[Webinar Digest] SEO in Orbit: Rankbrain, KI, maschinelles Lernen und die Zukunft der Suche

Veröffentlicht: 2019-11-13

Das Webinar „Rankbrain, KI, maschinelles Lernen und die Zukunft der Suche“ ist Teil der Reihe „SEO in Orbit“ und wurde am 19. Juni 2019 ausgestrahlt. In dieser Folge nutzt Bill Slawski sein Wissen über Google-Patente und die Funktionsweise der Suche, um es zu brechen heute verwendete wahrscheinliche Suchalgorithmen herunter und postulieren, wie es unter der Haube einer zukünftigen Version von Google aussehen könnte. Begleiten Sie uns, während wir die Zukunft der technischen SEO erkunden.

SEO in Orbit ist die erste Webinar-Reihe, die SEO in den Weltraum schickt. Während der gesamten Serie haben wir mit einigen der besten SEO-Spezialisten über die Gegenwart und die Zukunft der technischen SEO diskutiert und ihre Top-Tipps am 27. Juni 2019 ins All geschickt.

Sehen Sie sich hier die Wiederholung an:

Vorstellung von Bill Slawski

Bill Slawski, ein autodidaktischer Patentexperte für Suchmaschinen, ist Director of SEO Reach bei Go Fish Digital und Blogger bei SEO by the Sea. In Bills eigenen Worten: „Ich bin kein Informatiker, und ich bin kein Mathematiker. Ich habe einen Bachelor-Abschluss in Englisch und einen Abschluss als Jurisdoctor in Law. Ich lese seit ungefähr 2005 Patente von Suchmaschinen, um zu erfahren, was sie über die Suche, Sucher und das Web zu sagen haben. Viele dieser Patente decken Algorithmen ab, die darauf abzielen, bestimmte Probleme anzugehen, und ich habe viele hilfreich gefunden, wenn es um die Durchführung von SEO geht.“

Diese Episode wurde von Francois Goube, Serienunternehmer und Mitbegründer und CEO von OnCrawl, moderiert. Er hat mehrere Unternehmen gegründet und engagiert sich aktiv im Startup-Ökosystem. Mit Leidenschaft für semantische Analyse und Suchmaschinen analysiert er gerne wissenschaftliche Google-Publikationen und ist regelmäßiger Redner auf SEO-Konferenzen.

Was sind KI und maschinelles Lernen?

Es gibt viele Definitionen von KI.

Ein Großteil der Arbeit von Google konzentriert sich auf neuronale Netze, was dazu führt, wie maschinelles Lernen funktioniert. Es verwendet einen Datensatz, der den idealen Datensatz darstellt, der markiert ist, um bestimmte Merkmale hervorzuheben, der zum Trainieren von Klassifikatoren verwendet wird. Diese werden dann auf andere Datensätze losgelassen, um die neuen Informationen basierend auf dem, was sie aus dem Stichprobensatz gelernt haben, zu analysieren und zu klassifizieren. Das ist maschinelles Lernen.

Von KI abgedeckte Bereiche

- Natürliche Sprache

KI kann verschiedene Bereiche abdecken, wie zum Beispiel das bessere Verständnis natürlicher Sprache. Es gibt eine Reihe von Techniken, und viele der Dinge, die von Google kommen, veranschaulichen, was mit der Analyse natürlicher Sprache zu tun hat.

– Fragen beantworten

Ein aktuelles Patent (Link) versucht, Lücken in Fragenantwortschemata zu füllen.

Es erklärt, wie Google einen Wissensgraphen verwenden könnte, um zu verstehen, was die Antwort auf eine Frage sein könnte. Wenn beispielsweise Informationen fehlen oder falsche Daten für Entitäten vorliegen, versucht Google möglicherweise, die Antwort auf der Grundlage von Informationen zu schätzen, die mit verwandten Fakten verknüpft sind.

Das Interessante an diesem Patent ist nicht, dass Google Schätzungen verwendet, um Fragen zu beantworten, sondern dass sie die Erklärungen für ihre Schätzungen liefern.

– Nachahmung menschlicher Gedanken (neuronale Netze)

Maschinelles Lernen basiert auf KI, indem es die Art und Weise nachahmt, wie menschliches Denken funktionieren könnte. Machine-Learning-Netzwerke werden neuronale Netzwerke genannt, weil sie versuchen, die Funktionsweise von Neuronen in einem Gehirn zu replizieren.

Rankhirn

– Beziehung zu Kolibri und Wortkontext

Sowohl Rankbrain als auch Hummingbird sind Ansätze zum Umschreiben von Abfragen. Hummingbird versuchte, den Kontext einer Abfrage besser zu verstehen, indem er sich alle Wörter in einer Abfrage ansah. Früher betrachtete Google nur Wörter nebeneinander, um den Kontext zu verstehen; Kolibri blickt über die unmittelbar nebeneinander stehenden Wörter hinaus. Es kann sogar ganze Sätze in Konversationsabfragen berücksichtigen. Hummingbird versuchte, alle Wörter in der Abfrage zusammen zu verwenden, um den Kontext zu verstehen.

– Umschreiben von Abfragen in Rankbrain mit Word-Embedding-Ansatz

Im Gegensatz zu Hummingbird verwendet Rankbrain einen Word-Embedding-Ansatz. Es untersucht eine kurze Textpassage und kann feststellen, ob Wörter fehlen. Dies geschieht durch Training mit großen Datensätzen (200 Milliarden Wörter).

– Suchen nach fehlenden Wörtern in der Abfrage

Beispielsweise kann die Suchanfrage „New York Times Puzzle“ korrekt so interpretiert werden, dass das Wort „Kreuzworträtsel“ fehlt. Rankbrain fügt der Abfrage das fehlende Wort hinzu und gibt dem Suchenden Ergebnisse für das Kreuzworträtsel der New York Times zurück, da dies wahrscheinlich das ist, was er möchte.

– Können Sie für Rankbrain optimieren?

Es ist wichtig zu beachten, dass Sie Seiten nicht für Rankbrain optimieren können. Einige SEOs haben Artikel geschrieben, die besagen, dass Sie dies können. Nach allem, was Bill über den Algorithmus gesehen hat, deutet dies jedoch darauf hin, dass es sich um einen Prozess zum Umschreiben von Abfragen handelt und nicht um etwas, das die Bewertung einer Seite beeinflusst.

Zusätzliche Google-Algorithmen mit maschinellem Lernen

Google hat keinen einzigen „Algorithmus“, der die Suchmaschine antreibt. Es hat viele verschiedene Algorithmen, die dazu beitragen, wie es funktioniert. Rankbrain ist einer von vielen.

– Verwendung von Qualitätswerten innerhalb von Kategorien

Dies könnte beispielsweise bedeuten, dass Google, wenn es feststellt, dass es viele informatorische Ergebnisse für eine bestimmte Suchanfrage gibt, statt einer Rangfolge von Seiten basierend auf dem Informationsabrufwert oder Autoritätsbewertungen wie PageRank, Kategorien berücksichtigt. Von dort aus können sie Qualitätsbewertungen innerhalb der Website-Kategorien vergeben. Dadurch wird eine vielfältigere Reihe von Ergebnissen bereitgestellt und sichergestellt, dass qualitativ hochwertigere Ergebnisse schneller an die Spitze der Ergebnisse gelangen können.

– Seitenpopularität für Navigationsergebnisse

Diese Art von Ranking-Algorithmus bevorzugt auch Seiten, die beliebter sind (Seiten, zu denen die Leute tendenziell gehen), insbesondere für Navigationsergebnisse. Wenn Suchende bereits wissen, dass die Seite etwas ist, das sie sehen möchten, wird die Seite tendenziell einen hohen Rang in den Paradigmen des Qualitätsfaktors der Kategorie einnehmen.

– Einfluss der SERP CTR

Kategorie-Qualitäts-Scores deuten auch darauf hin, dass Seiten, die häufig in den Suchergebnissen ausgewählt werden, ebenfalls qualitativ hochwertige Seiten sind und auch unter diesem Kategorie-Qualitäts-Ansatz einen hohen Rang einnehmen würden.

Obwohl ein Qualitätsbewertungsansatz für Kategorien definitiv maschinelles Lernen ist, ist es nicht Rankbrain.

Rankbrain zur Erfüllung situativer Bedürfnisse von Suchenden

Rankbrain versucht zu verstehen, was in einer Abfrage möglicherweise fehlt. Der wichtigste Aspekt von Rankbrain ist, dass es versucht, die Situationsbedürfnisse von Suchenden zu erfüllen: Was hat diese Person wirklich gemeint, als sie die Suchanfrage in das Feld eingegeben hat?

Frühere Keyword-Abfragen im Vergleich zu aktuellen gesprochenen und Konversationsabfragen

Wenn wir uns in Richtung gesprochener und konversationsartiger Abfragen bewegen, werden mehr Wörter involviert sein als bei dem Schlüsselwortansatz, der in der Vergangenheit verwendet wurde.

Als Suchender versuchen Sie zu erraten, welche Wörter Sie verwenden müssen, um die gewünschten Informationen zu finden. Und Sie sollten diese Art von Vermutungen nicht anstellen müssen. Wenn Sie danach fragen, was Sie wollen, sollte Google in der Lage sein, es zu analysieren und festzustellen, was Sie wahrscheinlich gemeint haben. Dies ist die Rolle von Rankbrain.

Ansätze zur Verarbeitung natürlicher Sprache

Eines der Dinge, die wir sehen, ist, dass Google der Verarbeitung natürlicher Sprache viel mehr Aufmerksamkeit schenkt. Wir sehen Ansätze zur Verarbeitung natürlicher Sprache.

– Neuronales Matching

Danny Sullivan hat ein bisschen über etwas getwittert, das er Neural Matching nennt.

Er sagte, dies sei ein Mittel, um Wörter auf Seiten und die Bedeutung dieser Wörter im Kontext besser zu verstehen. Er lieferte einige Beispiele dafür, wie ein Wort drei oder vier verschiedene Dinge bedeuten kann, je nachdem, wie es in einem Satz positioniert ist.

– Worteinbettung

Google hat Patente über die Verwendung eines Worteinbettungstyp-Ansatzes (wie sie in Rankbrain verwendet wurden, um diese kurzen Textabfragen zu verstehen) für längere Textmengen wie Webseiten veröffentlicht.

– Semantische Rahmen

Ein semantischer Rahmen ist, wenn Sie Sprache verwenden, die für eine bestimmte Situation ideal ist. In jeder Situation wird eine bestimmte Sprache verwendet. Zum Beispiel haben Punkte im Zusammenhang mit einer Hypothek oder einem Immobilienkauf nicht die gleiche Bedeutung wie Punkte bei Würfel- oder Brettspielen.

Wenn Sie das Framework verstehen, können Sie den Kontext von Wörtern auf einer Seite besser verstehen.

Dies kann auch dabei helfen, zwischen Wörtern zu unterscheiden, deren Bedeutung sich von Situation zu Situation unterscheidet. „Pferd“ zum Beispiel bedeutet für einen Reiter und einen Zimmermann nicht dasselbe. Andere Patente haben auch zusätzliche Verfahren zum Verstehen kontextueller Bedeutungsunterschiede untersucht.

Verwenden von maschinellem Lernen, um Autoren basierend auf Schreibstilen zu identifizieren

Für eine Maschine ist es ziemlich einfach, den Schreibstil einer Person zu identifizieren. Hier besteht eine Parallele zu thematischen Einordnungen von Inhalten aufgrund standardisierter Stile in Branchen wie Immobilien, Sport etc.

Als Englischstudent analysierte Bill Literatur und untersuchte die verschiedenen Arten, wie sich Autoren ausdrücken, und warum.

– Autor bewertet Patent anhand der Zitierhäufigkeit

Google hat ein Patent bezüglich Autorenbewertungen. Bei der Bewertung von Autoren wird unter anderem berücksichtigt, wie oft sie von anderen Autoren zitiert werden.

– Google Books N-Gram-Viewer

Google arbeitet viel mit Sprachmodellen. Sie haben eine große Anzahl von Büchern gescannt. Mit dem N-Gram-Viewer können Sie sehen, wie sich die Popularität eines Satzes im Laufe der Jahre entwickelt.

– Quality Score-Patent von N. Panda unter Verwendung von Sprachmodellen

Das Quality Score-Patent von N. Panda spricht über die Verwendung von N-Grammen und den Aufbau von Sprachmodellen, um die Qualität von Webseiten anhand ihres Vergleichs mit anderen Sprachmodellen zu verstehen.

Dies ist ein großartiges Beispiel für maschinelles Lernen in der Suchmaschinentechnologie. Wir haben einen Datensatz von zuvor bewerteten Seiten und wir vergleichen neue Seiten mit denen, die auf den Daten aus dem ursprünglichen Stichprobensatz basieren. Da dies zur Bestimmung der Qualität verwendet wird, erhalten Seiten, die Merkmale gut geschriebener Seiten aus dem Originalsatz enthalten, eine höhere Punktzahl.

Diese Art von Sprachmodell kann auch verwendet werden, um den Schreibstil verschiedener Autoren zu verstehen.

Maschinelles Lernen der Zukunft mit strukturierten Daten

Maschinelles Lernen zeigt sich auch darin, wie Google Entitäten verwaltet, in der Übersetzung und im Erscheinungsbild dessen, was Cindy Krum Fraggles genannt hat.

– Passagen beantworten und Textinhalte verstärken

Es gibt ein weiteres Patent, das sich mit Antwortpassagen befasst, in dem Google einen Mechanismus vorschlägt, um auf Webseiten gefundene Textpassagen zu verwenden, um Antworten auf Fragen zu geben. Dies wurde kürzlich aktualisiert, um nicht nur Textpassagen, sondern auch strukturierte Daten zu betrachten, die den Text verstärken.

– Faktenprüfung und Konsistenz

Die Verwendung von Schema bietet Redundanz in Informationen. Dadurch hat Google die Möglichkeit, die Konsistenz von Informationen auf einer Webseite zu überprüfen, indem es die Textinformationen mit den Informationen vergleicht, die im strukturierten Markup bereitgestellt werden.

Dasselbe passiert bei Google Maps, wo Google Name, Adresse und Telefonnummer ansieht.

Konsistenz bietet ein Maß an Vertrauen, dass die Antwort mit größerer Wahrscheinlichkeit richtig ist.

– FAQ-Seiten und Anleitungsseiten

Während Google eine FAQ-Seite und How-to-Schema-Unterstützung einführt, sehen wir, dass sie sich auf Mittel zubewegen, um Websitebesitzer dazu zu bringen, Schemas einzubauen, die widerspiegeln, was sie in den Text auf einer Webseite einfügen könnten.

Strategien zum Verständnis des Kontexts auf der Webseite

Google hat andere Schritte unternommen, um zu versuchen, den Inhalt von Webseiten besser zu verstehen. Hier sind ein paar:

– Nutzung von Wissensbasen und Kontextbegriffen

Google-Patente haben angegeben, dass sie sich Wissensdatenbanken ansehen und Definitionen von Kontextbegriffen aus diesen Wissensdatenbanken sammeln könnten. Sie könnten dann auf einer Webseite nach dem Vorhandensein dieser Kontextbegriffe suchen, um festzustellen, welche kontextabhängige Bedeutung eines Wortes am wahrscheinlichsten ist.

Eine Seite über ein Pferd (ein Tier) könnte also Wörter wie „Sattel“ enthalten, während Seiten über andere Pferdetypen Wörter wie „Zimmerei“ enthalten könnten.

– Phrasenbasierte Indizierung

Ein weiterer Ansatz zum semantischen Lernen zum Verstehen von Themen auf Seiten stammt aus dem Jahr 2004 oder so. Die satzbasierte Indexierung ist nicht nur alt, sondern auch Gegenstand von mindestens 20 Patenten und wurde mehrfach aktualisiert und ergänzt. All dies zeigt Bill, dass die satzbasierte Indexierung in den Algorithmen von Google sehr wichtig ist.

– Erstellen eines invertierten Index von themenvorhersagenden Phrasen

Eines der Patente im Zusammenhang mit der satzbasierten Indizierung beschreibt den Aufbau eines invertierten Index von Sätzen, die auf Seiten erscheinen und die Themen vorhersagen. Ein Beispiel wären Ausdrücke wie „Präsident der Vereinigten Staaten“, „Außenminister“ oder „Rose Garden Interview“, die ein semantisches Thema von „Weißes Haus“ vorhersagen.

Webmaster-Fachwissen in Schema

Google entwickelt die Verwendung von Dingen wie Schema, aber die Definition der Art von Dingen, die durch Schema beschrieben werden, wird von Webmastern bereitgestellt. Auf diese Weise können Webmaster zusammen mit den Suchmaschinen zum Aufbau der Wissensgraphen beitragen.

Beispielsweise hat Google „Knows-about“ als Aspekt von Schema hinzugefügt. Webmaster sind jedoch diejenigen, die angeben, dass Anwälte etwas über Admiralitäts- oder Patentrecht wissen können, was wiederum dazu beiträgt, den Wissensgraphen auszufüllen.

Die maschinenbasierte Repräsentation von Wissen ist eine Gemeinschaftsleistung.

[Fallstudie] Verwaltung des Bot-Crawlings von Google

Mit mehr als 26.000 Produktreferenzen benötigte 1001Pneus ein zuverlässiges Tool, um seine SEO-Leistung zu überwachen und sicherzustellen, dass Google sein Crawl-Budget den richtigen Kategorien und Seiten zuweist. Erfahren Sie, wie Sie das Crawl-Budget für E-Commerce-Websites mit OnCrawl erfolgreich verwalten.
Lesen Sie die Fallstudie

Sich entwickelnde Suche und veraltete SEO-Praktiken

– Wiederholte Wörter im Alt-Text

Google zu sagen, dass ein Foto einer Person zweimal genannt werden muss, hilft Google nicht, es doppelt so gut zu verstehen. Es ist sogar möglich, dass dadurch die Einschätzung der Suchmaschine zum Wert der Seite sinkt.

– LSI für kleine statische Datenbanken

Werkzeugmacher schlagen immer wieder vor, dass SEOs alte Techniken verwenden. Ein Beispiel ist Latent Semantic Indexing (LSI), das 1989 entwickelt wurde. Es war für kleine, statische Datenbanken gedacht, die nicht die Größe des Webs haben und nicht so schnell wachsen wie das Web.

Jedes Mal, wenn Sie LSI verwenden möchten, benötigen Sie die neueste Version der Datenbank. Wenn Sie dem Korpus weiterhin Informationen hinzufügen, muss es erneut ausgeführt werden. Dies bedeutet, dass es für das Web nicht sehr nützlich ist.

– TF-IDF funktioniert nur mit Zugriff auf den vollständigen Korpus

TF-IDF (Term Frequency-Index Document Frequency) ist ein weiteres Beispiel. Dies funktioniert am besten, wenn Sie Zugriff auf den gesamten Korpus der indexierten Informationen haben, in diesem Fall das World Wide Web. Sie verwenden TF-IDF, wenn Sie wissen möchten, welche die häufigsten und welche seltenen Wörter im gesamten Korpus sind. Aber wenn Sie statt des gesamten Webs nur den Korpus der Top-Ten-Ranking-Seite für bestimmte Begriffe verwenden, können Sie keine tatsächliche Begriffshäufigkeit feststellen.

Dies kann die Genauigkeit Ihrer Analyse ernsthaft beeinträchtigen.

Erwartung des Webmasters und Fähigkeiten von Google: Kommunikationsbedarf von Google

Trotz kürzlicher Ankündigungen wissen wir nicht wirklich, dass Paginierungs-Markup für Suchmaschinen nicht nützlich ist.

Obwohl Paginierungs-Markup nicht mehr verwendet wird, um doppelte Inhalte auf paginierten Seiten zu verwalten, haben wir bestimmte Erwartungen an Google. Sie sollten in der Lage sein zu verstehen, wenn Seiten in einer Reihe sind. Ankündigungen wie diese zeigen, wie schwierig es ist, zu wissen, wie gut oder wie schlecht Google in dem ist, was sie tun.

Häufig vorkommende Wörter verwenden

Bills technischer Lieblingstrick besteht darin, häufig vorkommende Wörter zu untersuchen, die für bestimmte Begriffe einen hohen Stellenwert haben, und sicherzustellen, dass er diese im Inhalt verwendet, sowohl im Hauptteil als auch im Ankertext, der von seiner Seite auf verwandte Seiten verweist. Dabei werden „Ankertreffer“ ausgenutzt, die von Suchmaschinen angeblich als „Expertenlinks“ behandelt werden.

Diese Strategie basiert auf der phrasenbasierten Indizierung.

– Statistische Wahrscheinlichkeit des gleichzeitigen Vorkommens von Phrasen

Das Patent für die phrasenbasierte Indizierung wurde vor etwa zwei Jahren aktualisiert. Dieser Ansatz verwendet nun, wie viele verwandte Begriffe auf Seiten erscheinen, um die Seiten zu ranken.

Wenn jedoch mehr als eine statistisch wahrscheinliche Anzahl verwandter Begriffe auf einer Seite erscheint, kann sie als Spam markiert werden. Wenn Sie beispielsweise viele Seiten zu einem Thema kratzen und sie alle auf einer Seite platzieren, hätten Sie zu viele verwandte Begriffe, als dass dies auf natürliche Weise geschehen wäre.

Das passt gut zu Bills Art der Keyword-Recherche. Er sieht sich ähnliche Seiten an und erstellt eine Liste ähnlicher Sätze oder Wörter, die häufig vorkommen. Er könnte versuchen, einige davon auf seiner eigenen Seite zu verwenden, auch wenn er nicht versucht, für sie zu ranken. Dadurch werden Inhalte erstellt, die für die Schlüsselwörter relevant sind, für die er ranken möchte.

LSI im Vergleich zur Verwendung von Synonymen oder semantisch verwandten Inhalten

Der Hype um LSI ist eines von Bills unbeliebtesten Themen, teilweise weil der Begriff irreführend ist. Was viele Leute andeuten, wenn die Rede von LSI nichts mit latenter semantischer Indizierung zu tun hat. Stattdessen schlagen sie nur vor, den Seiten Synonyme oder semantisch verwandte Inhalte hinzuzufügen.

Der invertierte Index der sprachbasierten Indexierung und Wissensdatenbanken, die Kontextbegriffe bereitstellen können, weisen darauf hin, dass es Begriffe und Quellen gibt, zu denen Sie gehen können, um Wörter zu finden, die hilfreich sein könnten, wenn Sie streng nach gleichzeitig vorkommenden Begriffen auf hohem Rang suchen Seiten für Ihr Keyword.

Wörter, die scheinbar Synonyme sind, sind es nach Einschätzung von Google manchmal nicht.

Schnelle Indizierung mit dem URL-Übermittlungstool

Das URL Submission Tool in der neuen Version der Google Search Console ist eine wirklich schnelle Möglichkeit, Seiten zu indizieren. Bill hat gesehen, wie Aktualisierungen innerhalb von ein oder zwei Minuten an die SERPs weitergegeben wurden.

Bills Hoffnung auf künftiges Markup: mehr Informationen für Patente

Publikumsfrage: Welches Schema-Markup möchten Sie in Zukunft hinzugefügt sehen?

Da er viel über Patente schreibt, würde Bill gerne einen besseren Weg sehen, um die einzigartigen Merkmale von Patenten zu erfassen. Einige dieser Funktionen umfassen:

  • Klassen (was das Patent ansprechen soll)
  • Patentname, obwohl „Hauptentität der Seite“ diese Funktion abdecken könnte

Da Google bereits die Suche auf der Grundlage von Schema-Funktionen ermöglicht, wäre die Endgültigkeit, die Suche nach Patenten zu verbessern, sodass die Leute nach Patenten fragen könnten, die bestimmte Kategorien abdecken.

Ist die Answer-Engine-Optimierung die Zukunft der Suche?

Publikumsfrage: Glauben Sie, dass aus SEO in Zukunft AEO wird?

Bill glaubt, dass SEO in gewisser Weise schon immer AEO war.

– Ältere Hinweise auf Google als Antwortmaschine

Wir machen nicht unbedingt eine Evolution durch. Es gibt 15 Jahre alte Hinweise darauf, dass Google in diese Richtung gegangen ist, zum Beispiel:

  • 2004: Wörterbuchfunktion, mit der Benutzer nach der Bedeutung von Wörtern suchen können
  • 2005: „Just the facts“-Blogbeitrag mit dem ersten Featured Snippet oder der ersten direkten Antwort, die sich nicht mit zehn blauen Links zufrieden gab, sondern lieber eine Textantwort lieferte.

– Sergey Brin: Patent für Algorithmus zum Verstehen von Fakten und Beziehungen zwischen Fakten

Ein weiterer Hinweis darauf, dass Google als Antwortmaschine nichts Neues ist, ist ein Patent von Sergey Brin auf einen Algorithmus zum Verständnis von Fakten und Zusammenhängen zwischen Fakten. Dieses Patent umfasste fünf Bücher, ihre Titel, ihre Verleger, ihre Autoren und so weiter.

Die Theorie besagt, dass ein Bot das Internet durchsuchen würde, um nach diesen Büchern zu suchen und –

[Unterbrechung durch OK Google]

– Audio-Wasserzeichen

Es gibt auch das Konzept der Audio-Wasserzeichen, die die Ultrahochfrequenz nutzen. Sie würden außerhalb des Bereichs des menschlichen Gehörs liegen, aber Hunde und Computer könnten sie identifizieren. Dies könnte es verschiedenen Anbietern ermöglichen, die Tatsache nachzuvollziehen, dass Sie eine mit Wasserzeichen versehene Werbung gehört haben und möglicherweise an dem Produkt interessiert sind.

Dies gibt es seit mindestens fünf Jahren und es wurde in der SEO nicht diskutiert.

Top Tipp

„Im Web gibt es viele Fehlinformationen zu Themen wie RankBrain, Neural Matching und Machine Learning. Einige davon enthalten sorgfältig recherchierte Fakten, gemischt mit Fehlinformationen, also seien Sie vorsichtig, worauf Sie sich verlassen.“

SEO in Orbit ging in den Weltraum

Wenn Sie unsere Reise ins All am 27. Juni verpasst haben, sehen Sie sie sich hier an und entdecken Sie alle Tipps, die wir ins All geschickt haben.