[Webinar Digest] تحسين محركات البحث في Orbit: Rankbrain ، الذكاء الاصطناعي ، التعلم الآلي ومستقبل البحث

نشرت: 2019-11-13

تُعد ندوة الويب Rankbrain والذكاء الاصطناعي والتعلم الآلي ومستقبل البحث جزءًا من SEO في سلسلة Orbit ، وتم بثها في 19 يونيو 2019. في هذه الحلقة ، يستفيد بيل سلاوسكي من معرفته ببراءات اختراع Google وأساليب البحث لكسر أسفل خوارزميات البحث المحتملة المستخدمة اليوم وافترض ما قد يبدو عليه تحت غطاء إصدار مستقبلي من Google. انضم إلينا بينما نستكشف مستقبل تحسين محركات البحث التقني.

SEO في Orbit هي أول سلسلة ندوات عبر الإنترنت ترسل تحسين محركات البحث إلى الفضاء. خلال السلسلة ، ناقشنا حاضر ومستقبل تحسين محركات البحث التقني مع بعض أفضل المتخصصين في تحسين محركات البحث وأرسلنا نصائحهم إلى الفضاء في 27 يونيو 2019.

شاهد الإعادة هنا:

تقديم بيل سلاوسكي

بيل سلاوسكي هو خبير براءات اختراع لمحركات البحث ، وهو مدير الوصول إلى تحسين محركات البحث في Go Fish Digital ومدونًا في SEO by the Sea. وبكلمات بيل نفسه: "أنا لست عالم كمبيوتر ولست عالم رياضيات. لديّ درجة جامعية في اللغة الإنجليزية ودكتور في القانون. لقد قرأت براءات الاختراع من محركات البحث منذ عام 2005 تقريبًا للتعرف على ما يجب أن يقولوه عن البحث والباحثين والويب. تغطي العديد من براءات الاختراع هذه الخوارزميات التي تهدف إلى معالجة مشكلات معينة ، وقد وجدت الكثير من المفيد عندما يتعلق الأمر بأداء تحسين محركات البحث ".

استضاف هذه الحلقة فرانسوا جوبي ، رائد الأعمال المتسلسل ، والشريك المؤسس والرئيس التنفيذي لشركة OnCrawl. أسس العديد من الشركات ويشارك بنشاط في النظام البيئي للشركات الناشئة. شغوف بالتحليل الدلالي ومحركات البحث ، يحب تحليل منشورات Google العلمية وهو متحدث منتظم في مؤتمرات تحسين محركات البحث (SEO).

ما هو الذكاء الاصطناعي والتعلم الآلي؟

هناك الكثير من التعريفات للذكاء الاصطناعي.

يركز الكثير من عمل Google على الشبكات العصبية ، مما يؤدي إلى كيفية عمل التعلم الآلي. يستخدم مجموعة من البيانات التي تمثل مجموعة البيانات المثالية ، والتي تم ترميزها للتأكيد على ميزات معينة حولها ، والتي يتم استخدامها لتدريب المصنفات. ثم يتم تحويلها إلى مجموعات أخرى من البيانات لتحليل وتصنيف المعلومات الجديدة بناءً على ما تعلموه من مجموعة العينات. هذا هو التعلم الآلي.

المجالات التي يغطيها الذكاء الاصطناعي

- لغة طبيعية

يمكن أن يغطي الذكاء الاصطناعي مجالات مختلفة ، مثل فهم اللغة الطبيعية بشكل أفضل. هناك عدد من التقنيات المستخدمة ، والعديد من الأشياء التي تظهر من Google توضح ما الذي ينطوي عليه تحليل اللغة الطبيعية.

- إجابة السؤال

براءة اختراع حديثة (رابط) تحاول ملء الفراغات في مخططات الإجابة على السؤال.

يشرح كيف يمكن أن تستخدم Google الرسم البياني المعرفي لفهم ما قد تكون إجابة السؤال. على سبيل المثال ، إذا كانت هناك معلومات مفقودة أو بيانات غير صحيحة للكيانات ، فقد تحاول Google تقدير الإجابة بناءً على المعلومات المرتبطة بالحقائق ذات الصلة.

المثير للاهتمام في براءة الاختراع هذه ليس أن Google تستخدم التقدير للإجابة على الأسئلة ، ولكنهم يقدمون تفسيرات لتقديراتهم.

- تقليد الفكر البشري (الشبكات العصبية)

يعتمد التعلم الآلي على الذكاء الاصطناعي ، على محاكاة الطريقة التي قد يعمل بها الفكر البشري. تسمى شبكات التعلم الآلي الشبكات العصبية لأنها مصممة لمحاولة تكرار الطريقة التي تعمل بها الخلايا العصبية في الدماغ.

رانكبرين

- العلاقة مع الطائر الطنان وسياق الكلمة

كل من Rankbrain و Hummingbird هما نهجان لإعادة كتابة الاستعلام. حاول الطائر الطنان فهم سياق الاستعلام بشكل أفضل من خلال النظر في جميع الكلمات في طلب البحث. في السابق ، كان Google ينظر فقط إلى الكلمات المجاورة لبعضها البعض لفهم السياق ؛ ينظر الطائر الطنان إلى ما وراء الكلمات بجوار بعضها البعض مباشرة. قد يأخذ في الاعتبار جمل كاملة في استعلامات المحادثة. حاول الطائر الطنان استخدام كل الكلمات في الاستعلام معًا لفهم السياق.

- إعادة كتابة الاستعلام في Rankbrain باستخدام نهج تضمين الكلمات

على عكس الطائر الطنان ، يستخدم Rankbrain نهج تضمين الكلمة. يفحص مقطعًا نصيًا قصيرًا ويمكنه تحديد ما إذا كانت هناك كلمات مفقودة. يقوم بذلك عن طريق التدريب على مجموعات كبيرة من البيانات (200 مليار كلمة).

- البحث عن الكلمات المفقودة في الاستعلام

على سبيل المثال ، يمكن تفسير طلب البحث "لغز نيويورك تايمز" بشكل صحيح على أنه يفتقد إلى كلمة "الكلمات المتقاطعة". يضيف Rankbrain الكلمة المفقودة إلى الاستعلام ويعيد نتائج أحجية الكلمات المتقاطعة في New York Times للباحث ، لأن هذا هو ما يريده على الأرجح.

- هل يمكنك تحسين Rankbrain؟

من المهم ملاحظة أنه لا يمكنك تحسين الصفحات لـ Rankbrain. كتب بعض مُحسّنات محرّكات البحث مقالات تقول أنه يمكنك ذلك. ومع ذلك ، من كل ما رآه بيل عن الخوارزمية ، فإنه يشير إلى أن هذه عملية إعادة كتابة للاستعلام ، وليست شيئًا يؤثر على تقييم الصفحة.

خوارزميات Google الإضافية باستخدام التعلم الآلي

ليس لدى Google "خوارزمية" واحدة تقود محرك البحث. لديها الكثير من الخوارزميات المختلفة التي تساهم في كيفية عملها. Rankbrain هو واحد من العديد.

- استخدام نقاط الجودة ضمن الفئات

قد يعني هذا ، على سبيل المثال ، أنه عندما تحدد Google أن هناك الكثير من نتائج النوع المعلوماتي لاستعلام معين ، بدلاً من تصنيف الصفحات بناءً على درجة استرداد المعلومات أو تصنيفات الاستناد مثل PageRank ، فقد يفكرون في الفئات. من هناك ، قد يمنحون نقاط الجودة ضمن فئات مواقع الويب. سيوفر هذا مجموعة أكثر تنوعًا من النتائج ويضمن أن النتائج عالية الجودة يمكن أن تنتقل بسرعة أكبر إلى أعلى النتائج.

- شعبية الصفحة لنتائج التنقل

يفضل هذا النوع من خوارزمية الترتيب أيضًا الصفحات الأكثر شيوعًا (الصفحات التي يميل الأشخاص إلى الذهاب إليها) ، خاصةً لنتائج النوع الملاحي. عندما يعرف الباحثون بالفعل أن الصفحة شيء يريدون رؤيته ، تميل الصفحة إلى احتلال مرتبة عالية في نماذج نقاط الجودة للفئة.

- تأثير SERP CTR

تشير نقاط جودة الفئة أيضًا إلى أن الصفحات التي يتم تحديدها غالبًا في نتائج البحث هي أيضًا صفحات عالية الجودة وستحتل أيضًا مرتبة عالية ضمن نهج جودة الفئة هذا.

ومع ذلك ، على الرغم من أن نهج نقاط جودة الفئة هو بالتأكيد تعلم آلي ، إلا أنه ليس Rankbrain.

Rankbrain لتلبية الاحتياجات الظرفية للباحثين

يحاول Rankbrain فهم ما قد يكون مفقودًا في الاستعلام. أهم جانب في Rankbrain هو أنه يحاول تلبية احتياجات الباحثين: ما الذي قصده هذا الشخص حقًا عندما كتب الاستعلام في المربع؟

استعلامات الكلمات الرئيسية السابقة مقابل الاستعلامات المنطوقة والمحادثة الحالية

إذا كنا نتجه نحو الاستعلامات المنطوقة ونوع المحادثة ، فسيكون هناك المزيد من الكلمات المتضمنة أكثر من أسلوب الكلمات الرئيسية الذي تم استخدامه في الماضي.

بصفتك باحثًا ، فأنت تحاول تخمين الكلمات التي تحتاج إلى استخدامها للعثور على المعلومات التي تحتاجها. ولا يجب أن تقوم بهذا النوع من التخمين. إذا طلبت ما تريد ، فيجب أن يكون Google قادرًا على تحليله وتحديد ما تعنيه على الأرجح. هذا هو دور Rankbrain.

مناهج معالجة اللغة الطبيعية

أحد الأشياء التي نراها هو أن Google تولي اهتمامًا أكبر بكثير لمعالجة اللغة الطبيعية. نحن نشهد ظهور أساليب معالجة اللغة الطبيعية.

- المطابقة العصبية

غرد داني سوليفان قليلاً عن شيء أسماه المطابقة العصبية.

قال إن هذه وسيلة لفهم الكلمات على الصفحات بشكل أفضل ومعنى تلك الكلمات في سياقها. قدم بعض الأمثلة على كيف يمكن أن تعني كلمة واحدة ثلاثة أو أربعة أشياء مختلفة اعتمادًا على كيفية وضعها داخل الجملة.

- تضمين كلمة

أصدرت Google براءات اختراع حول استخدام أسلوب كتابة تضمين الكلمات (مثلما تم استخدامه في Rankbrain لفهم تلك الاستعلامات النصية القصيرة) لمقادير أطول من النص ، مثل صفحات الويب.

- الإطارات الدلالية

الإطار الدلالي هو عندما تستخدم لغة مثالية لموقف معين. في كل موقف ، هناك لغة معينة يتم استخدامها. على سبيل المثال ، النقاط في سياق الرهن العقاري أو شراء العقارات ليس لها نفس المعنى مثل النقاط في ألعاب النرد أو ألعاب الطاولة.

إذا فهمت إطار العمل ، يمكنك فهم سياق الكلمات على الصفحة بشكل أفضل.

يمكن أن يساعد هذا أيضًا في التمييز بين الكلمات حيث يختلف المعنى نفسه من موقف إلى آخر. "الحصان" ، على سبيل المثال ، لا يعني نفس الشيء للفارس والنجار. استكشفت براءات الاختراع الأخرى أيضًا طرقًا إضافية لفهم الاختلافات السياقية في المعنى.

استخدام التعلم الآلي لتحديد المؤلفين بناءً على أساليب الكتابة

من السهل جدًا على الآلة تحديد أسلوب الكتابة للفرد. هناك تشابه بين هذا والتصنيفات الموضوعية للمحتوى بسبب الأنماط الموحدة في صناعات مثل العقارات والرياضة وما إلى ذلك.

كطالب لغة إنجليزية ، قام بيل بتحليل الأدب والنظر في الطرق المختلفة التي يعبر بها المؤلفون عن أنفسهم ولماذا.

- يسجل المؤلف براءة الاختراع باستخدام تردد الاقتباس

لدى Google براءة اختراع تتعلق بنتائج المؤلف. لتسجيل المؤلفين ، فإن أحد العوامل التي تؤخذ في الاعتبار هو عدد المرات التي يستشهد بها الكتاب الآخرون.

- عارض كتب Google N-Gram

تقوم Google بالكثير من العمل مع نماذج اللغة. لقد قاموا بمسح عدد كبير من الكتب. يسمح لك عارض N-Gram بمعرفة كيف تتطور شعبية العبارة على مر السنين.

- براءة اختراع نقاط الجودة بواسطة N. Panda باستخدام نماذج اللغة

تتحدث براءة اختراع نقاط الجودة من N. Panda عن استخدام N-grams وبناء نماذج اللغة لفهم جودة صفحات الويب بناءً على كيفية مقارنتها بنماذج اللغات الأخرى.

هذا مثال رائع على التعلم الآلي في تكنولوجيا محركات البحث. لدينا مجموعة بيانات من الصفحات المسجلة مسبقًا ، ونقارن الصفحات الجديدة بالصفحات المستندة إلى البيانات من مجموعة العينات الأصلية. نظرًا لاستخدام هذا لتحديد الجودة ، فإن الصفحات التي تحتوي على خصائص الصفحات المكتوبة جيدًا من المجموعة الأصلية ستحصل على درجة أعلى.

يمكن أيضًا استخدام هذا النوع من نماذج اللغة لفهم أسلوب الكتابة لمؤلفين مختلفين.

التعلم الآلي في المستقبل باستخدام البيانات المنظمة

يتضح التعلم الآلي أيضًا في كيفية إدارة Google للكيانات ، في الترجمة ، وفي مظهر ما أطلقت عليه Cindy Krum اسم Fraggles.

- فقرات الإجابة وتعزيز المحتوى النصي

هناك براءة اختراع أخرى تتحدث عن فقرات الإجابة ، حيث تقترح Google آلية لاستخدام المقاطع النصية الموجودة في صفحات الويب لتقديم إجابات للأسئلة. تم تحديث هذا مؤخرًا للنظر ليس فقط في المقاطع النصية ولكن أيضًا في البيانات المنظمة التي تعزز النص.

- التحقق من الحقائق والاتساق

يوفر استخدام المخطط التكرار في المعلومات. يمنح هذا Google وسيلة للتحقق من اتساق الحقائق المعلوماتية على صفحة ويب من خلال مقارنة المعلومات النصية مع المعلومات المقدمة في الترميز المنظم.

هذا هو نفس الشيء الذي يحدث على خرائط Google حيث تبحث Google في الاسم والعنوان ورقم الهاتف.

يوفر الاتساق مستوى من الثقة في أن الإجابة قد تكون أكثر احتمالا.

- صفحات الأسئلة الشائعة وصفحات الكيفية

نظرًا لأن Google تقدم دعمًا لصفحة الأسئلة الشائعة و How-to Schema ، فإننا نراهم يتجهون نحو وسائل دفع مالكي المواقع إلى إنشاء المخطط الذي يعكس ما قد يضعونه في النص على صفحة الويب.

استراتيجيات لفهم السياق على صفحة الويب

اتخذت Google خطوات أخرى لمحاولة فهم المحتوى بشكل أفضل داخل صفحات الويب. وهنا عدد قليل:

- استخدام قواعد المعرفة ومصطلحات السياق

أشارت براءات اختراع Google إلى أنها قد تنظر في قواعد المعرفة وقد تجمع تعريفات لمصطلحات السياق من قواعد المعرفة هذه. قد يبحثون بعد ذلك عن وجود مصطلحات السياق هذه على صفحة ويب للمساعدة في تحديد المعنى المعتمد على السياق للكلمة الأكثر احتمالية.

لذلك قد تحتوي صفحة عن حصان (حيوان) على كلمات مثل "سرج" ، في حين أن الصفحات التي تتناول أنواعًا أخرى من الخيول قد تحتوي على كلمات مثل "نجارة".

- الفهرسة المبنية على العبارات

يعود نهج آخر للتعلم الدلالي لفهم الموضوعات على الصفحات إلى عام 2004 أو نحو ذلك. الفهرسة القائمة على العبارات ليست قديمة فحسب ، بل هي أيضًا موضوع 20 براءة اختراع على الأقل وتم تحديثها وتعديلها عدة مرات. يشير كل هذا إلى بيل أن الفهرسة القائمة على العبارة هي شيء له أهمية كبيرة في خوارزميات Google.

- بناء فهرس مقلوب للعبارات التنبؤية للموضوع

تصف إحدى براءات الاختراع المرتبطة بالفهرسة القائمة على العبارات بناء فهرس مقلوب من العبارات التي تظهر على الصفحات والتي تنبئ بالموضوعات. من الأمثلة على ذلك عبارات مثل "رئيس الولايات المتحدة" أو "وزير الخارجية" أو "مقابلة حديقة الورود" التي تنبئ بموضوع دلالي "البيت الأبيض".

معرفة موضوع مشرف الموقع في المخطط

تقوم Google بتطوير استخدام أشياء مثل Schema ، ولكن تعريف نوع الأشياء التي تم وصفها بواسطة Schema يتم توفيره بواسطة مشرفي المواقع. بهذه الطريقة ، يمكن لمشرفي المواقع المساهمة في بناء الرسوم البيانية المعرفية جنبًا إلى جنب مع محركات البحث.

على سبيل المثال ، أضافت Google "المعرفة حول" كأحد جوانب المخطط. ومع ذلك ، فإن مشرفي المواقع هم الذين يشيرون إلى أن المحامين يمكنهم معرفة قانون الأميرالية أو قانون براءات الاختراع ، والذي بدوره يساعد في ملء الرسم البياني للمعرفة.

تمثيل المعرفة القائم على الآلة هو جهد تعاوني.

[دراسة حالة] إدارة زحف روبوت Google

مع وجود أكثر من 26000 مرجع للمنتج ، احتاج 1001Pneus إلى أداة موثوقة لمراقبة أداء مُحسنات محركات البحث والتأكد من أن Google كانت تخصص ميزانية الزحف الخاصة بها على الفئات والصفحات الصحيحة. تعرف على كيفية إدارة ميزانية الزحف بنجاح لمواقع التجارة الإلكترونية باستخدام OnCrawl.
اقرأ دراسة الحالة

البحث المتطور وممارسات تحسين محركات البحث القديمة

- تكرار الكلمات في النص البديل

إن إخبار Google بأن صورة الشخص بحاجة إلى التسمية مرتين لا يساعد Google في فهمها مرتين أيضًا. بل إنه من الممكن أن يقلل من تقدير محرك البحث لقيمة الصفحة.

- LSI مخصص لقواعد البيانات الثابتة الصغيرة

يستمر صانعو الأدوات في اقتراح أن تستخدم مُحسنات محركات البحث تقنيات قديمة. أحد الأمثلة على ذلك هو الفهرسة الدلالية الكامنة (LSI) ، التي تم تطويرها في عام 1989. كانت مخصصة لقواعد البيانات الصغيرة والثابتة التي لا تتناسب مع حجم الويب ولا تنمو بمعدل نمو الويب.

في كل مرة تريد استخدام LSI ، يجب أن يكون لديك أحدث إصدار من قاعدة البيانات. إذا واصلت إضافة معلومات إلى المجموعة ، فيجب إعادة تشغيلها مرة أخرى. هذا يعني أنه ليس مفيدًا جدًا للويب.

- يعمل TF-IDF مع الوصول إلى مجموعة كاملة فقط

TF-IDF هو مثال آخر. يعمل هذا بشكل أفضل إذا كان لديك وصول إلى مجموعة كاملة من المعلومات التي يتم فهرستها ، في هذه الحالة شبكة الويب العالمية. يمكنك استخدام TF-IDF عندما تريد معرفة الكلمات الأكثر شيوعًا وأيها الكلمات النادرة عبر المجموعة بأكملها. ولكن إذا كنت تستخدم فقط مجموعة صفحات الترتيب العشرة الأولى لشروط معينة بدلاً من الويب بالكامل ، فلا يمكنك تحديد تكرار المصطلح الفعلي.

يمكن أن يؤثر هذا بشكل خطير على دقة تحليلك.

توقعات مشرفي المواقع وإمكانيات Google: الحاجة للاتصال من Google

على الرغم من الإعلانات الأخيرة ، لا نعلم في الواقع أن ترميز ترقيم الصفحات ليس مفيدًا لمحركات البحث.

على الرغم من عدم استخدام ترميز التقسيم إلى صفحات لإدارة المحتوى المكرر على الصفحات المرقمة ، لدينا توقعات معينة من Google. يجب أن يكونوا قادرين على فهم متى تكون الصفحات في سلسلة. تكشف مثل هذه الإعلانات عن صعوبة معرفة مدى جودة أو سوء عمل Google في ما يقومون به.

استخدام الكلمات المشتركة في كثير من الأحيان

تتمثل الحيلة الفنية المفضلة لدى بيل في البحث في كثير من الأحيان عن الكلمات المشتركة التي تحتل مرتبة عالية بالنسبة لمصطلحات معينة والتأكد من أنه يستخدمها في المحتوى ، سواء في النص الأساسي أو في النص الأساسي الذي يشير من صفحته إلى الصفحات ذات الصلة. يستفيد هذا من "زيارات الارتساء" ، والتي من المفترض أن تعاملها محركات البحث على أنها "روابط خبراء".

هذه الاستراتيجية مستمدة من الفهرسة القائمة على العبارات.

- الاحتمال الإحصائي لتزامن العبارة

تم تحديث براءة اختراع الفهرسة القائمة على العبارات قبل حوالي عامين. يستخدم هذا الأسلوب الآن عدد المصطلحات ذات الصلة التي تظهر على الصفحات لترتيب الصفحات.

ومع ذلك ، إذا ظهر أكثر من عدد محتمل إحصائيًا للمصطلحات ذات الصلة في الصفحة ، فيمكن تمييزها على أنها بريد عشوائي. على سبيل المثال ، إذا قمت بكشط الكثير من الصفحات حول موضوع ما ووضعتهم جميعًا في صفحة واحدة ، فسيكون لديك الكثير من المصطلحات ذات الصلة بحيث لا تحدث بشكل طبيعي.

يتناسب هذا جيدًا مع الطريقة التي يقوم بها بيل بالبحث عن الكلمات الرئيسية. ينظر إلى الصفحات المتشابهة وينشئ قائمة بالعبارات أو الكلمات المتشابهة التي كثيرًا ما تحدث. قد يحاول استخدام بعضها على صفحته الخاصة ، حتى لو لم يكن يحاول الترتيب لهم. يؤدي هذا إلى إنشاء محتوى ذي صلة بالكلمات الرئيسية التي يرغب في تصنيفها.

LSI مقابل استخدام المرادفات أو المحتوى ذي الصلة المعنى

الضجيج حول LSI هو أحد أقل الموضوعات المفضلة لدى بيل ، ويرجع ذلك جزئيًا إلى أن المصطلح مضلل. ما يقترحه الكثير من الناس عندما لا علاقة للحديث عن إل إس آي (LSI) بالفهرسة الدلالية الكامنة. بدلاً من ذلك ، فإنهم يقترحون فقط إضافة مرادفات أو محتوى ذي صلة لغويًا إلى الصفحات.

يشير الفهرس المقلوب للفهرسة المبنية على الجمل وقواعد المعرفة التي يمكن أن توفر مصطلحات السياق إلى وجود مصطلحات ومصادر يمكنك الانتقال إليها للعثور على الكلمات التي قد تكون مفيدة إذا كنت تبحث بصرامة عن مصطلحات متزامنة في مرتبة عالية صفحات لكلمتك الرئيسية.

الكلمات التي تبدو مترادفة في بعض الأحيان ليست كذلك في تقدير Google.

فهرسة سريعة باستخدام أداة إرسال URL

تعد أداة إرسال عناوين URL في الإصدار الجديد من Google Search Console طريقة سريعة حقًا لفهرسة الصفحات. شهد بيل تحديثات تنتشر على SERPs في غضون دقيقة أو دقيقتين.

أمل بيل في الترميز في المستقبل: مزيد من المعلومات عن براءات الاختراع

سؤال الجمهور: ما هو ترميز المخطط الذي ترغب في إضافته في المستقبل؟

لأنه يكتب الكثير عن براءات الاختراع ، يود بيل أن يرى طريقة أفضل لالتقاط السمات الفريدة لبراءات الاختراع. تتضمن بعض هذه الميزات ما يلي:

  • الفئات (ما تهدف براءة الاختراع إلى معالجته)
  • اسم براءة الاختراع ، على الرغم من أن "الكيان الرئيسي للصفحة" يمكن أن يغطي هذه الميزة

نظرًا لأن Google تسمح لك بالفعل بالبحث بناءً على ميزات المخطط ، ستكون النهاية هي القدرة على تحسين البحث عن براءات الاختراع ، بحيث يمكن للأشخاص طلب رؤية براءات الاختراع التي تغطي فئات معينة.

هل محرك الإجابة الأمثل هو مستقبل البحث؟

سؤال الجمهور: هل تعتقد أن مُحسّنات محرّكات البحث ستصبح AEO في المستقبل؟

يعتقد بيل ، بطريقة ما ، أن مُحسّنات محرّكات البحث كانت دائمًا AEO.

- مؤشرات أقدم عن Google كمحرك للإجابة

نحن لا نمر بالضرورة بتطور. هناك مؤشرات عمرها 15 عامًا على أن Google كانت تسير في هذا الاتجاه ، على سبيل المثال:

  • 2004: ميزة القاموس تتيح للمستخدمين البحث عن معنى الكلمات
  • 2005: منشور مدونة "الحقائق فقط" يعرض أول مقتطف مميز أو إجابة مباشرة لم تكن راضية من خلال توفير عشرة روابط زرقاء ، لكنها فضلت تقديم استجابة نصية.

- سيرجي برين: براءة اختراع لخوارزمية لفهم الحقائق والعلاقات بين الحقائق

مؤشر آخر على أن Google كمحرك إجابات ليس شيئًا جديدًا هو براءة اختراع سيرجي برين على خوارزمية لفهم الحقائق والعلاقات بين الحقائق. تضمنت براءة الاختراع هذه خمسة كتب وعناوينها وناشريها ومؤلفيها وما إلى ذلك.

النظرية هي أن الروبوت قد يزحف إلى الويب بحثًا عن هذه الكتب و-

[مقاطعة بواسطة OK Google]

- العلامات المائية الصوتية

هناك أيضًا مفهوم العلامات المائية الصوتية التي تستفيد من التردد الفائق. قد تقع خارج نطاق سمع الإنسان ، لكن الكلاب وأجهزة الكمبيوتر ستكون قادرة على التعرف عليها. قد يسمح هذا لمقدمي الخدمات المختلفين بتتبع حقيقة أنك سمعت عن إعلان تجاري يحمل علامة مائية وربما يكون مهتمًا بالمنتج.

لقد كان هذا موجودًا منذ خمس سنوات على الأقل ، ولم تتم مناقشته في تحسين محركات البحث.

أهم تلميح

"هناك الكثير من المعلومات الخاطئة حول موضوعات مثل RankBrain والمطابقة العصبية والتعلم الآلي على الويب. يتضمن بعضها حقائق مدروسة بعناية ومختلطة بالمعلومات الخاطئة ، لذا كن حذرًا بشأن ما تعتمد عليه ".

ذهب تحسين محركات البحث في Orbit إلى الفضاء

إذا فاتتك رحلتنا إلى الفضاء يوم 27 يونيو ، فاحصل عليها هنا واكتشف كل النصائح التي أرسلناها إلى الفضاء.