یک مقاله پژوهشی جدید که توسط گوگل منتشرشده روشی کاملا نوین برای بهبود رتبه سایت معرفی می کند. ادعا شده که این الگوریتم می تواند در الگوریتم های عمیق شبکه ای که ارتباط را محاسبه می کنند، بهبود قابل توجهی ایجاد کند. ما امروز در جوان سئو قصد داریم به این مسئله بپردازیم.
الگوریتم جدید در مورد روشی برای رتبه بندی صفحات است که توابع امتیاز دهی گروهی Groupwise Scoring Functions نامیده می شود.
بدون تایید گوگل نمی توان در مورد اثربخشی این الگوریتم مطمئن بود، اما از آنجایی که بسیاری از محققان پیشرفت های قابل توجهی با استفاده از این الگوریتم مشاهده کرده اند، به نظر ما نیز بد نیست کمی در مورد این الگوریتم صحبت کنیم.
در گذشته گوگل اعلام کرده که نباید مقالات پژوهشی گوگل را به عنوان آنچه واقعا در سرچ رخ می دهد، در نظر گرفت. گوگل به ندرت الگوریتم های مورد استفاده در مقالات پژوهشی را تایید می کند که این الگوریتم نیز از این قاعده مستثنی نیست.
این مقاله نشان می دهد که گوگل چگونه بر روی درک واژگان جستجو search query و همچنین درک موضوع صفحات وب، تمرکز می کند و در واقع این مقاله نمونه ای از تحقیقات تازه گوگل است البته ما قبلا در مورد سئو در سال 2019 صحبت کردیم.
گوگل به تازگی یک به روز رسانی گسترده از هسته ارائه داده است که گفته می شود بزرگترین به روز رسانی در این سالهاست. آیا الگوریتم مورد نظر بخشی از این به روز رسانی است؟ ما نمی دانیم، گوگل به ندرت در مورد الگوریتم خاصی صحبت می کند.
مقاله پژوهشی با ذکر این نکته شروع می شود که الگوریتم ها هر صفحه وب را به صورت مجزا ارزش گذاری می کنند، سپس صفحات وب در رقابت با صفحات دیگر امتیاز دهی می شوند تا به این ترتیب مناسب ترین صفحه وب مشخص شود.
در مقاله مورد نظر نحوه کار الگوریتم مورد بحث به این شکل بیان می شود:
” زمانی که در یک دسته بندی یا تعیین تنظیمات اولیه، یک برچسب یا یک ارزش به صورت مجزا به هر داکیومنت داده می شود، درتنظیمات مربوط به رتبه بندی، ما دستورالعمل مربوط به کل داکیومنت ورودی را تعیین می کنیم.”
در ادامه این مقاله پیشنهاد می دهد که در نظر گرفتن سن تمام صفحات مرتبط به هم، می تواند سرنخی از آنچه کاربر می خواهد به ما بدهد. بنابراین به جای رتبه بندی تمام صفحات در مقابل یکدیگر، با مروری بر سن صفحات، بهتر می توان نیاز کاربر را درک کرده و صفحه بهتر را انتخاب کرد.
اکثر الگوریتم های موجود نسبی هستند و رتبه بندی آنها تنها محدود به خود داکیومنت می شود و بدون توجه به سایر داکیومنت ها ارزیابی می شود.
مقایسه تقابلی داکیومنت
به علاوه مقاله پژوهشی نشان می دهد که چگونه با روش فعلی رتبه بندی صفحات وب، فرصت بهبود ارتباط نتایج جستجو را از دست می دهیم.
در ادامه مثال ذکر شده در مقاله را بیان می کنیم که مشکل و راه حل آن را توصیف می کند:
” در نظر بگیرید که کاربری در حال جستجوی نام یک موسیقیدان است. اگر همه نتایجی که با عبارت مورد جستجو (به عنوان مثال عبارت مورد جستجو خواننده ای به نام کیهان کلهر است) نمایش داده می شوند، جدید باشند، کاربر احتمالا به آخرین اخبار یا اطلاعات علاقمند است.
از طرف دیگر اگر نتایج نمایش داده شده قدیمی باشند (به عنوان مثال کاربر در مورد کیهان کلهر جستجو می کند)، احتمالا کاربر به دنبال اطلاعاتی در مورد سوابق هنری یا زندگینامه هنرمند است. بنابراین ارتباط هر داکیومنت بستگی به توزیع کل لیست دارد. “
در این مثال سن و سال صفحات وب که با عبارت جستجو در ارتباط هستند، می توانند به ارائه بهترین پاسخ کمک کنند.
مدل سازی رفتار انسان برای دقت بهتر
پس از آن مقاله ذکر می کند که کاربران موتور جستجو تمایل دارند که نتایج به دست آمده در صفحات را به یکدیگر مقایسه کنند. بنابراین کاربران پیشنهاد می کنند که مدلی که بتواند این کار را انجام دهد، دقیق تر است.
“تعامل کاربران با نتایج جستجو الگوهای مقایسه ای قوی را نشان می دهد. تحقیقات پیشین نشان دادند که قضاوت از طریق مقایسه دو داکیومنت قابل دسترس بوده و نسبت به رتبه بندی های دیگر ثبات بیشتری دارند.”
به علاوه زمانی که فعالیت های کاربر به صورت نسبی مدلسازی می شوند، امکان پیش بینی بهتر می شود… این ها نشان می دهند که کاربران داکیومنت کلیک شده را قبل از کلیک با داکیومنت های اطراف آن مقایسه می کنند، در نتیجه یک مدل رتبه بندی که که از مکانیزم مستقیم مقایسه استفاده می کند، موثرتر است چرا که رفتار کاربر را به شکل درستی تقلید می کند.
الگوریتم جدید کار می کند
زمانی که الگوریتم تحقیق را مدنظر قرار می دهید، مهم است به این نکته توجه داشته باشید که آیا محققان معتقدند این الگوریتم وضعیت را بهبود بخشیده است.
برخی مقالات ارائه شده بیان کرده اند که دستاوردها در کمترین میزان خود هستند، در حالیکه هزینه دستیابی به آنها چشمگیر است (هزینه هایی مانند زمان و سخت افزارها). من فکر می کنم مقالاتی که زیاد موفق نبوده اند، کاندید خوبی برای وردو به الگوریتم های جستجوی گوگل نیستند.
برخی مقاله های پژوهشی دستاوردهای قابل توجهی را با کمترین هزینه گزارش می دهند که به نظر من احتمال ورد این مقالات به الگوریتم های گوگل بیشتر است.
محققان به این نتیجه رسیدند که این روش جدید شبکه های عصبی مصنوعی عمیق Deep Neural Network و مدل های مبنی بر درخت را بهبود می بخشد. گوگل هرگز الگوریتم مورد استفاده خود را اعلام نمی کند و همچنین در مورد چگونگی استفاده از یک الگوریتم صحبتی نمی کند. اما اگر یک الگوریتم دستاوردهای قابل توجهی ارائه می دهد و می تواند وسیله سنجش باشد، احتمال اینکه این الگوریتم مورد استفاده گوگل هم باشد افزایش پیدا می کند. اگر در حال حاضر هم مورد استفاده گوگل نباشد، احتمالا در آینده مورد استفاده قرار خواهد گرفت.
رتبه بندی در گوگل به طور فزاینده ای در حال فاصله گرفتن از عوامل سنتی در رتبه بندی است. عوامل قدیمی در رتبه بندی مانند متن لینک یا انکر تکست anchor text، برچسب های عنوان heading tags و لینک ها امروز اهمیت کمتری دارند.
این مقاله نشان داد که در نظر گرفتن مشترکات بین صفحات مربوط به هم، چگونه می تواند سرنخ هایی برای آنچه کاربر جستجو می کند، ارائه دهد. حتی اگر گوگل از این الگوریتم در رتبه بندی صفحات استفاده نمی کند، اما این مفهوم همچنان برای شما مفید خواهد بود.
اینکه بدانید کاربر به دنبال چیست، می تواند به شما کمک کند تا اطلاعات مورد نیاز کاربر را درک کرده و صفحاتی را ایجاد کنید که این نیازها را برآورده می کند. این مسئله می تواند به بهبود رتبه بندی سایت شما نیز کمک کند.
