Az elmúlt pár hétben a mesterséges intelligenciát körülvevő lelkesedés lendületet adott, az “AIO” (mesterséges hírszerzési optimalizálás) pedig az ügynökség weboldalain és blogjain élt.
HTTPS és Mobil az első Úgy tűnik, hogy témakörként hűtik, így a figyelem fordul RankBrain .
A valóság azonban az, hogy a mesterséges intelligencia optimalizálása látszólag paradox fogalom. Ha elképzeljük, hogy a Google gyermek, amikor a gyerek iskolába jár és könyveket olvas, azt szeretnénk, hogy a gyermek megtanulja és megértse az adott könyvben szereplő információkat. Ha a könyv nem “optimalizált”, hogy a gyermek tanulhasson – strukturált információ, képek, kapcsolódás, pozitív felhasználói élmény stb. – akkor a gyermek nem fogja megtanulni vagy megérteni a tartalmat.

Azt hiszem, a legtöbb SEO optimalizálhatsz rankbrain, tudják, hogyan kell csinálni a valós számok, csak ez túl egyszerű, így kitalálni valami őrült
– Gary Illyes ᕕ (ᐛ) ᕗ (@methode) Június 27, 2017
A RankBrain optimalizálása nem valami új, vagy bonyolult. A Google Gary Illyes-től június 27-én 2017-ben felugró csipog visszhangozza ezt. Tehát miért van ez a szükség arra, hogy a RankBrain-optimalizációt saját termékeivé változtassa, amikor a gyakorlatok nem újdonságok?
Ebben a bejegyzésben pontosan meg fogom vizsgálni, hogy mi a RankBrain, és nem, valamint hogy a Good SEO (a Google irányelvei által felvázolt) már létező koncepciói és gyakorlata hogyan vonatkoznak a RankBrainre.
Mi a RankBrain?
A RankBrain egy gépi tanulás egyik formáját használja, amelyet a Google a minőségi adatok (az írott tartalom) kifürkészhetetlen mennyiségeinek feldolgozására kvantitatív adatok (matematikai entitások), vektorok, amelyeket az algoritmus és más számítógépek megérthetnek.
A Google által végzett új lekérdezések 15% -a, így a RankBrain gyakori, hogy találkozik egy olyan lekérdezéssel vagy kifejezéssel, amelyet korábban nem látott. Korábban feldolgozott adatok felhasználása a vektorok és törések esetében a RankBrain úgy néz ki, hogy hasonló lekérdezésekre és hasonló jelentésekre alapozva intelligens találatot készít.
Az új lekérdezések száma 2007-ben 25% -ról csökkent, de az okostelefonok emelkedésének és a globálisan növekvő internetes penetrációnak köszönhetően az exponenciálisan nőtt a volumen.
Egyszerűen fogalmazva, RankBrain:
A felhasználói lekérdezés értelmezése
Meghatározza a keresési szándékot
Az adatbázisok eredményeit (elemeket) választja ki
Mi a gépi tanulás?
Gépi tanulás Egy számítógépes tudomány, és Arthur Samuel 1959-ben meghatározta a következőket: ” A gépi tanulásnak köszönhetően a számítógépek képesek tanulni anélkül, hogy kifejezetten programoztak volna ” . Sámuel folytatta az első kutatást ezen a téren, amely a mintafelismerési tanulmányokból és a számítástechnikai tanulási elméletből származott.
A gépi tanulás lényegében az algoritmusok kidolgozását és az adatok és a statisztikai gyakoriság alapján történő előrejelzést vizsgálja. A gépi tanulást a Rank Brain előtt számos szoftveralkalmazásban alkalmazták, beleértve a spam-e-mail szűrést, a hálózati fenyegetést és az intruder-felismerést és az optikai karakterfelismerést (OCR).
Bár ez a mesterséges intelligencia egyik formája, ez nem egy nagymértékben működő forma.
Egyesület szabálytanulása
Az ARL (társulási szabályok tanulása) a gépi tanulás egyik módja a nagy adatbázisok változói közötti kapcsolatok felfedezéséhez, előre meghatározott érdekességek mérésével.
Ezeket a szupermarketeket korábban a fogyasztói vevői viselkedés meghatározására használják, és hűségküszöböket és más képzett elterelési módszereket használnak. Például a tárolási hűség / pont kártyákon keresztül a bolt összegyűjti azokat az adatokat, amelyek elemzése során megjósolhatják a vásárlási mintákat és viselkedéseket.
Az ARL is alkalmazható az egyesületek előrejelzésére, például ha egy felhasználó sajtszeleteket és hagymát vásárol, akkor feltételezhető, hogy burger húsokat is vásárolnak. A RankBrain ezt az elvet használja intelligens keresési eredmények biztosításában, különösen, ha egy kifejezésnek több jelentése is lehet.
Ennek egy példája az angol slang kifejezés “dench”. Ha egy felhasználó a dench-et keresi, három jelentése lehet; A szleng kifejezés, egy ruhadarab, vagy a színésznő, Judi Dench. A kifejezést olyan egyének is társíthatják, mint például a profi sportoló Emmanuel Frimpong és a Lethal Bizzle rapper.
Mivel a lekérdezés kétértelmű, a Google saját keresési minőségi értékelői iránymutatásai megmagyarázzák, hogy a keresőmotor olyan sokféle változatot jelenít meg, amennyit lehetségesnek tart, hogy a felhasználók keresési szándékát a lehető legjobban kielégíthesse.
A társulási szabály tanulásának fogalma
Az ARL legfontosabb koncepciói és szabályai a Támogatás, bizalom, emelés és meggyőzés, de a RankBrain céljaira a támogatásra és a bizalomra összpontosítok.
Támogatás
Az ARL támogatása azt a mértéket jelenti, hogy a kérdéses elem milyen gyakran jelenik meg az adatbázisban. Ez nem egyezik meg a kulcsszó sűrűségével, illetve a kulcsszóváltozatok megjelenésével.
Bizalom
Az ARL bizalmának mérése azt mutatja, hogy a szabály mennyire igaz. Ez asszociatív kifejezéseken alapul, azaz ha a felhasználó “POTUS” -ot keres, akkor van egy X% esélye, hogy a Donald Trump megfelelő eredményt is kereshet vagy találhat. Megtalálhatják Barack Obama, George Bush vagy Abraham Lincoln kielégítő eredményeket is.
A bizalom gyakran összetéveszthető a valószínűségekkel, mivel a szerves keresés két alapelve meglehetősen hasonló (ha a felhasználó X-et keres, akkor Y és Z is érvényes lehet).
A RankBrain társított szabályokat használ a felhasználói minimum minimális támogatás és a felhasználó által megadott minimális bizalom kielégítéséhez egy időben, és mind a támogatás, mind a bizalom általában két különálló folyamatra bontható:
Minimális támogatási küszöböt állapítanak meg és alkalmazzák az adatbázis valamennyi gyakori elemére.
A gyakoribb tételekhez minimális bizalmi korlátozásokat kell alkalmazni, hogy szabályokat alkossanak.
Ezekkel a szabályokkal a RankBrain segítséget nyújt a Googlenak, hogy rangsorolja melyik rangsor jelek a leginkább relevánsak a felhasználói lekérdezés szempontjából, és hogyan kell ezeket a jeleket súlyozni.
RankBrain és SEO
RankBrain egy tucatnyi nyelven indult el (mint Amit Gary Illyes megerősített A Twitteren 2017 júniusában) angol és hindi között, és kizárólagos célja, hogy segítsen a Googlenak pontosabb eredményeket elérni, és általánosan jobb keresési élményt nyújtson a felhasználók számára, kielégítve lekérdezéseit.
A fő különbség a pre-és post-RankBrain világ között az, hogy az RB előtt a Google szoftvermérnökei módosítják és megváltoztatják a keresési eredményeket és rangsorolást meghatározó matematikai algoritmusokat, és ez az algoritmus állandó marad, amíg egy frissítést . A Rank Brain azonban a mag algoritmus része, és a Google minden keresést használ (2016-tól), ami azt jelenti, hogy állandó változás és ingadozás van.
Ez azt jelenti, hogy a keresési eredmények most reaktívak a valós eseményekre, valamint sokkal nagyobb volatilitás a nagy algoritmus frissítési bejelentéseken kívül.
“Optimalizálás” a RankBrain számára
Tekintve, hogy a RankBrain kölcsönhatásba lép az alapvető algoritmussal és más rangsorjelzésekkel, szükség lehet a stratégiai fókusz módosítására (különösen, ha a stratégia a backlinksra épül). De a RankBrain nem egy “klasszikus algoritmus”, mint a Panda és a Penguin.
A klasszikus algoritmusokkal tudtuk, hogyan lehet elkerülni a pingvin büntetéseket, és az iránymutatásoknak köszönhetően tudjuk, hogyan elégítsük ki a Panda-t. A RankBrain egy értelmezési modell, amelyet nem lehet kifejezetten optimalizálni. Vannak azonban olyan szabványos SEO gyakorlatok, amelyek most fontosabbak, mint valaha.

Az ajtóoldalak halottak
Az ötlet, hogy tartalmat írjon egy “fókusz kulcsszóval” és egy oldalt készít egy kulcsszó számára, elavult. A hummingbird frissítette 2013-ban, és RankBrain ezt egy lépéssel továbblépte.
Láttam ezt a gyakorlatot még számos ágazatban. Tartalmi és URL-struktúrák létrehozásakor mind a felhasználói élményt, mind a kulcsszómátrixokat fel kell használni, különös tekintettel a nagy értékű és leleményes oldalak létrehozására.
Különböző lekérdezések = különböző súlyozási tényezők
Mivel a RankBrain megváltoztatta, hogy egyes változók és rangsorolási tényezők mennyiben súlyozódnak a különböző lekérdezéseknél, ez már nem a gyakorlati megközelítés, ha egyetlen megközelítést alkalmazna a lekérdezésekkel (és lekérdezési kategóriákkal) egyaránt.
A lekérdezések, amelyek a velencei eredményeket és a térképet csomagolják az egyenletből, egyes lekérdezések nagy mennyiségű friss tartalmat, rövidebb tartalmat, hosszabb tartalmat és sok kapcsolatot igényelhetnek … A RankBrain új súlyozási modellje azt jelenti, hogy eltérésekre lesz szükség A legjobb gyakorlattól.
Belső összekötő struktúrák
A Google keresési minőségi értékelési irányelveiben tudjuk, hogy a Google a fő és a kiegészítő tartalmat az oldalak rangsorolásakor tartja számon; Ez kiterjed az URL alkönyvtárban található oldalakra és a fő tartalmakhoz kapcsolódó oldalakra.
Ez a szabvány Optimalizálja a belső összekötő struktúrákat Így a link-tulajdonjog átkerül a webhely kulcsfontosságú oldalaira (valamint a mélyebb oldalakra is), de fontos, hogy számos belső linket tartalmazzon a felhasználói élmény javítása érdekében.
Mit tart a jövő?
Amikor a RankBrain-t 2015-ben indították el, csak a lekérdezések mintegy 15% -át kezelte, de ugyanakkor 2016-ra nőtt a Google bizalma az algoritmusban, és a RankBrain minden kérdésre laza volt. Ez lesz egy fokozatos bevezetés és számos változásért felelős, akiket 2016-ban láttunk.
Mivel RankBrain megtudja a munkát, csak jobb lesz a megértéshez szemantikus És a fogalmak, valamint a témák és lekérdezések közötti kapcsolatok. Ez előnyös lesz hang Keresés A találatok pontosságát, valamint a hagyományos keresési eredményoldalakat és a mostani kártyákat.
Összefoglalva
Összefoglalva, a SEO közösség számos vezető szereplője (köztük Gary Illyes és Rand Fishkin) különböző módon jött ki, kiemelve, hogy a RankBrain nem olyan, ami nem kifejezetten optimalizálható.
Ezt mondják, fontos megérteni, hogy a RankBrain-algoritmus hogyan működik, hogy megértsük a (vagy az ügyfeled) függőleges rangsérthetőségét.

Szeretne maradni a legújabb keresési trendek tetején? A legfrissebb információkat és híreket a keresési szakértőktől kaphat.

Kapcsolódó olvasmány

Az ügyfelek véleménye fontos mind a keresési rangsorban, mind a teljes márkajelzésben, de nem minden ügyfél visszajelzése pozitív. Az alábbiakban hogyan kezelheti a negatív véleményeket oly módon, hogy megőrzi hírnevét, és boldoggá teszi az ügyfelet.

A legtöbb internetes oldal egy bizonyos szakaszban bővíteni fog, és ennek egyik leggyakoribb módja … Olvass tovább

Ha jobban szeretne rangsorolni és több forgalmat szerezni, akkor többet kell gondolnia, mint hogy optimalizálja webhelyét. Számos lehetőség létezik ott az “off-page SEO” -on – a SEO máshol az interneten, és még offline módon is. Itt van az indítás.

A Google kiemelt kódrészletei csodálatos lehetőséget jelentenek a marketingesek számára, hogy a versenytársak fölé emelkedjenek az első oldalon, növeljék az oldalnézeteket és növeljék a konverziókat. … Olvass tovább

Ha tetszett, kérlek oszd meg barátaiddal!