Взгляд инженера по машинному обучению на победу в SEO

Как человек, который работал инженером по машинному обучению / ранжированию в нескольких поисковых системах, мой единственный совет для веб-сайтов, пытающихся занять высокие позиции в Google и добиться успеха в SEO, будет: оптимизировать для основополагающей правды , а не для функций .

Позвольте мне объяснить, что я имею в виду под этим.

Слишком часто общепринятые рекомендации SEO касаются попыток реинжиниринга функций, которые использует поисковик Google, и внесения изменений в ваш сайт для оптимизации этих функций. Вот некоторые примеры: исследование ключевых слов , эффективное использование обратных ссылок , использование определенных видов заголовков или структур URL и т. Д. Некоторые из них основаны на реальных данных и фактически работают, но им не хватает общей картины в пользу краткосрочных оптимизаций.

Оптимизация под правду

Google Search - гигантская система машинного обучения . Даже если они не используют машинное обучение для своего ранкера высшего уровня [1], они функционируют как система ML, которая оптимизируется для конкретной цели. В системе ML вы берете «основную правду» , которая является вашим представлением об идеальном ранжировании по большому набору запросов, и обучаете свои модели так, чтобы ваш алгоритм поиска научился ранжировать результаты как можно ближе к этому идеальному ранжированию.

Дело в том, что мы уже знаем, как Google генерирует набор «наземной правды». Он обучает людей, используя некоторые очень четко определенные рекомендации, и просит их оценить результаты для набора запросов на основе этих рекомендаций. Эти рекомендации регулярно публикуются Google. Вы можете найти самую последнюю (2017) копию здесь: Рекомендации по оценке качества поиска ,

Pandu Nayak, сотрудник Google, который фокусируется на качестве поиска, подтвердил это в недавнее заявление в NYTimes :

Оптимизация под функции

Более распространенная стратегия, которая формирует основную часть рекомендаций SEO в Интернете, - это стратегия «оптимизации для функций». Вот как это работает: некоторые эксперты по SEO пытаются реинжинировать функции, которые, как выяснилось, в поиске Google важны. Они подтверждают эффективность этих функций, видя, что работает на разных сайтах. Затем они обобщают этот совет и просят сайты его реализовать.

Эта стратегия иногда работает, но страдает от нескольких разных проблем:

  1. Это не устойчиво к алгоритмическим изменениям Google. Google повторяет свой алгоритм ранжирования поиска несколько раз в год, и если обновление делает конкретную функцию менее полезной, ваша предыдущая оптимизация этой функции будет неэффективной, и вы пострадаете от удара по SEO. Хуже того, вы не будете знать, какая именно оптимизация была затронута этим обновлением алгоритма.
  2. Есть много хороших и плохих советов по SEO, которые попадают в эту категорию. Никто, в том числе инженеры, работающие над поиском в Google, не до конца понимают, как определенные функции ранжирования соотносятся с успехом SEO. Из-за этого очень трудно отделить хороший совет от плохого.
  3. Это также дорого. Настоящие SEO-эксперты, те, кто знает, о чем говорят, недешевы. Кроме того, из-за pt 1, это будет не разовая стоимость, а обычная стоимость.

Учитывая эти проблемы, я бы посоветовал следовать стратегии « Оптимизация под основную правду» , которая не только более эффективна, но и дешевле, и более надежна в долгосрочной перспективе.

Сноски

[1] Почему машинное обучение активно используется в рейтинге объявлений Google, а в поисковом - меньше? Что привело к этой разнице?

Stylish-Portal.infO 2011
При копирование материала активная ссылка на сайт!
Copyright 2004-2016 © www.zone55.ru. All rights reserved.