blogger如何搜索引擎优化(搜索引擎如何使用机器学习?它将如何影响SEO?(图))
优采云 发布时间: 2021-10-25 20:12blogger如何搜索引擎优化(搜索引擎如何使用机器学习?它将如何影响SEO?(图))
当我们在 2010 年初第一次听说机器学习时,可能会觉得很可怕。
但是当我们意识到技术已经被用来为我们提供解决方案时,我们开始着手解决实际问题:
——搜索引擎如何使用机器学习?
— 它将如何影响 SEO?
机器学习本质上是利用算法根据历史数据计算特定事物的趋势、价值或其他特征。
谷歌甚至声称自己是一家机器学习公司。
如果你想更多地了解这项技术的战术方面,Eric Enge 在 Moz 上写了一篇优秀的 文章,从数学角度解释了机器学习如何影响 SEO。
搜索引擎总是喜欢尝试如何使用这种不断发展的技术,但我们知道他们目前使用机器学习的九种方式,以及它与 SEO 或数字营销的关系。
1. 模式检测
搜索引擎正在使用机器学习模式检测来帮助识别垃圾邮件或重复内容。他们插入了低质量内容的共同属性,例如:
- 有几个指向不相关页面的出站链接。
- 使用大量停用词或同义词。
- 其他此类变量。
能够检测到这些模式大大减少了人力投资。
尽管仍然有高质量的评估者,但机器学习已经帮助谷歌自动过滤页面以消除低质量的页面,而无需人们先查看它。
机器学习是一项不断发展的技术,因此分析的页面越多,它(理论上)就越准确。
2.识别新信号
根据谷歌 Gary Illyes 2016 年的播客,RankBrain 不仅可以帮助识别查询模式,还可以帮助搜索引擎识别可能的新排名信号。
这些信号受到追捧,因此 Google 可以继续提高搜索查询结果的质量。
Illyes 在播客中还提到,更多来自谷歌的信号可能会成为基于机器学习的信号。
由于搜索引擎可以教授技术如何独立运行预测和数据,因此可以减少手工劳动,员工可以转向其他机器无法完成的事情,例如创新或以人为中心的项目。
3. 作为一小部分加权
然而,尽管机器学习正在慢慢改变搜索引擎查找和排名 网站 的方式,但这并不意味着它对我们的 SERP 有重大影响(目前)。
在同一个播客采访中,Illyes 表示这只是他们整体排名信号平台的一部分,并且作为整体算法的一小部分被加权。
谷歌的最终目标是利用技术为用户提供更好的体验。他们不想自动化整个过程,否则就意味着用户没有他们想要的体验。
所以,不要认为机器学习会很快取代所有的搜索排名;它只是搜索引擎实现的一小部分,它希望让我们的生活更轻松。
4.基于特定查询的自定义信号
根据华盛顿大学 2017 年 7 月的一项研究,搜索引擎中的机器学习可能会因查询类别或措辞而异。
研究人员使用*敏*感*词*搜索引擎 Yandex 来分析不同的搜索结果。他们发现显示的结果类型主要取决于查询类别或措辞。
这意味着机器学习可以在某些查询中更加重视变量。
总体而言,通过机器学习定制的个性化搜索将结果的点击率 (CTR) 提高了 10%。
随着用户在 Yandex 上输入更多查询,他们发现 CTR 不断增加。
这可能是因为搜索引擎正在“学习”特定用户的偏好,并可以根据过去的查询提供最有趣的信息。
会议演示中经常使用的一个示例是查询中的查询字符串以及结果如何根据上次搜索的内容而变化。
例如,如果我在隐身浏览器中搜索“纽约足球场”,我得到的答案是“大都会人寿体育场”。
接下来,如果我在同一个浏览器中搜索“jet”,Google 会假设因为我的最后一个查询是关于足球场的,那么这个查询也是关于足球的。
当我继续搜索时,谷歌知道我什么时候变成了别的东西。
在同一浏览器中搜索“Jaguar”将显示有关 NFL 球队 Jacksonville Jaguars 的信息(与我最近的两次搜索相关)。
但是,我正在搜索“圣地亚哥附近的动物园”的实例,然后我开始在查询框中键入“动物园”。谷歌建议“Jaguar Zoo”,虽然我没有再次搜索jaguar。
搜索历史只是机器学习用来提供更好结果的搜索体验的一个组成部分。
5.图片搜索了解照片
早在2013年,就有报道称Flickr用户每天上传140万张照片,4000万张照片上传到Instagram,Facebook用户上传3.5亿张照片。
尽管这些统计数据可能有所上升(很难找到更多最近的数据),但它显示了每天需要在网络上进行分类和分析的照片数量。
这项任务非常适合机器学习,因为它可以分析颜色和形状模式,并将它们与任何现有的关于照片的模式数据配对,以帮助搜索引擎了解图像的实际内容。
这就是谷歌不仅可以为谷歌图片搜索结果提供目录图片,还可以提供一个功能,让用户可以通过照片文件进行搜索(而不是文本查询)。
然后,用户可以在线查找照片的其他实例,以及照片中具有相同主题或颜色的照片,以及照片中主题的信息,就像经典圣诞电影的例子一样:
用户与这些结果交互的方式可以在未来塑造他们的 SERP。
6. 识别搜索查询中单词之间的相似性
机器学习不仅可以使用查询数据来识别和个性化用户的后续查询,还有助于创建数据模式以形成其他用户的搜索结果。
谷歌趋势就是一个很好的正面例子。一个短语或单词一开始没有任何意义(例如:“planking”或“it's lit”)可能会产生毫无意义的搜索结果。
但是,随着时间的推移,它的措辞越来越多,机器学习可以显示更准确的信息。
随着语言的发展和变化,机器可以更好地预测我们所说的话背后的含义,并为我们提供更好的信息。
7.提高广告质量和目标用户
根据谷歌美国专利US20070156887和US9773256的广告质量,机器学习可以用来改进“其他弱统计模型”。
这意味着广告排名可能会受到机器学习系统的影响。
“出价金额、您的竞价时间的广告质量(包括预期点击率、广告相关性和着陆页体验)、广告级别阈值、人员搜索上下文”通过关键字逐字输入系统,确定Google为每个关键字考虑的阈值.
8. 同义词识别
当您看到代码片段中不收录关键字的搜索结果时,可能是因为 Google 使用 RankBrain 来识别同义词。
在攻读博*敏*感*词*时,您会看到各种“博士”或“博士”结果,因为它们在很多程度上可以互换。
谷歌甚至在某些情况下突出了同义词,这次是“博*敏*感*词*”,进一步表明它正在识别同义词。
9.查询说明
我最喜欢的主题之一是搜索查询用户意图。
对于任何给定的搜索,用户可能正在搜索购买(交易)、研究(信息)或寻找资源(导航)。此外,关键字可能对这些意图中的一个或任何一个有用。
通过分析用户使用的点击模式和内容类型(例如,按内容类型选择点击率),搜索引擎可以使用机器学习来确定意图。
在 Google 搜索“最佳大学”中可以看到一个示例。结果是 SERP 审查和大学列表,其中大学排名第一。
总结
尽管机器学习不是(也可能永远不会)完美,但人类与它互动的次数越多,它就会变得越准确、越“聪明”。
这可能会让一些人感到担忧——把《终结者》电影中的天网场景拿来——然而,当我们需要它时,实际的结果可能是更好的技术体验,为我们提供我们需要的信息和服务。