Как опытный веб-мастер с более чем двадцатилетним стажем работы, я видел, как алгоритмы поисковых систем развивались от простого сопоставления ключевых слов до продвинутых систем на основе искусственного интеллекта, которые понимают концепции и темы. Недавнее упоминание Google о Core Topicality Systems, безусловно, пробудило мой интерес.
В свете последнего подкаста Google Search Off The Record, в котором обсуждаются основные системы актуальности как неотъемлемая часть алгоритмов поискового ранжирования, стоит рассмотреть эти системы и то, как они могут повлиять на стратегии SEO. Давайте углубимся в возможные последствия.
Как опытный исследователь с многолетним опытом работы в этой области, я могу с уверенностью сказать, что, хотя мы еще многого не знаем об основных системах актуальности, я считаю, что мы можем делать обоснованные предположения, основанные на наших существующих знаниях и понимании. Документация Google по их коммерческому поиску в облаках дает ценное определение актуальности, даже если оно не имеет прямого отношения к их поисковой системе. Это определение предлагает полезную основу для интерпретации того, что Google может подразумевать под базовыми системами актуальности. По моему опыту, очень важно подходить к сложным темам непредвзято и быть готовым адаптировать наше понимание по мере поступления новой информации.
«Актуальностью» называется релевантность результатов поиска исходным условиям запроса».
Как интернет-маркетолог, я могу четко видеть, как веб-страницы соответствуют поисковым запросам, когда дело доходит до результатов поисковых систем. Проще говоря, все дело в том, чтобы наш контент был релевантным и хорошо оптимизированным, чтобы он появлялся в нужных местах для правильных поисковых запросов.
Как добиться релевантности?
Чтобы понять, что потенциально может составлять систему актуальности Google, полезно сначала рассмотреть, как поисковые системы расшифровывают поисковые запросы и классифицируют их как темы в содержании веб-страницы.
- Понимание поисковых запросов
- Понимание тем
Понимание поисковых запросов
Интерпретация того, чего на самом деле хотят пользователи, часто предполагает понимание предмета или темы, которая их интересует. Поисковое поведение людей можно сравнить с системой классификации, поскольку пользователь поисковой системы может задавать расплывчатый вопрос, хотя на самом деле он имеет в виду более точное намерение.
Первоначальное внедрение искусственного интеллекта Google носило название RankBrain и было разработано для понимания основных идей в поисковых запросах, а не только тем. Термин «концепция» охватывает более широкую сферу, чем «тема», поскольку концепции представляют собой абстрактные представления. Расшифровывая концепции поисковых запросов, RankBrain может помочь поисковой системе предоставить точные и релевантные результаты по соответствующему предмету.
«RankBrain расширяет нашу способность находить информацию за пределами наших прежних ограничений, улавливая связи между словами в поисковом запросе и реальными темами. Например, когда вы спрашиваете о «названии потребителя в верхней части продукта питания». «цепочка» RankBrain узнает из множества веб-страниц, что концепция пищевой цепи связана с животными, а не с людьми-потребителями. Связывая эти термины с соответствующими понятиями, RankBrain понимает, что вы ищете информацию о том, что обычно называют «цепочкой». высший хищник.'»
BERT, сокращение от «Представления двунаправленного кодировщика от Transformers», представляет собой сложный инструмент машинного обучения, разработанный Google. Он помогает Google расшифровывать значение отдельных слов в результатах поиска и их связи с другими словами, что позволяет ему более точно понять всю суть текста.
Понимание тем
Я не думаю, что современные поисковые системы больше используют тематическое моделирование из-за глубокого обучения и искусственного интеллекта. Однако в прошлом поисковые системы использовали метод статистического моделирования, называемый тематическим моделированием, чтобы понять, о чем веб-страница, и сопоставить ее с поисковыми запросами. Скрытое распределение Дирихле (LDA) было революционной технологией середины 2000-х годов, которая помогла поисковым системам понимать темы.
Примерно в 2015 году исследователи поделились исследованиями, в которых представили нейронную вариационную модель документа (NVDM) — метод, который обеспечивал большую точность изображения основных тем в различных документах.
Как опытный веб-мастер, я недавно наткнулся на интригующую исследовательскую работу, которая выделяется: «За пределами да и нет: улучшение рейтингов LLM с нулевым выстрелом посредством оценки точной релевантности». Это исследование посвящено совершенствованию моделей большого языка (LLM) для ранжирования веб-страниц — процесса, который часто называют оценкой релевантности. Вместо того, чтобы полагаться на простую классификацию «да» или «нет», он предлагает более детальный подход с использованием таких ярлыков, как «В высшей степени релевантно», «В некоторой степени релевантно» и «Не релевантно». Этот усовершенствованный метод призван обеспечить более точную систему ранжирования веб-страниц.
«Вместо использования общих подсказок мы предлагаем добавлять подробные, зависящие от контекста метки, которые помогут ранжировать модель большого языка (LLM). Эти метки помогут моделям различать различную степень релевантности между документами и данным запросом, что приведет к улучшению точность результатов рейтинга.»
Избегайте редукционистского мышления
Современные поисковые системы все больше сосредотачиваются на предоставлении ответов, а не просто на поиске информации. Этот сдвиг в сторону ответов на вопросы продолжается уже довольно давно, но в последнее время он набрал обороты. В дальновидной статье, опубликованной в 2001 году под названием «Переосмысление поиска: превращение дилетантов в экспертов в предметной области», была предсказана эта тенденция и подчеркнута важность предоставления человеческих ответов на поисковые запросы.
«В ситуациях, когда людям требуется конкретная информация, они обычно предпочитают взаимодействовать со специалистом в предметной области. Однако чаще всего вместо этого они прибегают к поисковым системам или другим системам поиска информации. Традиционные методы поиска информации не позволяют напрямую отвечать на вопросы, а скорее предоставлять ссылки на потенциальные ответы. Эффективные системы ответов на вопросы представляют собой ограниченный набор данных, созданный специально людьми-экспертами, который, с другой стороны, менее эффективен и не масштабируем. потребность в информации, однако эти модели в настоящее время больше похожи на любителей, чем на экспертов в предметной области — им не хватает глубокого понимания мира».
Главный вывод заключается в том, что применять редукционистский подход к тому, как Google ранжирует веб-страницы, делая что-то вроде преувеличенного акцента на ключевых словах, элементах заголовков и заголовках, обречено на провал. Базовые технологии быстро продвигаются к пониманию мира, поэтому, если задуматься о базовых системах актуальности, то полезно поместить их в контекст, выходящий за рамки традиционных «классических» систем поиска информации.
Как опытный специалист по SEO, я не могу не подчеркнуть важность того, чтобы быть в курсе развивающихся методов Google для понимания тем на веб-страницах, которые соответствуют поисковым запросам. Понимая стратегии, которые Google использовал в прошлом и, возможно, продолжает использовать сегодня, вы можете эффективно оптимизировать свой контент для обеспечения превосходной видимости в результатах поисковых систем.
Смотрите также
- Google запускает новый вид «24 часа» в консоли поиска
- Взаимодействие со следующей отрисовкой (INP): все, что вам нужно знать
- Акции KZOS. Казаньоргсинтез: прогноз акций.
- Акции ELMT. Элемент: прогноз акций.
- Вышло базовое обновление Google за декабрь 2024 г., и оно большое
- Акции KLSB. Калужская сбытовая компания: прогноз акций.
- Акции привилегированные KZOSP. Казаньоргсинтез: прогноз акций привилегированных.
- Акции BANE. Башнефть: прогноз акций.
- Акции NMTP. НМТП: прогноз акций.
- Кнопка Bing для тестирования Bing
2024-08-01 07:09