть (одинаковый интерьер), система привязывает их к ресторану.
   • Поскольку фотографии загружены разными пользователями, понижающий коэффициент не применяется.
4. Ожидаемый результат: Коэффициент Значимости ресторана растет, что способствует более высокому ранжированию в локальной выдаче.

Сценарий 2: Нейтрализация попытки накрутки

1. Действие: Владелец автосервиса создает один аккаунт и загружает 200 фотографий своего помещения с разных ракурсов.
2. Работа системы: Фотографии ассоциируются с POI. Предварительный Коэффициент Значимости высок.
3. Антиспам-фильтр (Claim 11): Система обнаруживает, что все 200 фотографий имеют одинаковый Идентификатор Фотографа, что превышает порог.
4. Результат: Применяется Понижающий Коэффициент. Итоговый Коэффициент Значимости значительно снижается, нейтрализуя эффект от накрутки.

Вопросы и ответы