Понимание основных систем актуальности Google и их влияния на стратегии SEO
Актуальность относительно алгоритмов ранжирования в поиске стала интересной для SEO после того, как недавний подкаст Google Search Off The Record упомянул о существовании основных систем актуальности как части алгоритмов ранжирования, так что может быть полезным подумать о том, какими могут быть эти системы. и что это означает для SEO.
Может быть частью этих основных систем актуальности, но можно заключить, что это за системы. Документация Google для их коммерческого облачного поиска предлагает определение актуальности, которое, хотя оно не в контексте их собственной поисковой системы, дает полезное представление о том, что Google может иметь в виду, когда речь идет об основных системах актуальности. .
Вот как облачная документация определяет актуальность:
“Актуальность означает релевантность результата поиска оригинальным терминам запроса.”
Это хорошее объяснение связи веб-страниц с поисковыми запросами в контексте результатов поиска. Нет причин усложнять это.
Как достичь релевантности?
Отправная точка для понимания того, что может быть компонентом систем актуальности Google&rsquo, состоит в том, чтобы начать с того, как поисковики понимают поисковые запросы и представляют темы в документах веб-страницы.< /p>
- Понимание поисковых запросов
- Понимание тем
Понимание поисковых запросов
Понимание того, что имеют в виду пользователи, можно сказать, что означает понимание интересующей темы пользователя. Существует таксономическая особенность того, как люди ищут, что пользователь поисковой системы может использовать неоднозначный запрос, когда они действительно означают что-то более конкретное.
Первой системой искусственного интеллекта, которую развернул Google, была RankBrain, которая была применена для лучшего понимания концепций, свойственных поисковым запросам. Слово «концепция» шире слова «тема», поскольку концепты являются абстрактными представлениями. Система, понимающая понятие в поисковых запросах, может помочь поисковой системе вернуть соответствующие результаты на правильную тему.
Google объяснил работу RankBrain так:
“RankBrain помогает нам находить информацию, которую мы раньше не могли’понимать шире, как слова в поиске связаны с понятиями реального мира. Например, если вы ищете “как’название потребителя на самом высоком уровне пищевой цепи,” Наши системы узнают, видя эти слова на разных страницах, что концепция пищевой цепи может иметь отношение к животным, а не к людям-потребителям. Понимая эти слова и сопоставляя их со связанными понятиями, RankBrain понимает, что вы ищете то, что обычно называют «верхушечным хищником». 60~/blockquote>
BERT — это модель глубокого обучения, которая помогает Google понять контекст слов в запросах, чтобы лучше понять общую тему текста.
Понимание тем
Я не думаю, что современные поисковые системы больше используют тематическое моделирование из-за глубокого обучения и ИИ. Однако техника статистического моделирования под названием «Тематическое моделирование» ранее использовалась поисковиками, чтобы понять, о чем идет речь на веб-странице, и сопоставить ее с поисковыми запросами. Latent Dirichlet Allocation (LDA) была прорывной технологией примерно в середине 2000-х годов, которая помогла поисковым системам понять темы.
Приблизительно в 2015 году исследователи опубликовали статьи о нейронно-вариационной модели документа (NVDM), которая была еще более мощным способом представления основных тем документов.
Одна из новейших исследовательских статей называется Beyond Yes and No. Эта исследовательская статья посвящена улучшению использования больших языковых моделей для ранжирования веб-страниц, процесса подсчета релевантности. Это предполагает выход за пределы двоичного рейтинга «да» или «нет» к более точному способу использования меток вроде “Очень релевантный”, “Несколько релевантный” и “Не актуально”
Эта исследовательская статья отмечает:
“Мы предлагаем включить подробные метки релевантности в подсказку для ранжировщиков LLM, что позволит им лучше дифференцировать документы с разными уровнями релевантности для запроса и таким образом получить более точный рейтинг.”
< /blockquote>
Избегайте редукционистского мышления
Поисковые системы выходят за пределы поиска информации и (в течение длительного времени) двигаются в направлении ответов на вопросы, ситуация, которая ускорилась в последние годы и месяцы. Это было предусмотрено в статье 2001 года под названием Переосмысление поиска: создание экспертов в области дилетантов, где они предложили полное участие в возвращении ответов на человеческом уровне.
Начало статьи:
<цитата>
“Ощущая потребность в информации, пользователи хотят общаться с экспертом в домене, но часто обращаются к системе поиска информации, такой как поисковая система. Классические информационно-поисковые системы не отвечают непосредственно на информационные потребности, а предоставляют ссылку на (надеемся, авторитетные) ответы. Успешные системы ответов на вопросы предлагают ограниченный корпус, созданный по требованию экспертов-людей, не являющийся ни своевременным, ни масштабируемым. Предварительно обученные языковые модели, наоборот, способны непосредственно генерировать прозу, которая может соответствовать информационной потребности, но они являются дилетантами, а не экспертами в области – они не имеют подлинного понимания мира”
Основной вывод состоит в том, что применять редукционистское мышление до того, как Google ранжирует веб-страницы, делая что-то вроде чрезмерного ударения на ключевых словах, элементах заголовков и заголовках, обречено на провал. Технологии, лежащие в основе, быстро продвигаются к пониманию мира, поэтому, если думать об основных системах актуальности, полезно поместить это в контекст, который выходит за рамки традиционного “классического” информационно-поисковые системы.
Методы, которые Google использует для понимания тем на веб-страницах, соответствующих поисковым запросам, становятся все сложнее, поэтому следует ознакомиться со способами, которыми Google делал это в прошлом, и как они могут быть делая это в настоящем.