{fbmip:fixed type="top" id="mipfixed" dataSlide="header-fixed-slide" class="fb-header-fixed"}
{fbview:mainmenu menuItemCode='$menuItemCode'/}
{/fbmip:fixed}
{fbmip:img fit='cover' src="$banner2['img_url']" alt="$banner2['title']"/}

机器学习世界中的初学者SEO指南

  • 发布时间:
  • 浏览:103
  • 来源:平步科技官网

当考虑到与SEO相关机器学习的兴起时  ,我们可能面临一个可怕的场景,这取决于你所在的SEO专业人员的类型。与我一样的SEO专业人士,他们都是基于逻辑的,并且历史上依赖于对游戏中信号的理解以及他们如何波动,可能比那些更依赖于服务用户而不是引擎的营销人员更多地会焦躁。

在我们深入了解变化之前,让我们首先回答这个问题:

什么是机器学习,因为它与SEO有关?

我们不会在这里学习所有机器学习的重要课程,我们将没有时间真正涵盖它如何影响我们以及我们未来的SEO策略需要看起来像什么。从30,000英尺的角度来看,我们真正需要知道的是,它为Google的功能增加了令人难以置信的速度:

  • 数据积累。
  • 解释。
  • 反应。

机器学习如何影响链接和链接建设

区域机器学习最简单的例子之一就是可以大大提高Google的功能。举一个小例子,机器学习可以在链接评估的一个关键方面发挥作用:过滤垃圾邮件。谷歌已经在Gmail中使用机器学习,成功率达到99.9%,只有0.05%的时间产生假阳性。将此结合起来链接评估,你就拥有了一个非常成功的模型。以前,Google工程师必须:

  • 创建质量较差的网站列表并手动阻止其链接资产流动。
  • 根据他们之前看到的内容,编制错误链接的特定特征。
  • 将贬值函数设置为链接计算,并希望它不包含太多误报。

通过机器学习,世界开放了。是的,仍然有一个主要的起点 - 已知坏域列表和另一个假定的坏信号列表。但这些是机器学习系统可以用来的训练场:

  • 了解如何将这些信号应用于他们遇到的其他链接。
  • 针对看似垃圾邮件(或对此事件有利)开发自己的信号。

机器可以通过观察模式来教自己,而不是简单地依赖这种快速的标准。观察具有假定信号的网站(在链接输出或链接中)将对机器进行分析。然后,一旦确定了坏的确定,它可以启动逆向工程模式以便将来更快地检测。

  • 垃圾网站链接到哪种类型的网站?
  • 垃圾网站可以获得哪些类型的链接?
  • 是否存在链接增长模式?
  • 销售付费链接的网页是否也倾向于链接到其他特定网站(他们这样做),如果是这样,哪些网站?然后,系统可以将其添加到它应用的指标中。

对于机器如何模拟人类可以做什么并放大它来说,这真的很少触及冰山一角。想知道谷歌如何宣布他们正在使用垃圾链接贬值网站而不是手动惩罚他们?它可以通过能够以令人难以置信的速度学习和应用贬值并且误报率较低的机器来实现。除此之外,机器还可以了解页面的内容质量和相关性,并将这些理解单独和整体地补充到等式中。一台机器,可以询问“这个链接是否应该为您的个人网站提供高权重?”然后进一步说,“链接是否很有可能被支付或出现问题?”在其他链接的数据环境中找到并且在该页面和域上进行分析。这些是可以将机器学习应用于链接的极其有限的示例。垃圾邮件模式已经并且将会以越来越高的成功率被检测到,而质量链接将以更高的速率被理解和奖励。这意味着更加注重质量,相关性和合法性 - 除非您认为自己可以提出系统来愚弄Google,而不是机器可以解决问题。

机器学习如何影响内容SEO

虽然我们使用上面的链接示例,但是很少有其他SEO领域会受到机器学习兴起而不是内容的影响。为了说明这一点,我们只需要看看Google在翻译方面的工作。10年来,他们使用基于短语的机器翻译解决了这个问题 - 主要是匹配已知的短语并喷出结果。我们都记得结果。它完成了工作,但非常粗糙。2016年9月,他们转而使用机器学习系统(谷歌神经机器翻译系统),并在推出后的24小时内,系统比以前的十年提高了翻译水平。基本上,机器学习可以在24小时内比人工编辑更有效地理解语言,即使有机器辅助,也可以达到3,650倍。这对SEO专业人士意味着什么?

数字营销的圣杯即将到来 - 那时候我们唯一的工作就是推出尽可能最好的内容和广泛的内容,并且格式足以满足更多的用户意图和偏好。如果这些已经完成,谷歌也很有可能理解这一点。这并不是说机器没有缺陷或者SEO专业人员不会发挥作用。事实上,我认为我们将扮演一个更大的角色,但它不会在关键词中使用 - 它将在制定如何满足用户方面。

威尔·雷诺兹给出了我认为即将到来的最佳摘要之一。他建议我们问自己:

“如果谷歌改进以显示最佳答案,会发生什么?”

这是我们需要问的问题。更有趣的是,“最佳”是主观的。我个人讨厌如何完成大多数任务的视频说明 - 如果有必要,请给我一个包含一些图片的列表。但不是每个人都是这样的。有些人想要视频,有些人可能更喜欢可以打印的PDF下载。最重要的是,它将取决于任务。例如,我几乎不想把我的平板电脑放在汽车下面,因为我换了油,所以打印输出可能更好。那么,对于谷歌可能给出的结果,我认为“最好的”取决于与我个人偏好相关的一系列因素 - 我正在努力完成的具体任务,我何时何地,类型我正在使用的设备等这不能由人类编程。过去对个性化结果做了一些不错的尝试,但它们是有限的 - 直到机器学习。人类无法为您量身定制体验。根据您访问的设备或您可能的位置,人类无法将资源用于了解您在特定时间特别喜欢的内容。机器可以。机器可以跟踪所有这些,并随着时间的推移学习,不仅仅是你喜欢什么样的结果,而是什么类型的结果实现你的意图,并最终从他们当前的索引中获得最好的结果。

简而言之,我们现在需要更少考虑实现全球规则,更多地考虑实现目标受众的意图

最重要的是,如果我们想要通过我们的电子商务网站为更多通用术语(如“笔记本电脑”)而不仅仅是“购买戴尔笔记本电脑”进行排名,我们需要满足用户的意图,这些用户不仅有兴趣购买实现所有访客的意图。也许,我们也应该提供各种格式的数据,因此无论设备如何,我们都是成功的答案。在机器学习之前,我们不必担心这一点。至少可以说,任何尝试理解网站上的反弹或时间在谷歌方面可能意味着什么都是初步的。现在,机器学习有助于理解语言环境以及用户生成的信号可能意味着这不仅仅是可能的,而是部署的。想想您制作的精彩视频,以解决目标受众群体的常见问题。现在想象一下,您的目标受众是在Google Home或其他语音优先设备上提问。您可能不需要提供每种可能格式的内容,因为您的受众可能不会请求它,但您需要注意。

机器学习如何影响技术SEO

谈到技术搜索引擎优化,你现在需要关注一个人:  Cindy Krum注意她要说的话,因为她走在正确的轨道上。在关于移动优先索引的对话中  ,她创造了一个我个人认为能够很好地总结技术搜索引擎优化的未来的术语。她将“移动优先”称为一个不正确的术语,将正确的术语命名为“便携式优先”。她提出的想法是,内容应该很容易与您的设计和技术结构(即便携式)分开,以便随时随地访问。她是完全正确的。当我们进入这个勇敢的机器学习新世界时,目标是为用户提供满足其意图的信息。我们的工作是确保内容可以从其存在的构造中轻松理解和提取 - 通过标记,XML提要,或者只是以清晰易懂的方式构建页面上的内容。

那么你现在做什么?

你应该怎么处理这些信息?我们谈论的是机器学习和Google不断增强的理解我们周围世界的能力,以及我们自己的个人需求和需求。这就是它的力量,这就是我们下一步需要做的事情。虽然我会疏忽告诉任何人根据仍然看起来运作良好的经过验证的指标抛弃他们的搜索引擎优化工作,但这些指标正在  不断发展和迅速侵蚀。我没有看到他们存活超过两三年。

你的任务是这样的:

确保您的内容可移植到目标受众群体可以访问的任何设备,并且该内容可以与该受众群体通信。如果您有多个具有多种需求的受众群体,则还必须确保您的内容适用并吸引所有内容,或者每种内容都有不同的内容,并且可能采用不同的格式。作为机器学习领域的搜索引擎优化专业人士,您需要更多地查看关键词,以解决他们所暗示的问题和意图,而不是作为包含在页面和锚文本中的钝器。机器将帮助我们了解访客的需求,以便我们找到提供它的方法。为什么?因为这就是机器所需要的 - 一个满意的用户。他们将拥有他们需要知道的所有指标,无论您 - 或您的竞争对手 - 是否在提供一个方面做得最好。那么,问题又来了,权重提高技术哪家强?平步科技来帮忙。