Return to site

【谷歌优化】-以下是RankBrain如何(而且不会)影响SEO

谷歌优化

· seo优化

在过去的几周里,谷歌优化围绕人工智能的热情重新燃起,“AIO”(人工智能优化)在代理网站和博客上崭露头角。

HTTPS和移动设备首先似乎是冷却的主题,所以注意力转向RankBrain。

然而,现实情况是人工智能优化似乎是一个矛盾的概念。如果我们想象Google是一个孩子,当孩子上学读书时,我们希望孩子学习并理解该书中的信息。如果书籍没有“优化”给孩子学习 - 结构化信息,图像,吸引力,积极的用户体验等 - 那么孩子将不会学习或理解内容。

我认为大多数搜索引擎优化可以针对排名进行优化,他们知道如何为实际做到这一点,只是它太简单了所以他们发明了一些疯狂的东西

- Gary Illyesᕕ(ᐛ)ᕗ(@methode) 2017年6月27日

对RankBrain进行优化并不是什么新鲜事,也不复杂。2017年6月27日谷歌的Gary Illyes上面的推文回应了这一点。那么,当实践不是什么新东西时,为什么需要将RankBrain优化转变为自己的产品呢?

在这篇文章中,我将探讨RankBrain究竟是什么,以及不是,以及优秀SEO的预先存在的概念和实践(如Google的指导原则所述)如何适用于RankBrain。

什么是RankBrain?
RankBrain使用一种机器学习形式,谷歌使用它将不可思议的定量数据(书面内容)处理成定量数据(数学实体),算法和其他计算机可以理解的向量。

Google处理的所有查询中有15%是新的,因此RankBrain会遇到以前从未见过的查询或词组。使用矢量和分片中先前处理的数据,RankBrain可以根据类似的查询和类似的含义进行智能猜测。

新查询的数量已从2007年的25%减少,但由于智能手机的增长和全球互联网普及率的提高,销量呈指数级增长。

简单地说,RankBrain:

解释用户查询
确定搜索意图
从数据库中选择结果(项)
什么是机器学习?
机器学习是一门计算机科学,由Arthur Samuel于1959年定义如下:“ 机器学习使计算机无需明确编程即可学习”。塞缪尔对该领域进行了初步研究,该领域从模式识别研究和计算学习理论演变而来。

机器学习本质上探索了算法的构建,并基于数据和统计频率进行预测。机器学习已经在Rank Brain之前的许多软件应用程序中使用,包括垃圾邮件过滤,网络威胁和入侵者检测以及光学字符识别(OCR)。

虽然这是人工智能的一种形式,但它不是一种高功能的形式。

关联规则学习
ARL(关联规则学习)是一种机器学习方法,用于使用预定的兴趣度量来发现大型数据库中变量之间的关系。

这已被超市用于确定消费者购买者行为,并用于生成忠诚度优惠券和其他受过教育的推广方法。例如,通过商店忠诚度/积分卡,商店可以收集数据,在分析时可以预测购买模式和行为。

ARL也可用于预测关联,例如,如果用户购买奶酪片和洋葱,可以假设他们也将购买汉堡肉。RankBrain使用此原则提供智能搜索结果,尤其是当短语可以具有多种含义时。

这方面的一个例子是英语俚语“dench”。如果用户搜索dench,它可以有三个含义; 俚语,服装系列或女演员Judi Dench。这个词也可以与个人联系在一起,比如职业运动员Emmanuel Frimpong和说唱歌手Lethal Bizzle。

由于查询含糊不清,谷歌自己的搜索质量评估指南解释了搜索引擎会尽可能多地显示变体,以便尽可能满足用户的搜索意图。

关联规则学习的概念
ARL的主要概念和规则是支持,信心,提升和信念,但出于RankBrain的目的,我将重点关注支持和信心。

支持
ARL中的支持是衡量相关项目在数据库中出现的频率的度量。这与关键字密度或关键字变体出现的次数不同。

置信度
ARL的可信度衡量规则被发现的真实程度。这是基于关联术语,即如果用户搜索“POTUS”,那么他们也有可能搜索或发现唐纳德特朗普一个满意的结果。他们也可能会发现巴拉克奥巴马,乔治布什或亚伯拉罕林肯的成绩令人满意。

信心常常与概率相混淆,因为有机搜索的两个原则非常相似(如果用户搜索X,那么Y和Z也可以是有效的)。

RankBrain使用关联规则来满足用户指定的最小支持,同时用户指定最小置信度,支持和置信度通常分为两个单独的进程:

建立最小支持阈值并应用于数据库中的所有常用项。
最小置信度约束应用于频繁项目,以形成规则。
使用这些规则,RankBrain可帮助Google优先排序哪些排名信号与用户查询最相关,以及如何加权这些信号。

RankBrain和SEO
RankBrain以十几种语言推出(由Gary Illyes于2017年6月在推特上证实),从英语到印地语,其唯一目的是帮助Google为用户提供更准确的结果和更好的搜索体验,满足他们的需求查询。

RankBrain之前和之后的主要区别在于,在RB之前,Google的软件工程师团队将修改和更改确定搜索结果和排名的数学算法,并且此算法将保持不变,直到进行更新为止。但是,Rank Brain是核心算法的一部分,谷歌将其用于所有搜索(截至2016年),这意味着不断变化和波动。

这意味着搜索结果现在对现实世界事件起反应,并且在大算法更新公告之外更加不稳定。

RankBrain的“优化”
鉴于RankBrain如何与核心算法和其他排名信号进行交互,可能需要改变战略重点(特别是如果战略建立在反向链路上)。但是RankBrain并不像Panda和Penguin那样是“经典算法”。

使用经典算法,我们知道如何避免企鹅惩罚,并且由于指导原则,我们知道如何满足熊猫。另一方面,RankBrain是一种无法针对具体进行优化的解释模型。然而,有一些标准的SEO实践现在比以往更具相关性。

门口页面已经死了
使用“焦点关键字”编写内容并为一个关键字生成一个页面的想法已过时。Hummingbird在2013年更新了这一点,RankBrain又向前迈进了一步。

我已经看到这种做法仍然被用于许多领域。在创建内容和URL结构时,应该使用用户体验和关键字矩阵,重点是创建高价值和资源丰富的页面。

不同的查询=不同的加权因子
由于RankBrain改变了某些变量和排名因子对不同查询的加权方式,因此不再采用一种适合所有方法的查询(和查询类别)的实用方法。

采用触发威尼斯结果和地图包的查询,一些查询可能要求高速度的新鲜内容,更短的内容,更长的内容,大量的链接...... RankBrain提供的新加权模型意味着需要偏差来自标准的最佳实践。

内部链接结构
我们从Google的搜索质量评估指南中了解到,Google在对网页进行排名时会考虑主要和补充内容; 这扩展到URL子目录中的页面和从主要内容链接到的页面。

优化内部链接结构是标准的,以便将链接权益传递到网站上的关键页面(以及更深的页面),但是包含大量内部链接以改善用户体验也很重要。

未来该何去何从?
当RankBrain在2015年首次推出时,它只处理了大约15%的查询,但与此同时,2016年Google对算法的信心增长,并且让RankBrain在所有查询中都松散。这将是分阶段推出,并负责我们在2016年看到的一些变化。

随着RankBrain在工作中学习,它只会更好地理解语义和概念,以及主题和查询之间的关系。这将有利于语音搜索结果的准确性以及传统的搜索结果页面和现在的卡片。

综上所述
总而言之,SEO社区中的一些主要人物(包括Gary Illyes和Rand Fishkin)已经以各种方式出现,突出显示RankBrain不是无法专门谷歌优化的东西。

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