احتمالاً انتخاب تصاویری که در یک مجموعه از نتایج جستجوی تصویر به کاربر نمایش داده می شوند، می تواند بر اساس برچسب های جستجوی تصویری (Image Search Labels) که به آن ها مرتبط شده اند، کاملاً معنایی و هدفمند باشد.
در این روزها که بازار «گراف دانش» (Knowledge Graphs) و «موجودیت ها» (Entities) بسیار داغ است، شاهد این هستیم که موتور جستجوی گوگل به سمت استفاده از اطلاعات مربوط به موجودیت ها برای قدرت بخشیدن به جستجوهای خود حرکت می کند؛ این موضوع نه تنها در مورد جستجوی متنی، بلکه در جستجوی تصاویر نیز کاملاً صدق می کند. (در دنیای سئوی مدرن، گوگل دیگر به کلمات کلیدی صرف نگاه نمی کند، بلکه مفاهیم و ارتباط بین آن ها را درک می کند. ما در تیم سئو و دیجیتال مارکتینگ دانش وب همیشه به مشتریان خود یادآور می شویم که برای موفقیت در نتایج، باید محتوای خود را مبتنی بر همین موجودیت ها و مفاهیم خلق کنند).
ما می توانیم درباره این موضوع در پست های وبلاگ رسمی گوگل و همچنین در پتنت های (اختراعات ثبت شده) این غول جستجو بیشتر بخوانیم. یکی از این پتنت ها اخیراً به روزرسانی شده است و بررسی تغییرات اعمال شده در آن، ارزش بسیار بالایی برای متخصصان سئو دارد.
من با خودم فکر می کردم که واقعاً چقدر می توانیم از ارتباطی که گوگل بین موجودیت ها و تصاویر برقرار می کند، مفاهیم و معانی جدید استخراج کنیم؟
هنگامی که در حال نوشتن این مقاله بودم و چند جستجوی تصویر انجام دادم، متوجه شدم که معنای بسیار زیادی و همچنین تاریخچه ای غنی در برچسب های انتخاب شده برای جستجوی تصاویر نهفته است.
به اعتقاد من، با در نظر گرفتن این هدف (درک مفهوم و نیت کاربر)، تغییرات ایجاد شده در این پتنت کاملاً منطقی و قابل درک است. من در ادامه این پست، نمونه هایی از این برچسب ها را آورده ام تا منظورم را بهتر متوجه شوید.
در ۱۲ ژوئن ۲۰۱۳، شخصی به نام «چاک روزنبرگ» (Chuck Rosenberg) مقاله ای در وبلاگ گوگل با عنوان «بهبود جستجوی عکس: گامی برای عبور از شکاف معنایی» منتشر کرد.
در آن پست، او به عنوان یکی از اعضای تیم جستجوی تصویر گوگل معرفی شده بود. همچنین احتمالاً او به این دلیل برای نوشتن این پست انتخاب شده بود که نامش در یک پتنت تمدید و به روزرسانی شده از سوی گوگل، که حوزه های مشابهی را پوشش می دهد، به چشم می خورد.
به ندرت پیش می آید که ما یک مقاله تحقیقاتی یا یک پست وبلاگ را در اختیار داشته باشیم تا بتوانیم آن را با یک پتنت ثبت شده مقایسه و بررسی کنیم؛ بنابراین پیشنهاد می کنم ابتدا آن پست وبلاگ گوگل را مطالعه کنید و سپس دوباره به خواندن این مقاله ادامه دهید.
من از این بخشِ پست وبلاگ گوگل بسیار لذت بردم که در آن، درباره استفاده از شناسه های ماشینی مبتنی بر سیستم Freebase برای شناسایی موجودیت های موجود در تصاویر صحبت می کنند. این پست به ما می گوید:
«همانند سیستم ImageNet، کلاس ها (دسته بندی ها) در اینجا رشته های متنی ساده نبودند، بلکه موجودیت ها (Entities) هستند. ما در پروژه خود از موجودیت های Freebase استفاده کردیم که پایه و اساس «گراف دانش» مورد استفاده در جستجوی گوگل را تشکیل می دهند. یک موجودیت، روشی برای شناسایی منحصربه فردِ یک چیز، کاملاً مستقل از زبان است. در زبان انگلیسی وقتی با کلمه “jaguar” روبرو می شویم، بسیار سخت است که تشخیص دهیم منظور نویسنده حیوان پلنگ است یا شرکت خودروسازی جگوار! موجودیت ها با اختصاص یک شناسه (ID) منحصربه فرد به هر کدام، این ابهام را از بین می برند؛ در این حالت شناسه “/m/0449p” برای حیوان و شناسه “/m/012×34” برای خودروساز استفاده می شود. برای آموزش بهتر طبقه بندی کننده های هوش مصنوعی، ما از تصاویر آموزشی بیشتری برای هر کلاس نسبت به ImageNet استفاده کردیم (۵۰۰۰ در برابر ۱۰۰۰ تصویر). از آنجا که می خواستیم تنها برچسب هایی با دقت بسیار بالا ارائه دهیم، کلاس های خود را از مجموعه اولیه ۲۰۰۰ تایی به دقیق ترین ۱۱۰۰ کلاس برای زمان راه اندازی محدود و بهینه سازی کردیم.»
نسخه جدید این پتنت به شرح زیر است:
- عنوان: سیستم و روش برای مرتبط کردن تصاویر با موجودیت های معنایی (System and method for associating images with semantic entities)
- مخترعان: ماکس اووسجانیکوف، یوان لی، هارتویگ آدام و چارلز جوزف روزنبرگ
- صاحب امتیاز: شرکت Google LLC
- شماره پتنت آمریکا: 10,268,703
- تاریخ تایید: ۲۳ آوریل ۲۰۱۹
- تاریخ ثبت اولیه: ۸ دسامبر ۲۰۱۶
چکیده پتنت
یک سیستم و روش پیاده سازی شده توسط رایانه برای ارتباط دادن تصاویر با موجودیت های معنایی و ارائه نتایج جستجو با استفاده از این موجودیت ها. یک پایگاه داده تصویر شامل یک یا چند تصویر منبع (Source Image) است که با یک یا چند برچسب تصویری در ارتباط هستند. یک رایانه ممکن است یک یا چند سند ایجاد کند که حاوی برچسب های مرتبط با هر تصویر باشند. سیستم می تواند روی این اسناد تحلیل هایی انجام دهد تا تصاویر منبع را با موجودیت های معنایی مرتبط کند. در ادامه، این موجودیت های معنایی ممکن است برای ارائه نتایج جستجو استفاده شوند. در پاسخ به دریافت یک تصویر هدف به عنوان عبارت جستجو (Search Query)، تصویر هدف ممکن است با تصاویر منبع مقایسه شود تا تصاویر مشابه شناسایی شوند. سپس از موجودیت های معنایی مرتبط با این تصاویرِ مشابه، برای تعیین یک موجودیت معنایی دقیق برای تصویر هدف استفاده می شود. در نهایت، موجودیت معنایی تصویر هدف می تواند برای ارائه نتایج جستجوی مرتبط با جستجوی آغاز شده، مورد استفاده قرار گیرد. (این دقیقاً همان فرایندی است که در پروژه های پیشرفته طراحی سایت در دانش وب برای بهینه سازی ساختار تصاویر و سئوی تکنیکال استفاده می کنیم تا گوگل بتواند تصاویر محصولات و خدمات شما را در جایگاه های برتر جستجوی تصویری نمایش دهد).
نسخه قبلی این پتنت، که نسخه جدید به عنوان ادامه و تکمیل کننده آن معرفی شده است، در تاریخ ۱۶ ژانویه ۲۰۱۳ ثبت شده بود و دقیقاً همین عنوان را داشت: «سیستم و روش برای مرتبط کردن تصاویر با موجودیت های معنایی».

مقایسه بصری دوران قدیم (چپ) که کلمه “Jaguar” مبهم بود، با دوران جدید (راست) که سیستم با شناسه های معنایی بین حیوان و خودرو تمایز قائل می شود.
مقایسه ادعاهای پتنت (Comparing the Claims)
در پتنت های تمدید شده (Continuation Patents)، معمولاً بدنه اصلی متن و عنوان ثابت باقی می مانند، اما «ادعاها» (Claims) از نسخه ای به نسخه دیگر متفاوت هستند.
همیشه ارزشش را دارد که این دو نسخه را با هم مقایسه کنیم تا ببینیم چه چیزی تغییر کرده است. ادعاهای مطرح شده در یک پتنت، دقیقاً همان مواردی هستند که بازرس سازمان ثبت اختراعات و علائم تجاری آمریکا (USPTO) هنگام تصمیم گیری برای اعطای حق اختراع به آن ها نگاه می کند.
اولین ادعای اصلی از نسخه ثبت شده در سال ۲۰۱۳ به ما می گوید:
۱. یک روش پیاده سازی شده توسط رایانه شامل: دریافت یک تصویر ورودی به عنوان درخواست جستجو با استفاده از یک یا چند دستگاه پردازشی؛ تعیین تصاویر مرجعی که به عنوان منطبق با تصویر ورودی شناسایی می شوند، به طوری که هر تصویر مرجع حداقل با یک موجودیت شامل اطلاعات متنی مرتبط با آن تصویر پیوند دارد؛ انتخاب یک یا چند موجودیت خاص از میان چندین موجودیت مرتبط با تصاویر مرجع برای ارتباط با تصویر ورودی؛ شناسایی یک موجودیت خاص بر اساس تعداد تصاویر مرجعی که با اطلاعات متنی آن موجودیت هم خوانی دارند (به طوری که اطلاعات متنی به گونه ای پیکربندی شده باشد که از سایر موجودیت های دارای متن مشترک ابهام زدایی کند)؛ و در نهایت ذخیره داده هایی که تصویر ورودی را با موجودیت خاص شناسایی شده مرتبط می کند.
اما اولین ادعا از نسخه جدیدترِ پتنت کمی متفاوت است:
۱. روشی برای مرتبط کردن تصاویر منبع با موجودیت های معنایی و ارائه نتایج جستجو، این روش شامل: مرتبط کردن برچسب ها به مجموعه ای از تصاویر منبع، بر اساس فرکانس و تعداد دفعاتی که آن تصویر منبع در نتایج جستجو برای یک رشته متنی خاص ظاهر می شود؛ شناسایی برچسب های اضافی برای یک تصویر خاص بر اساس مقایسه بین ویژگی های آن تصویر با سایر تصاویر منبع؛ مرتبط کردن برچسب های اضافی با آن تصویر خاص؛ تولید سندی که نمایانگر آن تصویر خاص با استفاده از برچسب های مرتبط با موجودیت معنایی است؛ و در نهایت تحلیل سند توسط دستگاه های پردازشی برای شناسایی یک یا چند موجودیت معنایی برای هر یک از تصاویر خاص، که در آن هر موجودیت معنایی، یک مفهوم را با یک هستی شناسی (Ontology) خاص تعریف می کند.
من قصد ندارم ساختار فنی پتنت ها را به طور کامل بشکافم، به خصوص که آن پست وبلاگ به شکل بسیار خوبی ایده های پشت این ارتباطات معنایی در جستجوی تصویر را بیان کرده است. اما فکر می کنم مشاهده تغییرات از نسخه اولیه به نسخه ای که اخیراً تایید شده، بسیار جذاب است.
ما شاهد ظهور رویکردها و ایده های جدیدی در نسخه به روزرسانی شده ی ادعای اول هستیم:
برچسب های تصاویر ممکن است با رشته های متنی (کلمات کلیدی) که در نتایج جستجو ظاهر می شوند، گره بخورند.
هر موجودیت معنایی، یک مفهوم را در قالب یک هستی شناسی (Ontology) خاص تعریف می کند.
وقتی من در گوگل کلمه «جورج واشنگتن» (George Washington) را به صورت تصویری جستجو می کنم، در بالای نتایج جستجو، یک گردونه (Carousel) از موضوعات مرتبط با این تصاویر مشاهده می کنم. به نظر می رسد این برچسب ها دقیقاً همان مفاهیمی هستند که با یک «هستی شناسی خاص» توصیف شده اند.
برای درک بهتر، فرض کنید عبارت “طراحی سایت” را جستجو می کنید. گوگل در بالای تصاویر، برچسب هایی مانند “فروشگاهی”، “شرکتی”، “وردپرس”، “کدنویسی” و “UI/UX” را پیشنهاد می دهد. گوگل با استفاده از هوش مصنوعی می فهمد که این کلمات صرفاً رشته متنی نیستند، بلکه مفاهیم و موجودیت هایی هستند که با ماهیتِ «خدمات طراحی سایت» پیوند معنایی دارند.

نمایی از رابط کاربری گوگل که در آن برای جستجوی “جورج واشنگتن”، برچسب های متنوعی مانند پرتره، نقاشی، رئیس جمهور و ماونت ورنون به عنوان مفاهیم مرتبط پیشنهاد شده اند.
برچسب های جستجوی تصویر (Image Search Labels)
با سازماندهی تصاویر بر اساس موجودیت هایی که ممکن است شناسایی کنند، و سپس ارائه برچسب هایی که مفاهیمی از یک هستی شناسی خاص را معرفی می کنند، متوجه می شویم که تصاویر به صورت کاملاً «معنایی» در حال سازماندهی هستند.
برخی از برچسب های جستجوی تصویر که با جستجوی کلمه «جورج واشنگتن» ظاهر می شوند عبارتند از:
- نقاشی (painting)
- رئیس جمهور (president)
- پرتره (Portrait)
- ماونت ورنون / نام ملک شخصی وی (mount vernon)
- نقل قول ها (quotes)
- گیلبرت استوارت / نقاش معروف (Gilbert Stewart)
- همیلتون (Hamilton)
- انقلاب آمریکا (American Revolution)
- خطابه ی خداحافظی (farewell address)
- نبرد (battle)
- الکساندر همیلتون (Alexander Hamilton)
- خانواده (family)
- کارتون (Cartoon)
- آبراهام لینکلن (Abraham Lincoln)
- نمودار ون (venn diagram)
- کلیپ آرت (Clip art)
- روز رئیس جمهور (President’s day)
- بهشت (heaven)
- سیلوئت / ضد نور (Silhouette)
- رنگ آمیزی (coloring)
- عروج (apotheosis)
- انیمیشن (animated)
- توماس جفرسون (Thomas Jefferson)
این برچسب ها ترکیبی از انواع مختلف تصاویر، رویدادهای زندگی جورج واشنگتن، مکان های مرتبط با او و افرادی را که در تصاویر همراه او دیده می شوند، پوشش می دهند. کاملاً ممکن است که این برچسب ها به رشته های متنی (کلماتی) مرتبط باشند که نتایج جستجو را برای جورج واشنگتن تولید می کنند.
حال اگر در بخش تصاویر نام «دونالد ترامپ» (Donald Trump) را جستجو کنید، برچسب های بسیار متفاوتی نسبت به جورج واشنگتن خواهید دید، از جمله برچسبی برای شبکه اجتماعی «توییتر» (Twitter)!
همین اتفاق برای جستجوی نام «جان اف. کندی» (John F. Kennedy) نیز رخ می دهد و برچسب های مختص به او نمایش داده می شود.
در واقع، با جستجوی رؤسای جمهور مختلف و مشاهده برچسب هایی که برای هر کدام انتخاب شده اند، انگار در حال گذراندن یک کلاس تاریخ هستیم! این موضوع برای من دقیقاً تحقق همان ایده «مرتبط کردن تصاویر با موجودیت های معنایی» است که گوگل در پتنت خود به آن اشاره کرده بود.
نتیجه گیری
این مقاله به روشنی نشان می دهد که دوران آپلود ساده ی یک عکس و استفاده از تگ Alt ابتدایی به سر آمده است. موتورهای جستجو مانند گوگل، دیگر به عکس ها صرفاً به چشم مجموعه ای از پیکسل ها نگاه نمی کنند؛ بلکه آن ها را به عنوان «موجودیت های معنایی» می شناسند که باید با محتوای متنی، برند شما، و مفاهیم پیرامون کسب وکارتان ارتباط شبکه ای (Ontology) داشته باشند.
اگر دارای وب سایت هستید، برای پیروزی در سئوی تصاویر، باید از تصاویر کاملاً مرتبط، شفاف، و با کانتکست (Context) غنی استفاده کنید. ما در دانش وب با درک عمیق از این پتنت های گوگل، خدمات سئو، تولید محتوا و طراحی سایت را به گونه ای یکپارچه به مشتریان خود ارائه می دهیم که تمامی اجزای سایت، از جمله تصاویر، با استفاده از داده های ساختاریافته (Schema) و سئوی معنایی به صورت هدفمند در گراف دانش گوگل ثبت شوند تا بالاترین میزان ترافیک هدفمند را برای کسب وکار شما به ارمغان بیاورند.