Španělská vesnice? Naše Vyhledávání si s lokalitami poradí

Španělský ptáček v lednici

Nejprve je nutné stanovit, co je a není lokalita. Lokality jsou konkrétní adresy, ulice, obce, státy, hrady, zámky, jeskyně, hory, řeky, ledovce a mnoho dalších politických a geografických útvarů, dopravních a inženýrských staveb i bodů zájmu. Možná pro někoho bude překvapením, že lokalitou může být i poštovní směrovací číslo, studánka nebo třeba silnice.

Lokalitu bychom ale naopak nehledali ve „španělském ptáčkovi“, „kladenské pečeni“, nebo třeba „sektorovém nábytku London“, i když na první pohled se část dotazu jako lokalita může zdát.

Samostatnou kategorií jsou slova, která mění význam v závislosti na kontextu – v dotazu „jak postavit hrad z písku“ lokalitu nenajdeme, zatímco v dotazu „hrad poblíž Písku“ už ano. 

Obdobně jsou na tom i slova, která svůj význam vyjadřují velkým počátečním písmenem. „Španělský ptáček v Lednici” se pravděpodobně nenachází v chladničce potravin, ale spíš v Jihomoravském kraji. Navíc uživatelé při zadávání dotazu do vyhledávače často nepoužívají velká a malá písmena, která by nám pomohla význam rozlišit.

A pak jsou tu třeba i slova, která mají vždy velké písmeno, ale mohou mít různý význam – „kam ústí řeka Havel” lokalitu označuje, zatímco „Havel disident” a „kdy má svátek Havel” nikoliv.

Mravenčí práce anotátorů

Jakmile jsme stanovili, co je a není lokalita, a promysleli jsme, v jakých kontextech se mohou lokality nacházet a jaká úskalí to s sebou přináší, pustili jsme se do přípravy dat pro učení jazykového modelu.

V našem případě to znamenalo připravit dotazy z Vyhledávání Seznam.cz a tam, kde to bylo možné, přidat i informaci, kde se uživatel zrovna nacházel, když dotaz zadával.

Díky tomu jsme mohli rozhodnout případy lokalit, které nemají jedinečný název. Je důležité, zda uživatel, který hledá odpověď na dotaz „obecní úřad Uhřice”, právě stojí poblíž Jevíčka, Vimperku, Prčic nebo Žďánic. 

Anotátoři prošli všechny připravené dotazy a označili, zda se v nich vyskytuje lokalita, nebo ne. Například v dotazu „chata pod mravenečníkem” našli existující lokalitu ve slově „mravenečníkem” a označili lokalitu Mravenečník (1344 m) na mapě.

Od Štatlu až po Valmez

Anotovaná data jsme následně použili k natrénování jazykového modelu. Ten věděl, jak se v jednotlivých dotazech rozhodl anotátor, a naučil se rozhodovat obdobně, zohledňovat kontext i to, kde se uživatel zrovna nachází, pokud nám takovou informaci povolil zpracovat.

Obrovský přínos do detekce lokalit vnesla služba Mapy.cz, která vytváří a spravuje databázi lokalit celého světa. Z ní čerpáme GPS souřadnice, informaci, o jaký typ lokality se jedná, v jaké zemi se nachází, ale třeba také její další názvy, a to i hovorové – snadno tak poznáme, jaké město měl uživatel na mysli, když vyhledal Štatl nebo Valmez. 

S novou detekcí lokalit a všemi informacemi pracujeme napříč různými službami Seznam.cz – ve Vyhledávání, ale například také na službách Sbazar, Sauto, Volnamista.cz a v mnoha dalších. 

Kde ale můžete detekované lokality vidět vy? Například ve vyhledávání u dotazů:

• „autobus praha brno” – víme, odkud kam máme hledat autobusové spojení,
• „počasí slapy” – poznáme, pro jakou lokalitu vydat předpověď počasí,
• „aktuální leták kaufland nymburk” – najdeme správné město, ve kterém vás zajímá slevový leták,
• „jak je vysoká sněžka” – dokážeme najít správnou horu i její nadmořskou výšku.

Detekce lokalit to má spočítané

Jak vypadá detekce lokalit ve vyhledávání už víte, ale možná vás ještě zajímá, jak si vede v číslech. Na anotovaných datech můžeme vyhodnotit, zda najdeme lokalitu všude, kde ji označili anotátoři – to se nám daří téměř v 90 % případů.

Detekci lokalit stále vylepšujeme, upravujeme pro jednotlivé služby Seznam.cz a hledáme další možnosti, jak ji ještě zdokonalit. V poslední době jsme se například zaměřili na lepší detekci poštovních směrovacích čísel nebo třeba detekci lokalit v textech webových stránek.

Za tým Vyhledávání Markéta Hávová