زمانی که به افزایش یادگیری ماشینی در رابطه با سئو فکر می کنیم، بسته به نوع متخصص سئوی شما، می توانیم با سناریوی ترسناکی روبرو شویم.
متخصصان سئو، مانند من، که مبتنی بر منطق هستند و در طول تاریخ با تکیه بر درک سیگنال های موجود در بازی و نحوه نوسان آنها کار کرده اند، ممکن است بیشتر ناخن های خود را بجوند تا بازاریاب هایی که بیشتر به خدمات رسانی به کاربران متکی بوده اند تا موتورها.
جایی که من زمانی سرم را می خاراندم و فکر می کردم که چگونه رویکرد “محتوای عالی بسازید و آنها بیایند” حتی قابل تصور است، کسانی که این رویکرد سئو را مشترک می کنند، کسانی هستند که امروز کمتر نگران هستند.
و باید باشند.
به نوعی
هنوز اینطور نیست:
قبل از اینکه به آنچه در حال تغییر است بپردازیم، اجازه دهید ابتدا به این سوال پاسخ دهیم:
یادگیری ماشینی در رابطه با سئو چیست؟
ما در اینجا به درس بزرگی در مورد یادگیری ماشینی نمی پردازیم و زمانی نخواهیم داشت که در واقع چگونگی تأثیر آن بر ما و اینکه استراتژی سئوی آینده ما باید چگونه باشد را پوشش دهیم .
از یک نمای 30000 فوتی، تنها چیزی که واقعاً باید بدانیم این است که سرعت فوقالعادهای به قابلیتهای Google اضافه میکند:
- انباشت داده ها
- تفسیر.
- واکنش.
برای اطلاعات بیشتر در این مورد، پست من را بررسی کنید: یادگیری ماشینی در جستجو چگونه کار می کند: هر آنچه که باید بدانید .
و اگر واقعاً میخواهید بدانید یادگیری ماشینی چیست، Google یک دوره رایگان تصادف در اینجا ارائه میدهد .
چگونه یادگیری ماشین بر پیوندها و لینک سازی تأثیر می گذارد
یکی از سادهترین نمونههای یادگیری ماشینی منطقهای که میتواند قابلیتهای گوگل را تا حد زیادی افزایش دهد، پیوندها است.
با نگاهی به یک مثال کوچک، یادگیری ماشینی می تواند در یکی از جنبه های کلیدی ارزیابی پیوند نقش داشته باشد: فیلتر کردن هرزنامه ها.
گوگل در حال حاضر از یادگیری ماشینی در جیمیل استفاده می کند و به نرخ موفقیت 99.9 درصدی رسیده است و تنها 0.05 درصد موارد مثبت کاذب است.
این را به ارزیابی پیوندها منتقل کنید و مدل بسیار موفقی دارید.
قبلا مهندسان گوگل باید:
- لیستی از سایت های بی کیفیت ایجاد کنید و جریان ارزش لینک آنها را به صورت دستی مسدود کنید.
- ویژگی های خاص یک پیوند بد را بر اساس آنچه قبلا دیده بودند برنامه ریزی کنید.
- توابع کاهش ارزش را در محاسبات پیوند تنظیم کنید و امیدوار باشید که موارد مثبت کاذب زیادی را شامل نشود.
با یادگیری ماشینی، جهان باز می شود.
بله، هنوز یک نقطه شروع اولیه وجود دارد – لیستی از دامنه های بد شناخته شده و دیگری از سیگنال های بد فرضی.
اما اینها زمینه های آموزشی هستند که یک سیستم یادگیری ماشینی می تواند از آنها برای موارد زیر استفاده کند:
- بیاموزید که چگونه این سیگنال ها را به پیوندهای دیگری که با آنها برخورد می کنند اعمال کنید.
- سیگنال های خود را برای آنچه به نظر می رسد هرزنامه است (یا برای این موضوع خوب است) توسعه دهند.
به جای تکیه بر این مجموعه سخت و سریع معیارها، ماشینها میتوانند خود را با تماشای الگوها آموزش دهند.
مشاهده سایتهایی که دارای سیگنالهای بد فرضی هستند (هم در ارتباط با آنها یا هم در پیوند دادن) مشخصات دستگاه را نشان میدهد.
سپس، هنگامی که تعیین بد تایید شد، می تواند الگوهای مهندسی معکوس را برای تشخیص سریعتر در آینده شروع کند.
- سایت های اسپم به چه نوع سایت هایی لینک می دهند؟
- سایت های اسپم چه نوع لینک هایی دریافت می کنند؟
- آیا الگوی رشد پیوند وجود دارد؟
- آیا صفحاتی که لینکهای پولی میفروشند تمایل دارند به سایتهای خاص دیگری نیز لینک بدهند (این کار را انجام میدهند) و اگر بله، کدام سایتها؟
سپس سیستم میتواند آنها را به معیارهایی که اعمال میکند اضافه کند.
این واقعاً چیزی کمتر از یک کوه یخ است که چگونه ماشینها میتوانند کارهایی که انسانها میتوانند انجام دهند را شبیهسازی کنند و آن را تقویت کنند.
آیا می خواهید بدانید که چگونه گوگل می تواند اعلام کند که ارزش سایت های دارای لینک های هرزنامه را به جای جریمه کردن دستی آنها کاهش می دهد؟
این کار توسط ماشینهایی امکانپذیر شده است که میتوانند کاهش ارزشها را با سرعتهای باورنکردنی با مثبتهای کاذب بسیار کمتر یاد بگیرند و اعمال کنند.
به آن اضافه کنید، ماشینها همچنین میتوانند کیفیت محتوا و ارتباط یک صفحه را درک کنند و این درک را به صورت جداگانه و انبوه در معادله تکمیل کنند.
دستگاهی که می تواند بپرسد: “آیا این پیوند باید وزن بالایی برای سایت شخصی شما داشته باشد؟” و سپس، “آیا احتمال زیادی وجود دارد که پیوند پولی باشد یا مشکل ساز باشد؟” در زمینه داده های دیگر پیوندهای یافت شده و تجزیه و تحلیل شده در آن صفحه و دامنه.
اینها نمونه های بسیار محدودی هستند که در آن یادگیری ماشینی می تواند برای پیوندها اعمال شود.
الگوهای هرزنامه با میزان موفقیت فزاینده ای شناسایی می شوند و خواهند شد، در حالی که پیوندهای با کیفیت با نرخ بالاتری درک می شوند و پاداش دریافت می کنند.
این به معنای افزایش تمرکز بر کیفیت، مرتبط بودن و مشروعیت است – مگر اینکه احساس کنید میتوانید سریعتر از یک ماشین سیستمهایی را برای فریب Google ایجاد کنید.
چگونه یادگیری ماشینی بر سئوی محتوا تأثیر می گذارد
در حالی که ما از مثال لینک های بالا استفاده کردیم، حوزه های کمی دیگر از سئو وجود دارد که بیشتر تحت تاثیر افزایش یادگیری ماشینی قرار می گیرد تا محتوا.
برای نشان دادن این نکته، فقط باید به کار گوگل در ترجمه نگاه کنیم.
آنها به مدت 10 سال با استفاده از ترجمه ماشینی مبتنی بر عبارت روی این مشکل کار کردند – عمدتاً عبارات شناخته شده را تطبیق می دادند و نتیجه را بیرون می دادند.
همه ما نتایج را به یاد داریم. کار را انجام داد، اما فوق العاده خام بود.
در سپتامبر 2016، آنها به یک سیستم یادگیری ماشینی (سیستم ترجمه ماشین عصبی گوگل ) روی آوردند و در 24 ساعت پس از عرضه، این سیستم ترجمه را بیش از دهه قبل بهبود بخشیده بود.
اساساً، یادگیری ماشینی می تواند در درک زبان در 24 ساعت کارایی بیشتری نسبت به ویرایش انسانی، حتی با کمک ماشین، 3650 برابر بیشتر داشته باشد.
این برای متخصصان سئو چه معنایی دارد؟
جام مقدس بازاریابی دیجیتال در راه است – زمانی که تنها کار ما این خواهد بود که بهترین محتوایی را که میتوانیم منتشر کنیم و وسعتی از محتوا را به اندازه کافی گسترده و در قالبهایی به اندازهای باشد که خواستهها و ترجیحات کاربران را نسبت به محتوای بعدی برآورده کند. و اگر این موارد تکمیل شوند، احتمال بسیار خوبی وجود دارد که گوگل نیز این را درک کند.
این بدان معنا نیست که ماشینها نقصی ندارند یا نقشی برای متخصصان سئو وجود نخواهد داشت.
در واقع، من فکر میکنم نقش بزرگتری برای ما وجود خواهد داشت، اما این نقش در استفاده از کلمات کلیدی نخواهد بود – بلکه در فرمولبندی نحوه رضایت کاربر خواهد بود.
ویل رینولدز یکی از بهترین خلاصهها را از آنچه که من فکر میکنم در راه است ارائه کرد. او پیشنهاد می کند از خود بپرسیم:
«اگر گوگل فقط بهترین پاسخ را نشان دهد، چه اتفاقی میافتد؟»
این سوالی است که باید بپرسیم.
چیزی که این را جالب تر می کند این است که آنچه “بهترین” است ذهنی است.
من شخصاً از دستورالعمل های ویدیویی برای نحوه انجام بیشتر وظایف متنفرم – فقط در صورت لزوم لیستی با تعدادی عکس به من بدهید.
اما همه اینطور نیستند. برخی فیلم می خواهند و برخی ممکن است دانلود PDF را که می توانند چاپ کنند ترجیح دهند.
علاوه بر آن، این امر وابسته به وظیفه خواهد بود. به عنوان مثال، من به سختی می خواهم تبلتم زیر ماشین همراهم باشد زیرا روغن را عوض می کنم، بنابراین احتمالاً چاپ کردن در آنجا بهتر است.
بنابراین، آنچه را که در رابطه با نتیجهای که ممکن است گوگل ارائه دهد، «بهترین» در نظر بگیرم به مجموعهای از عوامل مرتبط با ترجیحات شخصی من بستگی دارد – وظیفه خاصی که میخواهم انجام دهم، زمان و مکان، نوع دستگاهی که من در آن هستم و غیره
این نمی تواند توسط یک انسان برنامه ریزی شود.
در گذشته تلاشهای مناسبی برای نتایج شخصیسازی شده انجام شده است، اما تا زمان یادگیری ماشین محدود بودند.
یک انسان نمی تواند یک تجربه برای شما بسازد.
انسانها نمیتوانند منابع را به درک آنچه شما بهطور خاص در زمانهای خاص دوست دارید، بر اساس دستگاهی که به آن دسترسی دارید یا جایی که ممکن است باشید، اختصاص دهند.
ماشین ها می توانند.
یک ماشین میتواند همه آنها را ردیابی کند و در طول زمان نه تنها یاد بگیرد که چه نتایجی را دوست دارید، بلکه نوع نتایجی را که قصد شما را برآورده میکند، بیاموزد و در نهایت بهترین نتیجه را از شاخص فعلیاش برای شما به دست آورد.
به طور خلاصه، اکنون باید کمتر به اجرای قوانین جهانی فکر کنیم و بیشتر در مورد تحقق هدف مخاطبان هدفمان فکر کنیم .
علاوه بر آن، اگر میخواهیم برای عبارات عمومیتری مانند «لپتاپ» و نه فقط «خرید لپتاپ دل» با سایت تجارت الکترونیک خود رتبهبندی کنیم، باید اهداف کاربرانی را که صرفاً علاقهمند به خرید لپتاپ نیستند برآورده کنیم. اهداف همه آن بازدیدکنندگان را برآورده کند. شاید، ما همچنین باید آن داده ها را در قالب های مختلف ارائه دهیم تا بدون توجه به دستگاه، پاسخ برنده باشیم.
قبل از یادگیری ماشینی، لازم نیست نگران این موضوع باشیم. هر گونه تلاشی برای درک اینکه جهش یا زمان در سایت ممکن است چه معنایی از طرف گوگل داشته باشد، حداقل بگوییم ابتدایی بود.
اکنون، با کمک یادگیری ماشینی به درک زمینه زبان و اینکه سیگنالهای تولید شده توسط کاربر چه معنایی دارد، این امر نه تنها امکان پذیر است، بلکه به کار گرفته میشود.
به یک ویدیوی عالی فکر کنید که برای پاسخ به یک سوال رایج جمعیتی هدف شما تولید کرده اید.
اکنون تصور کنید که مخاطب هدف شما در حال پرسیدن سوال خود در Google Home یا سایر دستگاههای صوتی اول است . ممکن است نیازی به ارائه محتوا در هر قالب ممکن نداشته باشید زیرا ممکن است مخاطبان شما آن را درخواست نکنند، اما باید آگاه باشید.
چگونه یادگیری ماشین بر سئو فنی تاثیر می گذارد
وقتی صحبت از سئو فنی به میان می آید، یک نفر وجود دارد که باید همین الان دنبالش کنید: سیندی کروم . به حرف های او توجه کنید زیرا او در مسیر درستی قرار دارد.
او در یک گفتگو در مورد نمایه سازی موبایل اول ، اصطلاحی را ابداع کرد که به شخصه معتقدم آینده سئو فنی را به طرز درخشانی خلاصه می کند. او از “موبایل اول” به عنوان یک اصطلاح نادرست نام برد که آن را “اول قابل حمل” نامید.
ایده ای که او مطرح کرد این بود که محتوا باید به راحتی از طراحی و ساختار فنی شما جدا شود (یعنی قابل حمل) به طوری که در هر زمان می توان به آن دسترسی داشت.
دقیقا درست میگه
همانطور که به دنیای جدید و شجاعانه یادگیری ماشین می رویم، هدف این است که اطلاعاتی را در اختیار کاربر قرار دهیم که هدف او را برآورده کند.
وظیفه ما این است که اطمینان حاصل کنیم که محتوا را می توان به راحتی درک کرد و از ساختاری که در آن وجود دارد استخراج کرد – یا از طریق نشانه گذاری ، فیدهای XML، یا صرفاً ساختار محتوا در یک صفحه به روشی که واضح و به راحتی تفسیر شود.
بنابراین تو الان چه کار میکنی؟
با این اطلاعات چه باید کرد؟
ما در مورد یادگیری ماشینی و توانایی روزافزون گوگل برای درک دنیای اطرافمان و همچنین نیازها و خواسته های شخصی خود صحبت می کنیم. این قدرت آن است و این چیزی است که همه ما باید در آینده انجام دهیم.
در حالی که نمیتوانم به هر کسی بگویم تلاشهای سئوی خود را بر اساس معیارهای آزمایش شده و واقعی که هنوز به خوبی کار میکنند کنار بگذارند، این معیارها به سرعت در حال تکامل و فرسایش هستند. من نمی بینم که آنها بیش از دو یا سه سال زنده بمانند.
وظیفه شما این است:
اطمینان حاصل کنید که محتوای شما به هر دستگاهی که توسط جمعیت هدف شما قابل دسترسی است قابل حمل است و با آن مخاطبان صحبت می کند.
اگر چندین مخاطب با نیازهای متعدد دارید، همچنین باید اطمینان حاصل کنید که یا محتوای شما برای همه آنها کاربرد دارد و جذاب است یا محتوای متفاوتی برای هرکدام و به طور بالقوه در قالب های مختلف وجود دارد.
بهعنوان یک متخصص سئو در دنیای یادگیری ماشینی، باید کلمات کلیدی را بیشتر برای سؤال و هدفی که دلالت میکنند، مشاهده کنید تا بهعنوان ابزاری بیپرده برای درج در یک صفحه و در متن لنگر.
ماشینها به ما کمک میکنند بفهمیم بازدیدکنندگان چه میخواهند تا بتوانیم راههایی برای ارائه آن پیدا کنیم.
چرا؟
زیرا این همان چیزی است که دستگاه به دنبال آن خواهد بود – یک کاربر راضی. آنها تمام معیارهایی را خواهند داشت که بدانند آیا شما – یا یکی از رقبای شما – بهترین کار را در ارائه یکی از آنها انجام می دهد.
