[Web Semineri Özeti] Orbit'te SEO: Rankbrain, AI, makine öğrenimi ve aramanın geleceği
Yayınlanan: 2019-11-13Rankbrain, yapay zeka, makine öğrenimi ve aramanın geleceği web semineri, SEO in Orbit serisinin bir parçasıdır ve 19 Haziran 2019'da yayınlandı. Bu bölümde Bill Slawski, Google patentleri ve aramanın işleyişi hakkındaki bilgisinden yararlanarak kırılmayı hedefliyor bugün kullanılan olası arama algoritmalarını aşağı indirin ve Google'ın gelecekteki bir sürümünün başlığı altında nasıl görünebileceğini varsayın. Teknik SEO'nun geleceğini keşfederken bize katılın.
SEO in Orbit, SEO'yu uzaya gönderen ilk web semineri dizisidir. Dizi boyunca, en iyi SEO uzmanlarından bazılarıyla teknik SEO'nun bugününü ve geleceğini tartıştık ve en iyi ipuçlarını 27 Haziran 2019'da uzaya gönderdik.
Tekrarını buradan izleyin:
Bill Slawski'yi sunmak
Kendi kendini yetiştirmiş bir arama motoru patent uzmanı olan Bill Slawski, Go Fish Digital'de SEO erişiminin Direktörü ve SEO by the Sea'de bir blog yazarıdır. Bill'in kendi sözleriyle: “Bilgisayar Bilimcisi değilim ve matematikçi değilim. İngilizce lisans derecem ve Hukuk alanında Hukuk Doktorum var. Arama motorları, arama yapanlar ve Web hakkında ne söyleyeceklerini öğrenmek için yaklaşık 2005'ten beri arama motorlarının patentlerini okuyorum. Bu patentlerin çoğu, belirli sorunları çözmeyi amaçlayan algoritmaları kapsıyor ve ben konu SEO yapmak olduğunda pek çok yararlı buldum.”
Bu bölüm, seri girişimci ve OnCrawl'ın Kurucu Ortağı ve CEO'su Francois Goube tarafından sunuldu. Birkaç şirket kurdu ve startup ekosisteminde aktif olarak yer alıyor. Semantik analiz ve arama motorları konusunda tutkulu, bilimsel Google yayınlarını analiz etmeyi seviyor ve SEO konferanslarında düzenli olarak konuşmacı olarak yer alıyor.
Yapay zeka ve makine öğrenimi nedir?
AI'nın birçok tanımı vardır.
Google'ın çalışmalarının çoğu, makine öğreniminin nasıl çalıştığına yol açan sinir ağlarına odaklanır. Sınıflandırıcıları eğitmek için kullanılan, onunla ilgili belirli özellikleri vurgulamak için işaretlenmiş ideal veri kümesini temsil eden bir veri kümesi kullanır. Bunlar daha sonra örnek setten öğrendiklerine dayalı olarak yeni bilgileri analiz etmek ve sınıflandırmak için diğer veri setlerinde serbest bırakılır. Bu makine öğrenimi.
AI tarafından kapsanan alanlar
- Doğal lisan
Yapay zeka, doğal dili daha iyi anlamak gibi farklı alanları kapsayabilir. İlgili bir dizi teknik vardır ve Google'dan gelen birçok şey, doğal dil analizinde nelerin yer aldığını göstermektedir.
– Soru cevaplama
Yakın tarihli bir patent (bağlantı), soru yanıtlama şemalarındaki boşlukları doldurmaya çalışır.
Google'ın bir sorunun cevabının ne olabileceğini anlamak için bir bilgi grafiğini nasıl kullanabileceğini açıklar. Örneğin, varlıklar için eksik veya yanlış veriler varsa, Google, ilgili gerçeklerle ilişkili bilgilere dayanarak yanıtı tahmin etmeye çalışabilir.
Bu patentle ilgili ilginç olan şey, Google'ın soruları yanıtlamak için tahmin kullanması değil, tahminleri için açıklamalar sağlamasıdır.
– İnsan düşüncesini taklit etme (sinir ağları)
Makine öğrenimi, insan düşüncesinin çalışma şeklini taklit eden AI'ya dayanır. Makine öğrenimi ağlarına sinir ağları denir, çünkü beyindeki nöronların çalışma şeklini kopyalamaya çalışmak için inşa edilmişlerdir.
sıra beyin
– Sinekkuşu ve kelime bağlamıyla ilişkisi
Hem Rankbrain hem de Hummingbird, sorgu yeniden yazma yaklaşımlarıdır. Hummingbird, sorgudaki tüm kelimelere bakarak sorgunun bağlamını daha iyi anlamaya çalıştı. Önceden Google, bağlamı anlamak için yalnızca yan yana sözcüklere bakardı; Sinekkuşu, hemen yan yana olan kelimelerin ötesine bakar. Hatta konuşma sorgularında tam cümleleri hesaba katabilir. Hummingbird, bağlamı anlamak için sorgudaki tüm kelimeleri birlikte kullanmaya çalıştı.
– Kelime gömme yaklaşımını kullanarak Rankbrain'de sorgu yeniden yazma
Hummingbird'ün aksine, Rankbrain bir kelime gömme yaklaşımı kullanır. Kısa bir metin pasajını inceler ve eksik kelimeler olup olmadığını belirleyebilir. Bunu, büyük veri kümeleri (200 milyar kelime) üzerinde eğiterek yapar.
– Sorguda eksik kelimeleri bulma
Örneğin, “New York Times bulmacası” sorgusu, “bulmaca” kelimesinin eksik olduğu şeklinde doğru bir şekilde yorumlanabilir. Rankbrain, eksik kelimeyi sorguya ekler ve muhtemelen istedikleri bu olduğundan, araştırmacıya New York Times çapraz bulmacasının sonuçlarını döndürür.
– Rankbrain için optimize edebilir misiniz?
Sayfaları Rankbrain için optimize edemeyeceğinizi unutmamak önemlidir. Bazı SEO'lar yapabileceğinizi söyleyen makaleler yazdı. Ancak, Bill'in algoritma hakkında gördüğü her şeyden, bunun bir sayfanın değerlendirmesini etkileyen bir şey değil, bir sorgu yeniden yazma işlemi olduğunu gösteriyor.
Makine öğrenimini kullanan ek Google algoritmaları
Google'ın arama motorunu yönlendiren tek bir "algoritması" yoktur. Nasıl çalıştığına katkıda bulunan birçok farklı algoritmaya sahiptir. Rankbrain birçoğundan biridir.
– Kategoriler içinde kalite puanlarını kullanma
Bu, örneğin, Google, belirli bir sorgu için çok sayıda bilgi türü sonucu olduğunu belirlediğinde, sayfaları bilgi alma puanına veya PageRank gibi yetki derecelendirmelerine göre sıralamak yerine, kategorileri dikkate alabileceği anlamına gelebilir. Oradan, web sitesi kategorileri içinde Kalite Puanları verebilirler. Bu, daha çeşitli bir sonuç kümesi sağlayacak ve daha kaliteli sonuçların sonuçların en üstüne daha hızlı taşınmasını sağlayacaktır.
– Gezinme sonuçları için sayfa popülerliği
Bu tür sıralama algoritması, özellikle gezinme türü sonuçları için daha popüler olan sayfaları (insanların gitme eğiliminde olduğu sayfalar) da tercih eder. Arama yapanlar, sayfanın görmek istedikleri bir şey olduğunu zaten bildiklerinde, sayfa, Kategori Kalite Puanı paradigmalarında üst sıralarda yer alma eğiliminde olacaktır.
– SERP TO'sunun Etkisi
Kategori Kalite Puanları ayrıca, arama sonuçlarında sıklıkla seçilen sayfaların da yüksek kaliteli sayfalar olduğunu ve bu kategori kalite yaklaşımı altında üst sıralarda yer alacağını da gösterir.
Ancak, bir kategori kalite puanı yaklaşımı kesinlikle makine öğrenimi olsa da, Rankbrain değildir.
Arama yapanların durumsal ihtiyaçlarını karşılamak için Rankbrain
Rankbrain, bir sorguda neyin eksik olabileceğini anlamaya çalışıyor. Rankbrain'in en önemli yönü, arama yapanların durum ihtiyaçlarını karşılamaya çalışmasıdır: bu kişi sorguyu kutuya yazarken gerçekten ne demek istedi?
Geçmişteki anahtar kelime sorguları ile mevcut sözlü ve konuşma sorguları karşılaştırması
Sözlü ve konuşma tipi sorgulara doğru ilerliyorsak, geçmişte kullanılan anahtar kelime yaklaşımından daha fazla kelime söz konusu olacaktır.
Bir araştırmacı olarak, ihtiyacınız olan bilgiyi bulmak için hangi kelimeleri kullanmanız gerektiğini tahmin etmeye çalışıyorsunuz. Ve bu tür bir tahminde bulunmana gerek yok. Ne istediğinizi sorarsanız, Google bunu analiz edebilmeli ve muhtemelen ne demek istediğinizi belirleyebilmelidir. Rankbrain'in rolü budur.
Doğal dil işleme yaklaşımları
Gördüğümüz şeylerden biri, Google'ın doğal dil işlemeye çok daha fazla dikkat etmesi. Doğal dil işleme yaklaşımlarının ortaya çıktığını görüyoruz.
– Sinirsel Eşleştirme
Danny Sullivan, sinirsel eşleşme dediği bir şey hakkında biraz tweet attı.
Son birkaç aydır Google, kelimeleri kavramlara daha iyi bağlamak için sinirsel eşleştirme, –AI yöntemini kullanıyor. Bir bakıma süper eş anlamlılar ve sorguların %30'unu etkiliyor. "Pembe dizi efekti"nin ne olduğunu aramanın ne olduğunu bilmiyor musunuz? Bunu daha iyi anlayabiliriz. pic.twitter.com/Qrwp5hKFNz
— Danny Sullivan (@dannysullivan) 24 Eylül 2018
Bunun, sayfalardaki kelimeleri ve bu kelimelerin bağlam içindeki anlamını daha iyi anlamanın bir yolu olduğunu söyledi. Bir kelimenin cümle içinde nasıl konumlandırıldığına bağlı olarak nasıl üç veya dört farklı anlama gelebileceğine dair bazı örnekler verdi.
– Kelime Gömme
Google, web sayfaları gibi daha uzun metin miktarları için (bu kısa metin sorgularını anlamak için Rankbrain'de kullandıkları gibi) bir kelime gömme türü yaklaşımı kullanma konusunda patentler yayınlamaktadır.
– Semantik Çerçeveler
Anlamsal çerçeve, belirli bir durum için ideal olan dili kullandığınız zamandır. Her durumda, kullanılan belirli bir dil vardır. Örneğin, ipotek veya gayrimenkul satın alma bağlamındaki puanlar, zar veya masa oyunlarındaki puanlarla aynı anlama gelmez.
Çerçeveyi anlarsanız, bir sayfadaki kelimelerin bağlamını daha iyi anlayabilirsiniz.
Bu aynı zamanda, anlamın kendisinin durumdan duruma farklılık gösterdiği sözcükler arasında ayrım yapılmasına da yardımcı olabilir. Örneğin “at”, bir binici ve bir marangoz için aynı anlama gelmez. Diğer patentler de anlam bakımından bağlamsal farklılıkları anlamanın ek yöntemlerini araştırdı.
Yazarları yazma stillerine göre belirlemek için makine öğrenimini kullanma
Bir makinenin bir kişinin yazı stilini belirlemesi oldukça kolaydır. Bununla emlak, spor vb. sektörlerdeki standartlaştırılmış stiller nedeniyle içeriğin tematik sınıflandırmaları arasında bir paralellik vardır.
Bir İngiliz öğrencisi olarak Bill, literatürü analiz etti ve yazarların kendilerini ifade etme biçimlerine ve nedenlerine baktı.
– Yazar, atıf sıklığını kullanarak patent puanları
Google'ın yazar puanlarıyla ilgili bir patenti var. Yazarları puanlamak için dikkate alınan faktörlerden biri, diğer yazarlar tarafından ne sıklıkta alıntı yapıldığıdır.
– Google Kitaplar N-Gram görüntüleyici
Google, dil modelleriyle çok çalışır. Çok sayıda kitap taradılar. N-Gram görüntüleyici, bir cümlenin popülaritesinin yıllar içinde nasıl geliştiğini görmenizi sağlar.
– Dil modellerini kullanan N. Panda tarafından Kalite Puanı patenti
N. Panda'nın Kalite Puanı patenti, diğer dil modelleriyle karşılaştırmalarına dayalı olarak web sayfalarının kalitesini anlamak için N-gramları kullanmaktan ve dil modelleri oluşturmaktan bahseder.
Bu, arama motoru teknolojisinde makine öğreniminin harika bir örneğidir. Önceden puanlanmış sayfalardan oluşan bir veri setimiz var ve yeni sayfaları orijinal örnek setteki verilere dayanarak karşılaştırıyoruz. Bu, kaliteyi belirlemek için kullanıldığından, orijinal setten iyi yazılmış sayfaların özelliklerini içeren sayfalar daha yüksek puan alacaktır.
Bu tür bir dil modeli, farklı yazarların yazı stillerini anlamak için de kullanılabilir.
Yapılandırılmış verilerle geleceğin makine öğrenimi
Makine öğrenimi, Google'ın varlıkları nasıl yönettiğinde, çeviride ve Cindy Krum'un Fraggles adını verdiği şeyin görünümünde de belirgindir.
- Pasajları cevaplayın ve metin içeriğini güçlendirin
Google'ın sorulara cevap vermek için web sayfalarında bulunan metin pasajlarını kullanmak için bir mekanizma önerdiği, cevap pasajlarından bahseden başka bir patent daha var. Bu, yalnızca metinsel pasajlara değil, aynı zamanda metni güçlendiren yapılandırılmış verilere de bakmak için yakın zamanda güncellendi.
– Doğruluk kontrolü ve tutarlılık
Schema kullanmak, bilgide fazlalık sağlar. Bu, Google'a, metinsel bilgileri yapılandırılmış işaretlemede sağlanan bilgilerle karşılaştırarak bir web sayfasındaki bilgi gerçeklerinin tutarlılığını kontrol etme aracı sağlar.
Bu, Google'ın ada, adrese ve telefon numarasına baktığı Google haritalarında olanla aynıdır.
Tutarlılık, cevabın doğru olma olasılığının daha yüksek olabileceğine dair bir güven düzeyi sağlar.
– SSS sayfaları ve nasıl yapılır sayfaları
Google, SSS sayfası ve Nasıl Yapılır Şeması desteğini sunarken, site sahiplerinin bir web sayfasındaki metne ne koyabileceklerini yansıtan Şema oluşturma yöntemlerine doğru ilerlediklerini görüyoruz.
Web sayfasındaki bağlamı anlama stratejileri
Google, web sayfalarındaki içeriği daha iyi anlamaya çalışmak için başka adımlar attı. Burda biraz var:
– Bilgi tabanlarının ve bağlam terimlerinin kullanımı
Google patentleri, bilgi tabanlarına bakabileceklerini ve bu bilgi tabanlarından bağlam terimlerinin tanımlarını toplayabileceklerini belirtmişlerdir. Daha sonra, bir kelimenin hangi bağlama bağlı anlamının en olası olduğunu belirlemeye yardımcı olmak için bir web sayfasında bu bağlam terimlerinin varlığını arayabilirler.
Bu nedenle, bir atla (hayvan) ilgili bir sayfa "eyer" gibi kelimeler içerebilirken, diğer at türleri hakkındaki sayfalar "marangozluk" gibi kelimeler içerebilir.
– Cümle tabanlı indeksleme
Sayfalardaki konuları anlamak için semantik öğrenmeye yönelik başka bir yaklaşım, 2004'e kadar uzanır. Cümle tabanlı indeksleme sadece eski değil, aynı zamanda en az 20 patentin konusu ve birkaç kez güncellendi ve değiştirildi. Tüm bunlar, Bill'e kelime öbeğine dayalı indekslemenin Google'ın algoritmalarında çok büyük önem taşıyan bir şey olduğunu gösteriyor.
– Konu öngörücü ifadelerin tersine çevrilmiş dizini oluşturma
Cümle tabanlı indeksleme ile ilgili patentlerden biri, sayfalarda görünen ve konuları öngören ters çevrilmiş bir kelime öbeği indeksi oluşturmayı açıklar. Bir örnek, “Beyaz Saray”ın anlamsal bir konusunu öngören “Amerika Birleşik Devletleri Başkanı”, “Dışişleri Bakanı” veya “Gül Bahçesi röportajı” gibi ifadeler olabilir.
Schema'da web yöneticisi konu bilgisi
Google, Schema gibi şeylerin kullanımını geliştiriyor, ancak Schema tarafından açıklanan türlerin tanımı web yöneticileri tarafından sağlanıyor. Bu şekilde, web yöneticileri arama motorlarıyla birlikte bilgi grafiklerinin oluşturulmasına katkıda bulunabilirler.
Örneğin, Google, Schema'nın bir yönü olarak "hakkında bilgi sahibi" ifadesini ekledi. Ancak, web yöneticileri, avukatların amirallik hukuku veya patent hukuku hakkında bilgi sahibi olabileceğini belirtenlerdir ve bu da bilgi grafiğini doldurmaya yardımcı olur.
Bilginin makine tabanlı temsili, işbirlikçi bir çabadır.
[Örnek Olay] Google'ın bot taramasını yönetme
Örnek olayı okuyunGelişen arama ve modası geçmiş SEO uygulamaları
– Alt metinde tekrarlanan kelimeler
Google'a bir kişinin fotoğrafının iki kez adlandırılması gerektiğini söylemek, Google'ın onu iki kez anlamasına yardımcı olmaz. Arama motorunun sayfanın değerine ilişkin tahminini düşürmesi bile mümkündür.
– Küçük statik veritabanları için tasarlanmış LSI
Araç üreticileri, SEO'ların eski teknikleri kullanmasını önermeye devam ediyor. Bir örnek, 1989'da geliştirilen gizli anlamsal dizin oluşturmadır (LSI). Web boyutunda olmayan ve web'in yaptığı hızda büyümeyen küçük, statik veritabanları için tasarlanmıştır.
LSI'yi her kullanmak istediğinizde, veritabanının en son sürümüne sahip olmanız gerekir. Derlemeye bilgi eklemeye devam ederseniz, tekrar çalıştırılması gerekir. Bu, web için pek kullanışlı olmadığı anlamına gelir.
– TF-IDF, yalnızca tam derceye erişimle çalışır
TF-IDF (terim frekans indeksi belge frekansı) başka bir örnektir. Bu, indekslenen bilgilerin tümüne, bu durumda dünya çapında web'e erişiminiz varsa en iyi sonucu verir. TF-IDF'yi tüm derlemde hangilerinin en yaygın ve hangilerinin nadir olduğunu öğrenmek istediğinizde kullanırsınız. Ancak, tüm web yerine belirli terimler için ilk on sıralama sayfasının tümcesini kullanırsanız, gerçek terim sıklığını oluşturamazsınız.
Bu, analizinizin doğruluğunu ciddi şekilde etkileyebilir.
Web yöneticisi beklentisi ve Google yetenekleri: Google'dan iletişim ihtiyacı
Son duyurulara rağmen, aslında sayfalandırma işaretlemesinin arama motorları için yararlı olmadığını bilmiyoruz.
Sayfalandırma işaretlemesi artık sayfalandırılmış sayfalardaki yinelenen içeriği yönetmek için kullanılmasa da, Google'dan belirli beklentilerimiz var. Sayfaların bir seri halinde olduğunu anlayabilmelidirler. Bunun gibi duyurular, Google'ın yaptıkları işte ne kadar iyi veya ne kadar kötü olduğunu bilmenin zorluğunu gözler önüne seriyor.
Sıklıkla birlikte kullanılan sözcükleri kullanma
Bill'in en sevdiği teknik numara, belirli terimler için üst sıralarda yer alan ve sıklıkla birlikte bulunan sözcüklere bakmak ve bunları içerikte, hem gövdede hem de sayfasından ilgili sayfalara işaret eden bağlantı metninde kullandığından emin olmaktır. Bu, arama motorları tarafından "uzman bağlantıları" olarak kabul edildiği varsayılan "çapa isabetlerinden" yararlanır.
Bu strateji, kelime öbeği tabanlı indekslemeden alınmıştır.
– İfadenin bir arada bulunmasının istatistiksel olasılığı
İfade tabanlı indeksleme patenti yaklaşık iki yıl önce güncellendi. Bu yaklaşım artık sayfaları sıralamak için sayfalarda kaç tane ilgili terimin göründüğünü kullanır.
Bununla birlikte, bir sayfada istatistiksel olarak olası sayıdan fazla ilgili terim görünüyorsa, spam olarak işaretlenebilir. Örneğin, bir konuyla ilgili çok sayıda sayfa kazıp hepsini tek bir sayfaya koyarsanız, bunun doğal olarak gerçekleşmesi için çok fazla ilgili teriminiz olur.
Bu, Bill'in anahtar kelime araştırması yapma biçimiyle uyumludur. Benzer sayfalara bakar ve sıkça geçen benzer ifadelerin veya kelimelerin bir listesini oluşturur. Sıralamaya çalışmasa bile bazılarını kendi sayfasında kullanmayı deneyebilir. Bu, sıralamak istediği anahtar kelimelerle alakalı içerik oluşturur.
LSI ile eş anlamlı veya anlamsal olarak ilgili içerik kullanma karşılaştırması
LSI'nin etrafındaki hype, kısmen terimin yanıltıcı olması nedeniyle Bill'in en az favori konularından biri. LSI hakkında konuşmanın gizli anlamsal indeksleme ile ilgisi olmadığında birçok insanın önerdiği şey. Bunun yerine, sayfalara eş anlamlı veya anlamsal olarak alakalı içerik eklemeyi öneriyorlar.
Tümceye dayalı dizin oluşturmanın ters çevrilmiş dizini ve bağlam terimleri sağlayabilen bilgi tabanları, yüksek sıralamada kesinlikle birlikte meydana gelen terimleri arıyorsanız yardımcı olabilecek sözcükleri bulmak için gidebileceğiniz terimler ve kaynaklar olduğunu gösterir. anahtar kelimeniz için sayfalar.
Eş anlamlı gibi görünen kelimeler bazen Google'ın tahmininde değildir.
URL gönderme aracıyla hızlı indeksleme
Google Arama Konsolunun yeni sürümündeki URL Gönderme Aracı, sayfaları dizine eklemenin gerçekten hızlı bir yoludur. Bill, bir veya iki dakika içinde SERP'lere yayılan güncellemeleri gördü.
Bill'in gelecekteki işaretleme umudu: patentler için daha fazla bilgi
Kitle sorusu: Gelecekte hangi Şema işaretlemesinin eklenmesini istersiniz?
Patentler hakkında çok şey yazdığı için Bill, patentlerin benzersiz özelliklerini yakalamanın daha iyi bir yolunu görmek istiyor. Bu özelliklerden bazıları şunlardır:
- Sınıflar (patentin ele alması amaçlanan)
- Patent adı, ancak “sayfanın ana varlığı” bu özelliği kapsayabilir
Google, Şema özelliklerine dayalı olarak arama yapmanıza zaten izin verdiğinden, nihai olarak, insanların belirli kategorileri kapsayan patentleri görmek isteyebilmeleri için patent aramayı iyileştirebilecektir.
Yanıt Motoru Optimizasyonu aramanın geleceği mi?
İzleyici sorusu: SEO'nun gelecekte AEO olacağını düşünüyor musunuz?
Bill, bir şekilde SEO'nun her zaman AEO olduğuna inanıyor.
– Bir yanıt motoru olarak Google'ın eski göstergeleri
Mutlaka bir evrim geçirmiyoruz. Google'ın bu yönde ilerlediğine dair 15 yıllık belirtiler var, örneğin:
- 2004: Kullanıcıların kelimelerin anlamlarını aramasına izin veren sözlük özelliği
- 2005: On mavi bağlantı sağlayarak tatmin olmayan, ancak metinsel bir yanıt vermeyi tercih eden ilk öne çıkan snippet'i veya doğrudan yanıtı gösteren “Sadece gerçekler” blog yazısı.
– Sergey Brin: gerçekleri ve gerçekler arasındaki ilişkileri anlamak için algoritma patenti
Google'ın bir yanıt motoru olarak yeni bir şey olmadığının bir başka göstergesi de, Sergey Brin'in gerçekleri ve gerçekler arasındaki ilişkileri anlamaya yönelik bir algoritmaya ilişkin patentidir. Bu patent beş kitabı, bunların başlıklarını, yayıncılarını, yazarlarını vb. içeriyordu.
Teori, bir botun bu kitapları aramak için web'i tarayacağı ve-
[OK Google tarafından kesinti]
– Ses filigranları
Ayrıca ultra yüksek frekanstan yararlanan sesli filigran kavramı da vardır. İnsan işitme aralığının dışında kalacaklardı, ancak köpekler ve bilgisayarlar onları tanımlayabilecekti. Bu, farklı sağlayıcıların filigranlı bir reklamı duyduğunuzu ve potansiyel olarak ürünle ilgilendiğinizi takip etmesine izin verebilir.
Bu, en az beş yıldır var ve SEO'da tartışılan bir şey değil.
Üst uç
“Web'de RankBrain, Nöral Eşleştirme ve Makine Öğrenimi gibi konularda çok fazla yanlış bilgi var. Bazıları, yanlış bilgilerle karıştırılmış dikkatlice araştırılmış gerçekleri içeriyor, bu yüzden neye güvendiğiniz konusunda dikkatli olun.”
Orbit'te SEO uzaya gitti
27 Haziran'daki uzay yolculuğumuzu kaçırdıysanız, buradan yakalayın ve uzaya gönderdiğimiz tüm ipuçlarını keşfedin.