Artykuł pomocniczy · pojęcie · Pojęcia · Fundament SEO
Wyszukiwanie obrazów oparte o wektory
także: vector search · semantic image search · embedding-based search · Vector-Based Image Search · vector image search
Metoda wyszukiwania grafik przez podobieństwo embeddingów (wektorów), a nie wyłącznie przez tekst alt czy nazwy plików — coraz częstsza w multimodalnym searchu.
SEO obrazów dziś
Nadal liczą się alt, kontekst strony i jakość pliku, ale rosną znaczenie wizualnego podobieństwa i spójności obiektu. Opis tekstowy powinien wspierać, nie zastępować sensowną treść wizualną.
Rozszerzona definicja
Wyszukiwanie obrazów oparte o wektory to metoda, w której grafiki są reprezentowane jako embeddingi (embeddings) — wektory uchwytujące semantyczne znaczenie danych — a nie wyłącznie opisywane przez tekst alt czy nazwy plików1. Wyszukiwanie wizualne (visual search) pozwala podać obraz jako zapytanie i otrzymać ranking wyników według ich trafności względem tego obrazu2. Metoda ta wpisuje się w szerszy nurt multimodalnego wyszukiwania, gdzie sygnały tekstowe i wizualne mogą być łączone w jeden uśredniony embedding katalogu3.
Jak to działa
Embedding obrazu to wektor gęsty (dense embedding), którego wartości w większości są niezerowe i który pozwala zwracać podobne wyniki na podstawie podobieństwa semantycznego, a nie dopasowania słów kluczowych1. W czasie zapytania system dopasowuje embedding zapytania do sygnału złożonego z elementów katalogu; w jednym z opisanych podejść zastosowano prostą fuzję polegającą na uśrednianiu embeddingów tekstu i obrazu z katalogu3.
Możliwe jest też podejście hybrydowe (hybrid search), które łączy gęste i rzadkie embeddingi (sparse embeddings), umożliwiając jednoczesne wyszukiwanie po słowach kluczowych i po podobieństwie semantycznym4. Drugi etap przetwarzania może ograniczać wady oparcia się wyłącznie na informacji tekstowej przez post-processing oparty na semantycznej analizie pobranych obrazów — obejmuje klastrowanie, filtrowanie i ponowne porządkowanie obrazów na podstawie ich reprezentacji embeddingowych z pretrenowanych sieci neuronowych5.
Dlaczego to ważne
Google opisuje SEO obrazów jako zestaw rekomendacji pomagających grafikom pojawiać się w różnych powierzchniach wyszukiwania wizualnego, takich jak Google Images, Google Discover i obrazy w wynikach tekstowych6. Treść strony i metadane osadzonego obrazu silnie wpływają na to, jak i gdzie obraz może się pojawić w wynikach Google, a Google odczytuje temat obrazu z kontekstu strony, w tym z podpisów i tytułów obrazów7.
Przykłady
- W jednym z opisanych systemów wyszukiwania katalogowego w czasie zapytania dopasowuje się embedding zapytania do sygnału będącego średnią embeddingów tekstu i obrazu z pozycji katalogu3.
- Podejście dwuetapowe opisane w literaturze naukowej stosuje klastrowanie, filtrowanie i ponowne porządkowanie pobranych obrazów na podstawie ich reprezentacji embeddingowych z pretrenowanych sieci neuronowych5.
- Hybrid search obsługuje jednocześnie wyszukiwanie oparte na dense embeddings, sparse embeddings oraz ich kombinację4.
Częste błędy i mity
- Mit: samo uzupełnienie tekstu alt i nazwy pliku wystarczy do widoczności w wyszukiwaniu wizualnym — w rzeczywistości treść strony i metadane osadzonego obrazu mają silny wpływ na to, jak i gdzie obraz pojawia się w wynikach, a Google odczytuje temat obrazu również z podpisów i tytułów7.
- Mit: wyszukiwanie wektorowe obrazów opiera się wyłącznie na podobieństwie wizualnym — w rzeczywistości podejście hybrydowe łączy dense i sparse embeddings, umożliwiając jednoczesne wyszukiwanie po słowach kluczowych i po podobieństwie semantycznym4.
- Błąd: pomijanie etapu post-processingu — oparcie się wyłącznie na informacji tekstowej ma ograniczenia, które adresuje semantyczna analiza pobranych obrazów z użyciem embeddingów z pretrenowanych sieci neuronowych5.
- Mit: embeddingi obrazów to wektory rzadkie — w rzeczywistości dense embeddings mają zwykle wiele niezerowych wartości i reprezentują znaczenie semantyczne danych1.
Powiązane hasła
Źródła i odwołania
-
Vector Search | Gemini Enterprise Agent Platform | Google Cloud Documentation
Embedding: An embedding is a type of vector that's used to represent data in a way that captures its semantic meaning. Dense embeddings represent the semantic meaning of text, using arrays that mostly contain non-zero values. With dense embeddings, similar search results can be returned based on semantic similarity.
-
Shop by image: characterizing visual search in e-commerce
Visual search enables users to input an image as a query and retrieve a ranked list of results based on their relevance to the input image.
-
Bringing Multimodality to Amazon Visual Search System
At query time, we match the query embedding to a fused signal from catalog items. We chose a simple fusion which averages the embeddings of catalog text and image.
-
Vector Search | Gemini Enterprise Agent Platform | Google Cloud Documentation
Hybrid search uses both dense and sparse embeddings, which lets you search based on a combination of keyword search and semantic search. Vector Search supports search based on dense embeddings, sparse embeddings, and hybrid search.
-
Text-based image retrieval system using semantic visual content for re-ranking - ScienceDirect
The second stage aims to address the limitations of relying solely on text-based information by incorporating the post-processing steps based on semantic analysis of retrieved images. This stage, which is the main contribution of this paper, involves clustering, filtering and reordering the retrieved images using their embedded representations that are obtained from pretrained deep neural networks.
-
Google provides several Search features and products that help users visually discover information on the web, such as the text result images, Google Discover, and Google Images. While each feature and product looks different, the general recommendations for getting images to appear in them is the same.
-
While not immediately obvious, the content and metadata of the pages where an image is embedded can have a great influence on how and where the image may appear in Google's search results. Google extracts information about the subject matter of the image from the content of the page, including captions and image titles.
Każde zdanie powyżej odsyła do dosłownego cytatu ze źródła. Daty to daty publikacji lub pobrania źródła.
Źródła faktów
- SEO/research/types/EVIDENCE-TYPE-R8-Image-SEO-and-visual-search.md