マルチモーダルAI検索:画像+テキストの組み合わせとレストラン

ユーザーがPerplexity Pro Visionに写真をアップロードし「イスタンブールで似た料理を出すレストラン」と入力します。2026年以降、ChatGPT-4 Vision、Claude 3 Opus、Gemini Ultraはこうした画像+テキストのクエリを一度に処理します。正しいメタデータを持つレストランは引用される頻度が格段に増えます。

3層のメタデータ

単一のシグナルではマルチモーダルモデルには足りません。thMenuがメニュー画像に3層を追加したところ、マルチモーダルAI引用率が62%上昇しました。構造化層は「これは何か」、意味層は「なぜ重要か」、類似層は「何に似ているか」を伝えます。

• Schema.org ImageObject:caption、contentUrl、description、aboutを記述。
• 意味的alt-text:「料理写真」ではなく「焼きナスのヨーグルトとザクロ添え — 380 kcal」。
• 視覚類似メタデータ:地域料理分類でタグ付け。

Perplexity Pro Visionの実例

ユーザーがフムスをアップロードしイスタンブールで軽めの版を求めました。Perplexityは4店を引用し、うち3店がthMenuで3層を備えていました。4店目は汎用alt-textのみで画像プレビューなしで末尾に。

画像の発見性は独立したランキング面になりました。無視すれば視覚トラフィックを失います。

導入手順

thMenu管理画面で各商品に「AI画像説明」欄があります。自動入力で下書きを作り手動で確認。Schema.orgは自動埋め込み、AVIF + WebPはCloudflare Workerで配信されます。

視覚類似は地域料理分類に基づき、タグが製品埋め込みをベクトル空間で近づけます。

よくある質問

マルチモーダルAI検索とは? 画像とテキストを同時処理する検索 — Perplexity Pro Vision、Gemini Ultra。

alt-textを手書きしますか? いいえ、thMenuが下書きを生成。料理タグは手動で確認を。

類似メタデータの仕組みは? 分類タグが製品埋め込みをベクトル空間で近づけます。

お役に立ちましたか?シェアしてください。