Раскрытие секретов SEO: роль машинного обучения в поиске Google

1. Восстание машин
2. Приложение Google для машинного обучения
3. Google также учится благодаря помощи веб-мастеров и оптимизаторов
4. Структурированные данные как проверенные человеком данные обучения для алгоритма Google
5. Как структурированные данные устарели для покупок в Google
6. Вывод: шаги машинного обучения к семантическому пониманию

Что это на самом деле означает, когда мы говорим, что Google использует алгоритмы машинного обучения? В нашей последней статье «Развертывание секретов SEO» приглашенный автор Олаф Копп объясняет, к чему именно это относится и где нейронные сети применяются в Поиске Google. Веб-мастерам и оптимизаторам следует принять во внимание: вы - ключ к тому, чтобы помочь обеспечить алгоритмы Google обучающими данными.

Эта статья является последней в моей серии по машинному обучению. Предыдущие посты распаковки можно найти здесь:

Часть 1: Как Google интерпретирует поисковые запросы

Часть 2: Все это семантически для поиска Google

Часть 3: Как работает график знаний Google?

Развертывание секретов SEO

Как обсуждалось в статье, Семантическая паутина (немецкий) Системы, основанные на инновациях Web 2.0, которые делают информацию идентифицируемой, классифицируемой, измеримой и сортируемой в зависимости от контекста, являются единственным способом справиться с потоком информации и данных.

Но чистой семантики здесь недостаточно, потому что это зависит от статистических методов. Семантические системы требуют предопределения классов и меток для классификации данных. Более того, трудно идентифицировать и создавать новые объекты без помощи вручную. В течение длительного времени это можно было сделать только вручную или со ссылкой на поддерживаемые вручную базы данных, такие как Wikipedia или Wikidata, что препятствует масштабируемости.

Из-за этого, цифровые привратники нуждаются во все более надежных автономных алгоритмах для управления этими задачами. В будущем алгоритмы самообучения, основанные на методах искусственного интеллекта и машинного обучения, будут играть все более важную роль. Это единственный способ гарантировать, что результаты / результаты соответствуют ожиданиям при сохранении масштабируемости.

Восстание машин

Прежде чем перейти к роли машинного обучения в поиске Google сегодня, важно понять, как работает машинное обучение. В своем объяснении я только коснусь этой темы, потому что я не обученный математик или ученый, и мне не хватает более детальных знаний о том, как создаются такие алгоритмы.

Машинное обучение можно считать частью области искусственного интеллекта . Термин «интеллект» не совсем применим в отношении машинного обучения, потому что речь идет не столько об интеллекте, сколько о шаблонах, которые могут распознавать машины или компьютеры, и о точности.

Машинное обучение имеет дело с автоматизированной разработкой алгоритмов, основанных на эмпирических данных или данных обучения. В результате основное внимание уделяется оптимизации результатов или улучшению прогнозов на основе процессов обучения.

Приложение Google для машинного обучения

Эти алгоритмы также часто используются в Google для классификации и кластеризации информации, а также для прогнозирования на этой основе. Согласно собственному заявлению, Google полагается на контролируемое машинное обучение , что означает, что в разные моменты процесса машинного обучения люди предварительно классифицируют и оценивают результаты.

Согласно их собственным заявлениям, Google использует глубокие нейронные сети, по крайней мере, с пятью слоями, которые затем называются Deep Learning . Использование нейронных сетей такой глубины позволяет автоматически и независимо создавать новые модельные группы, что снова значительно повышает масштабируемость

Машинное обучение можно использовать везде, где Google должен назначать метки или комментарии к данным и / или запускать кластеризацию, что было бы слишком трудоемким вручную. До настоящего времени использование машинного обучения в поиске Google было подтверждено только RankBrain. Однако я также могу представить себе, что машинное обучение уже используется для кластеризации документов в процессе индексации. Если вы хотите узнать больше о Google, AI и машинном обучении, я рекомендую мою статью, Значение машинного обучения, AI и RankBrain для SEO и Google (немецкий) с интересными мнениями уважаемых коллег, таких как Маркус Хёвенер, Кай Спристерсбах, Маркус Тобер и Себастьян Эрлхофер.

Google также учится благодаря помощи веб-мастеров и оптимизаторов

Разработка семантической базы данных в форме графа знаний, но также и в целом с идентификацией сущностей, во многом зависит от помощи внешних лиц, таких как веб-мастера и редакторы Википедии. В целом, однако, долгосрочная цель Google состоит в том, чтобы иметь возможность независимо извлекать данные, которые можно интерпретировать, чтобы проект График знаний не останавливался.

Это также очевидно в проекте хранилища знаний. Хранилище знаний было представлено Google в 2014 году как неактивный проект разработки, в котором предполагалось использовать веб-сканирование, машинное обучение, структурированные и неструктурированные данные для создания крупнейшей базы знаний в мире. Кроме того, на сегодняшний день нет информации о том, насколько активно Google уже использует эту базу данных. Но я предполагаю, что граф знаний уже получает информацию из хранилища знаний. Подробнее об этом можно прочитать в статье, Google «Хранилище знаний» для обеспечения будущего поиска ,

Я предполагаю, что Google очень заинтересован в распознавании информации для Графа знаний без помощи внешних людей - и в идеале автоматизирован. Здесь уже есть некоторые подсказки, что Google постоянно предоставляет проверенные человеком данные обучения для своих собственных систем машинного обучения, чтобы быстрее идентифицировать и классифицировать объекты.

Например, Google также дважды проверяет информацию о медицинских коробках профессоров и врачей в Гарварде и Клинике Майо, прежде чем они будут опубликованы в графах знаний. Эта ручная проверка может также использоваться с контролируемым машинным обучением для улучшения алгоритмов. Google может также предоставить алгоритмы самообучения обратной связи с оценщиками поиска (Quality Rater), так как они могут стать еще одним источником ценных учебных данных.

Структурированные данные как проверенные человеком данные обучения для алгоритма Google

Другим примером того, как Google все чаще пытается работать независимо от веб-мастеров, является разметка rel-authorship . На мой взгляд, эта разметка имела только одну цель для Google: идентификация шаблонов, которые используются для определенных типов объектов. Информация и разметки создавались или заполнялись людьми (в основном, SEO-специалистами и веб-мастерами) и, следовательно, были проверенными данными обучения, которые Google мог использовать в своих алгоритмах машинного обучения для создания групп моделей для авторов в соответствии с этими шаблонами.

Таким образом, неудивительно, что Google в конце концов прекратил преследовать проекты rel-авторство или Freebase . Freebase изначально была заполнена данными, которые люди добавляли в соответствии с базовой семантической структурой. Это дало Google и семантическую игровую площадку, и достаточно проверенных человеком данных для обучения алгоритму машинного обучения. Но Freebase был лишь кратковременным средством для достижения цели.

Как структурированные данные устарели для покупок в Google

По моему мнению, это также произойдет в ближайшие несколько лет с большой долей всех структурированных данных, как только Google больше не будет нуждаться в этом. Это также просто проверенные человеком данные обучения, которые в какой-то момент могут устареть.

Тот факт, что структурированные данные могут быть лишь путевой точкой и что Google в идеале хотел бы обойтись без этого ввода в виде тегов веб-мастерами и оптимизаторами SEO, также демонстрируется последними разработками в Google AdWords или Google Shopping.

Рекламодатели AdWords, которые запустили фид покупок в последние несколько месяцев, получили письмо со следующим текстом:

«По состоянию на 30 октября 2017 г. самая актуальная информация о ценах и наличии ваших статей будет определяться на основе аннотаций для структурированных данных или дополнительной информации (если структурированные данные недоступны). Таким образом, ваши клиенты выиграют от повышения удобства использования Google Shopping ».

Если вы иногда обращаетесь к справке Google Shopping, вы найдете следующую формулировку относительно каналов покупок:

«Продвинутые экстракторы могут найти информацию о цене и наличии на целевой странице продукта. Они используют комбинацию статистических моделей и машинного обучения для обнаружения и извлечения данных о продукте из независимой разметки структурированных данных вашего сайта ». Источник: https://support.google.com/merchants/answer/3246284?hl=en

Это показывает, как за последние несколько лет Google с помощью машинного обучения научился автоматически интерпретировать контент, независимый от структурированных данных, и назначать контент классу. Благодаря этому процессу поставщики магазинов оказали важную помощь, которые последние годы послушно пометили свои каналы покупок структурированными данными. Проверенные данные тренировок для алгоритма машинного обучения Google Shopping.

Эта цель четко сформулирована Google, прямо из Гари Иллиеса:

«Я хочу жить в мире, где схема не так важна, но в настоящее время она нам нужна. Если команда Google рекомендует это, вам, вероятно, следует использовать ее, поскольку схема помогает нам понять содержимое страницы, и она используется в определенных функциях поиска (но не в алгоритмах ранжирования)… У Google должны быть алгоритмы, которые могут вычислять вещи без необходимости схемы ... »Источник: https://searchengineland.com/gary-illyes-ask-anything-smx-east-285706

Кроме того, я должен упомянуть, что в той же цитате Гэри отрицает, используются ли данные schema.org в качестве обучающих данных. Это противоречит моему предположению.

«Нет, это используется для богатых фрагментов».

Вывод: шаги машинного обучения к семантическому пониманию

• Google хотел внедрить семантический поиск с Графиком Знаний и алгоритмом Колибри. Однако сегодня ясно, что цель семантического понимания давно не может быть достигнута из-за недостатка масштабируемости.
• Учитывая огромный объем поисковых запросов и документов, семантическая классификация информации, документов и поисковых запросов является практичной только в сочетании с системами машинного обучения. Иначе жертвы в производительности слишком велики. Кроме того, это стало возможным благодаря энергичной помощи SEO-специалистов и веб-мастеров, которые сами помечают информацию вручную.
• Возможность делать прогнозы относительно того, что бы хотел пользователь, когда он вводит ранее неизвестный поисковый термин в строку поиска, возможна только через машинное обучение.

Похожие

Комментарии