Как LinkedIn barnstorm захватила поисковую систему Google с помощью ИИ, машинного обучения и экспертов-людей
Совместные статьи LinkedIn&rsquo достигли отметки в 10 миллионов страниц экспертного содержимого за один год. Еженедельная читательская аудитория проекта Collaborative Articles существенно выросла, с сентября 2023 года она выросла более чем на 270%. То, как они достигли этих вех и планируют добиться еще больших результатов, дает ценные уроки для создания стратегии SEO, использующей ИИ вместе с человеческим опытом.
Почему работают общие статьи
Интуиция, лежащая в основе проекта Collaborative Articles, заключается в том, что люди обращаются в Интернет, чтобы понять предметные темы, но то, что есть в Интернете, не всегда является лучшей информацией от настоящих экспертов в этой отрасли.< /p>
Человек обычно ищет в Google и, возможно, попадает на такой сайт, как Reddit, и читает публикуемое, но нет уверенности, что информация поступила от специалиста по определенной теме или просто от человека с наибольшей популярностью в социальных сетях. Откуда человек, не являющийся специалистом в теме, знает, что публикация незнакомого человека является надежной и экспертной~~~~~~~~~~~~~
Решение проблемы заключалось в том, чтобы привлечь экспертов LinkedIn к созданию статей на темы, в которых они являются специалистами. Страницы оцениваются в Google, и это превращается в выгоду для эксперта по предмету, который в очередь побуждает эксперта к написанию большего содержимого.
Как LinkedIn создал 10 миллионов страниц экспертного содержимого
LinkedIn определяет экспертов по предметной теме и связывается с ними, чтобы написать эссе на эту тему. Темы эссе генерируются программой “разговора” инструмент, разработанный редакционной командой LinkedIn. Затем эти темы разговоров сопоставляются с экспертами по предметам, определенным LinkedIn’s Skills Graph.
График навыков LinkedIn отображает членов LinkedIn в соответствии с предметными знаниями с помощью структуры под названием Structured Skills, которая использует модели машинного обучения и обработку естественного языка для определения связанных навыков, кроме того, что определяют сами участники.
Отображение использует навыки участников’ профили, должностные инструкции и другие текстовые данные на платформе как отправная точка, с которой они используют искусственный интеллект, машинное обучение и обработку естественного языка, чтобы расширить дополнительные предметные знания, которые могут иметь участники.
Документация Skills Graph объясняет:
“Если участник знает об искусственных нейронных сетях, он знает что-то о глубоком обучении, что означает, что он знает что-то о машинном обучении.
…наше машинное обучение и искусственный интеллект анализируют огромные массивы данных и предлагают новые навыки и связи между ними.
…В сочетании с обработкой естественного языка мы извлекаем навыки из многих различных типов текста – с высокой степенью уверенности – чтобы убедиться, что мы имеем высокий охват и высокую точность, когда мы отображаем навыки для наших участников”
Опыт, экспертиза, авторитетность и надежность
Основная стратегия проекта LinkedIn&rsquo Collaborative Articles является гениальной, поскольку ее результатом являются миллионы страниц высококачественного содержимого от экспертов по разным темам. Возможно, поэтому страницы LinkedIn&rsquo стали все более заметными в поиске Google.
LinkedIn сейчас улучшает свой проект Collaborative Articles с помощью функций, которые еще больше улучшают качество страниц.< /p>
- Развитие того, как задают вопросы:
Сейчас LinkedIn представляет сценарии для экспертов по предметным вопросам, на которые они могут ответить эссе, касающиеся тем и вопросов реального мира. - Новая бесполезная кнопка:
Теперь есть кнопка, с помощью которой читатели могут сообщить LinkedIn о том, что определенное эссе не полезно. С точки зрения SEO очень интересно, что LinkedIn обрамляет кнопку «не нравится» из-за парадигмы полезности. - Улучшенные алгоритмы сопоставления тем
LinkedIn улучшил способ сопоставления пользователей с темами с помощью того, что они называют “Вставка на основе поиска для улучшенного сопоставления” который был создан для рассмотрения отзывов от участников о качестве темы для соответствия участников.
LinkedIn объясняет:
<цитата>
“Основываясь на отзывах наших участников через наши механизмы оценивания, мы сосредоточили наши усилия на возможностях сопоставления статей и экспертов-членов. Одним из новых методов, используемых нами, является поиск на основе встраивания (EBR). Этот метод генерирует встраивание как для участников, так и для статей в одном семантическом пространстве и использует приблизительный поиск ближайшего соседа в этом пространстве, чтобы создать лучшие совпадения статей для участников. blockquote >
Самые популярные выводы для SEO
Проект LinkedIn’s Collaborative Articles является одним из лучших стратегических проектов по созданию контента за последнее время. Что делает его не просто гениальным, а революционным, так это то, что он использует искусственный интеллект и технологию машинного обучения вместе с человеческим опытом для создания экспертного и полезного контента, который нравится читателям и которому можно доверять.
LinkedIn теперь использует сигналы взаимодействия с пользователем, чтобы улучшить качество экспертов по предметной тематике, которых приглашают для создания статей, а также для выявления статей, не отвечающих потребностям пользователей.
Преимущества создания статей заключаются в том, что высококачественные эксперты по тематике продвигаются каждый раз, когда их статья занимает позицию в Google, которая предлагает каждому, кто рекламирует услугу, продукт или ищет клиентов или последующую работу, возможность продемонстрировать свои навыки , опыт и авторитет.