Return to site

谷歌seo优化-点击率作为排名因素:您需要阅读的4篇研究论文

谷歌seo优化

· seo优化

关于点击率(CTR)和关键词排名优化的讨论很多。有人说CTR是一个排名因素,其他人则认为它是机器学习和质量控制的一部分。第三组声称它是三个加一袋芯片。

无论你把帐篷放在哪个营地,这里有四篇研究论文,我相信这有助于理解CTR在搜索引擎排名搜索引擎优化中的作用。

Thorsten Joachims和CTR研究

Thorsten Joachims是康奈尔大学的研究员。他撰写了许多有影响力的研究论文,其中包括使用CTR进行搜索引擎算法的研究。

如果您有兴趣了解CTR在搜索引擎中可能扮演的角色,那么由Joachims撰写的这四篇研究论文将证明具有启发性。

1.使用点击率优化搜索引擎

使用Clickthrough Dat a 优化搜索引擎 a(PDF)是2002年的一份研究论文。本研究报告介绍了使用CTR数据作为搜索结果链接相关指标的指标,并使用该信息对更好的网页进行排名。

本研究论文来自2002年,显示了对CTR的研究有多久。研究相关信息的CTR是一个成熟的研究领域。搜索引擎相关的研究已经远远超出了这个领域。

然而,重要的是要获得对CTR的理解,以获得理解的基础。一旦你有了理解的基础,你就不太可能被毫无根据的关于点击率的猜测所迷惑,而且它在网页seo排名方面的作用。

以下是研究论文所述的内容:

“本文的目标是开发一种利用点击数据进行培训的方法,即搜索引擎的查询日志与用户在呈现的排名中点击的链接日志相关联。

......关键的洞察力是,这种点击数据可以以相对偏好的形式提供培训数据。“

在我看来,本文认识到算法的局限性。算法仅限于了解前10个链接中哪个最相关。但它对搜索引擎结果页面(SERP)的第二页,第三页或第四页中的网页一无所知。

这是研究论文所观察到的:

“......呈现给用户的链接与系统收到反馈的链接之间存在依赖关系。”

从CTR研究的开始就可以理解,来自SERP前10名的CTR数据是有限但重要的。该研究报告还指出,使用这种算法可以发送垃圾邮件,并且需要采取措施使其免受垃圾邮件的侵扰。

这就是Thorsten Joachims所说的:

“..也许有可能探索使该算法能够抵御”垃圾邮件“的机制。目前尚不清楚单个用户可以通过反复点击特定链接恶意影响排名功能。“

这是重要的信息,因为它表明即使在2002年,研究人员也在考虑如何防止点击垃圾邮件。这意味着点击一个人自己的列表来提升自己网站的建议可能不起作用。

2.点击率作为有偏见反馈的概念

本文由斯坦福大学的一位研究人员撰写,题为“ 准确地将点击数据解释为隐式反馈 - 2005”(PDF)。这是一篇重要的研究论文,因为它引入了CTR数据可能不可靠的概念。

以下是CTR研究报告如何表达CTR数据嘈杂的观点:

“本文探讨了WWW搜索中点击数据产生的隐式反馈的可靠性。使用眼动跟踪分析用户的决策过程,并将隐式反馈与手动相关性判断进行比较,我们得出结论,点击是提供信息但有偏见的。虽然这使得对点击的解释成为绝对相关判断的难度,但我们表明,点击产生的相对偏好平均来说相当准确。“

本文关注的是了解用户扫描的链接,用户是否从上到下扫描,用户在点击之前留下哪些链接,以及SERP中的标题和元描述如何影响用户点击一个链接而不是另一个链接。而这一点,标题和元描述对用户行为的影响,是本研究论文发现的偏见。

然而,该论文乐观地认为,由于需要挖掘大量数据,因此可以应用机器学习,以便准确确定哪些链接比其他链接更相关。

CTR的研究论文得出了这样的结论:

“我们的结果表明,用户的点击决策受到结果相关性的影响,但是他们对检索功能的信任以及结果集的整体质量产生了偏见。这使得难以将点击解释为绝对反馈。

但是,我们研究了几种从点击产生相对反馈信号的策略,这些策略与明确的判断相吻合。......如果使用机器学习方法正确解释隐式反馈,那么来自点击的隐式反馈几乎可以无限量地获得的事实可能不仅仅是克服这种质量差距......“

我认为值得注意的是,本研究报告并不关心发现垃圾邮件或发现要排除的低质量网站。它只关心找到满足用户的相关站点。

3.机器学习和模拟点击率

第三篇研究论文也是从2005年开始的。本文的标题是:从隐性反馈中评估学习的稳健性。本文的目的是了解点击率数据何时有用以及点击率数据偏差且不太有用。

准备好了解如何制作有效的PPC广告?
下载SEJ指南,PPC 101:按点击付费营销基础的完整指南,了解PPC关键字,广告文案,广告定位等方面的最佳做法!

现在下载

广告

这就是本文如何构建问题和解决方案:

“......这些数据往往会产生噪音和偏见......在本文中,我们考虑一种从隐式反馈中学习的方法,并使用建模来理解它何时有效。”

本文特别有趣,因为它引入了对用户行为进行建模并使用该数据而不是实际用户行为的可能性。本文还提到了强化学习,即机器学习。

这里是强化学习入门的链接。它使用了一个儿童学习火灾是好的例子,因为它发热。但后来才知道,如果你关闭,火灾是不好的。

这是研究论文提出的方式:

“这种类型的交互式学习要求我们要么用真实用户运行系统,要么建立模拟来评估算法性能。

通常用于强化学习的替代方案是构建模拟环境。显然,这具有仅仅是模拟的缺点,但它也具有显着的优点。与依赖用户参与相比,它允许更快速地测试算法。它还允许探索用户行为的参数。特别是,我们可以使用模型来探索学习算法对训练数据中噪声的鲁棒性。“

这真的很酷。它显示了搜索引擎如何使用机器学习来理解用户行为,然后在没有实际CTR数据的情况下训练算法,但模拟CTR。

这意味着搜索引擎理论上可以在网页上模拟用户行为,即使这些页面没有在SERP的第一页上排名。这克服了2002年研究方法中提到的局限性。

4.用户意图和点击率 - 2008

我想向你介绍的最后一篇研究论文是“ 多武装匪徒学习不同的排名”(PDF)。本研究报告不使用用户意图短语。它使用短语,用户满意度

本文重点关注显示满足大多数用户的结果的重要性。满足大多数用户意味着了解哪些点击会导致最少的点击回到搜索引擎,也称为放弃。

满足所有用户意味着展示不同类型的网页。许多搜索查询的用户意图是不同的。

与一个用户相关的内容与另一个用户的相关性较低。因此,显示不同的搜索结果非常重要,而不是十次相同的答案。

以下是关于显示多种结果的论文:

...用户研究表明,高等级的多样性通常是首选。我们提出了两种在线学习算法,可以根据用户的点击行为直接学习各种文档排名。我们证明了这些算法可以最大限度地减少放弃,或者最大化在排名的前k个位置找到相关文档的概率。

这就是论文中关于用户满意度的内容:

“...以前用于学习排名的算法已经考虑了每个文档的相关性而与其他文档无关。事实上,最近的研究表明,这些措施并不一定与用户满意度相关......“

以下是真正指出当今搜索引擎已经解决的问题的部分:

“...网页查询通常对不同的用户有不同的含义......这表明使用不同文档的排名可能更为可取。”

这种用于确定用户满意度的CTR算法的唯一缺点是它可能不适用于用户想要处于变化状态的主题。

“我们希望这样的算法在很少有文档容易受到人气影响的情况下表现最佳。”

阅读CTR研究

你有它。在我看来,这些是在形成关于点击率在网页排名中的作用的意见之前阅读的四篇重要研究论文。

值得注意的是,本文引用的第一篇研究论文是从2002年开始的。最后一篇是从2008年开始。这给出了对CTR的成熟研究的概念。今天的大多数研究都不再关注点击率。它专注于人工智能。

然而,如果您对CTR数据感兴趣以及它如何在排名中发挥作用,您将从阅读这四篇研究论文中受益。

谷歌优化百度优化有需求的企业可咨询我们。

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly