RankBrain ảnh hưởng như thế nào đến SEO (và không)

Trong vài tuần qua, đã có một sự sốt sắng mới đối với trí tuệ nhân tạo, với “AIO” (Tối ưu hóa trí tuệ nhân tạo) đã vươn lên dẫn đầu trên các trang web và blog của cơ quan.

Lúc đầu, HTTPS và thiết bị di động dường như không còn là chủ đề, vì vậy sự chú ý đang chuyển sang RankBrain.

Tuy nhiên, thực tế là tối ưu hóa trí tuệ nhân tạo dường như là một khái niệm nghịch lý. Nếu chúng ta tưởng tượng rằng Google là một đứa trẻ, khi đứa trẻ đến trường và đọc một cuốn sách, chúng tôi muốn chúng học và hiểu thông tin trong cuốn sách đó. Nếu cuốn sách không được “tối ưu hóa” cho việc học của trẻ – thông tin có cấu trúc, hình ảnh, trải nghiệm người dùng hấp dẫn, tích cực, v.v. – thì trẻ sẽ không học hoặc hiểu được nội dung.

Tối ưu hóa cho RankBrain không có gì mới hoặc phức tạp. Dòng tweet trên từ Gary Illyes của Google vào ngày 27 tháng 6 năm 2017 phản ánh điều này. Vậy tại sao tối ưu hóa RankBrain phải trở thành sản phẩm của chính nó nếu các phương pháp thực hành không có gì mới?

Trong bài đăng này, tôi sẽ xem xét kỹ hơn RankBrain là gì và không phải là gì, cũng như cách các khái niệm và thực tiễn hiện có về SEO tốt (như được nêu trong hướng dẫn của Google) áp dụng cho RankBrain.

RankBrain là gì?

RankBrain sử dụng một hình thức máy học và được Google sử dụng để xử lý lượng dữ liệu định tính không thể dò được (nội dung viết) thành dữ liệu định lượng (đơn vị toán học), vectơ mà thuật toán và các máy tính khác có thể hiểu được.

15% tất cả các tìm kiếm mà Google xử lý là mới, vì vậy việc RankBrain bắt gặp một truy vấn hoặc cụm từ tìm kiếm mà nó chưa từng thấy trước đây là điều thường thấy. Sử dụng dữ liệu đã xử lý trước đó trong các vectơ và phân đoạn, RankBrain cố gắng đưa ra một phỏng đoán thông minh dựa trên các truy vấn tương tự và ý nghĩa tương tự.

Số lượng yêu cầu mới đã giảm từ 25% vào năm 2007, nhưng số lượng đã tăng theo cấp số nhân nhờ sự ra đời của điện thoại thông minh và tỷ lệ thâm nhập internet tăng trên khắp thế giới.

Nói một cách đơn giản, RankBrain:

  • Phiên dịch truy vấn của người dùng
  • Xác định mục đích tìm kiếm
  • Chọn kết quả (mục) từ cơ sở dữ liệu

Học máy là gì?

Học máy là một ngành khoa học máy tính và được Arthur Samuel định nghĩa vào năm 1959 như sau: “Máy học mang đến cho máy tính cơ hội học hỏi mà không cần được lập trình rõ ràng. “. Samuel đã tiến hành nghiên cứu ban đầu trong lĩnh vực phát triển từ các nghiên cứu về nhận dạng mẫu và lý thuyết học tập có sự hỗ trợ của máy tính.

Máy học về cơ bản khám phá việc xây dựng các thuật toán và đưa ra dự đoán dựa trên dữ liệu và tần số thống kê. Học máy đã được sử dụng trong một số ứng dụng phần mềm trước Rank Brain, bao gồm lọc email spam, phát hiện mối đe dọa mạng và kẻ xâm nhập cũng như nhận dạng ký tự quang học (OCR).

Mặc dù đây là một dạng trí tuệ nhân tạo, nhưng nó không phải là một dạng có chức năng cao.

Tìm hiểu quy tắc kết hợp

ARL (Association Rule Learning) là một phương pháp học máy để khám phá mối quan hệ giữa các biến trong cơ sở dữ liệu lớn bằng cách sử dụng các thước đo quan tâm được xác định trước.

Điều này trước đây đã được các siêu thị sử dụng để xác định hành vi mua hàng của người tiêu dùng và được sử dụng để tạo phiếu giảm giá khách hàng thân thiết và các phương pháp liên hệ với họ được thông báo khác. Ví dụ: một cửa hàng có thể sử dụng thẻ tích điểm / khách hàng thân thiết để thu thập dữ liệu trong cửa hàng mà khi phân tích, có thể dự đoán các kiểu mua và hành vi.

ARL cũng có thể được sử dụng để dự đoán các liên kết, ví dụ: nếu người dùng mua các lát pho mát và hành tây, có thể giả định rằng họ cũng đang mua thịt burger. RankBrain sử dụng nguyên tắc này để cung cấp kết quả tìm kiếm thông minh, đặc biệt khi một cụm từ có thể có nhiều nghĩa.

Một ví dụ về điều này là một thuật ngữ tiếng lóng trong tiếng Anh “dench”. Khi người dùng tìm kiếm dench, nó có thể có ba nghĩa; thuật ngữ tiếng lóng, một dòng quần áo hoặc nữ diễn viên Judi Dench. Thuật ngữ này cũng có thể được liên kết với các cá nhân như vận động viên chuyên nghiệp Emmanuel Frimpong và rapper Lethal Bizzle.

Vì truy vấn không rõ ràng, nguyên tắc xếp hạng chất lượng tìm kiếm của chính Google nêu rõ rằng công cụ tìm kiếm nên hiển thị càng nhiều biến thể càng tốt để phù hợp nhất với mục đích tìm kiếm của người dùng.

Các khái niệm về luật kết hợp học

Các khái niệm và quy tắc chính của ARL là hỗ trợ, tin tưởng, nổi và thuyết phục, nhưng với mục đích của RankBrain, tôi sẽ tập trung vào hỗ trợ và tin tưởng.

ủng hộ

Hỗ trợ trong ARL là thước đo tần suất phần tử được đề cập xuất hiện trong cơ sở dữ liệu. Điều này không giống với mật độ từ khóa hoặc tần suất xuất hiện của các biến thể từ khóa.

Lòng tin

Độ tin cậy trong ARL là thước đo số lần quy tắc được tìm thấy là đúng. Điều này dựa trên các cụm từ liên kết, có nghĩa là nếu người dùng tìm kiếm “POTUS” thì có X% khả năng họ cũng sẽ tìm kiếm Donald Trump hoặc tìm thấy kết quả hài lòng. Bạn cũng có thể tìm thấy kết quả hài lòng cho Barack Obama, George Bush hoặc Abraham Lincoln.

Sự tự tin thường có thể bị nhầm lẫn với xác suất, vì hai nguyên tắc khá giống nhau khi nói đến tìm kiếm không phải trả tiền (nếu người dùng tìm kiếm X, thì Y và Z cũng có thể hợp lệ).

RankBrain sử dụng các quy tắc liên kết để đáp ứng đồng thời mức hỗ trợ tối thiểu dành cho người dùng cụ thể và độ tin cậy tối thiểu, và cả hỗ trợ và sự tin cậy thường được chia thành hai quy trình riêng biệt:

  1. Ngưỡng hỗ trợ tối thiểu được đặt và áp dụng cho tất cả các mục chung trong cơ sở dữ liệu.
  2. Các ràng buộc tin cậy tối thiểu được áp dụng cho các phần tử chung để tạo thành các quy tắc.

Sử dụng các quy tắc này, RankBrain giúp Google ưu tiên các tín hiệu xếp hạng nào có liên quan nhất đến truy vấn của người dùng và cách các tín hiệu này có trọng số.

RankBrain và SEO

RankBrain đã được giới thiệu bằng khoảng chục ngôn ngữ (chẳng hạn như được xác nhận bởi Gary Illyes trên Twitter vào tháng 6 năm 2017) từ tiếng Anh sang tiếng Hindi và mục đích duy nhất của nó là giúp Google cung cấp kết quả chính xác hơn và trải nghiệm tìm kiếm tổng thể tốt hơn cho người dùng để đáp ứng các truy vấn của họ.

Sự khác biệt chính giữa thế giới trước và sau RankBrain là đội ngũ kỹ sư phần mềm của Google trước khi RB thêm và thay đổi các thuật toán toán học xác định kết quả tìm kiếm và xếp hạng, và thuật toán này không đổi cho đến khi có bản cập nhật. Tuy nhiên, Rank Brain là một phần của thuật toán cốt lõi và được Google sử dụng cho tất cả các truy vấn tìm kiếm (tính đến năm 2016), vì vậy sẽ có những thay đổi và dao động liên tục.

Điều này có nghĩa là các kết quả tìm kiếm hiện đáp ứng với các sự kiện thực tế và biến động hơn nhiều bên ngoài các thông báo lớn về cập nhật thuật toán.

“Tối ưu hóa” cho RankBrain

Với cách RankBrain tương tác với thuật toán cốt lõi và các tín hiệu xếp hạng khác, có thể cần phải thay đổi trọng tâm chiến lược (đặc biệt nếu chiến lược dựa trên liên kết ngược). Nhưng RankBrain không phải là một “thuật toán cổ điển” như Panda và Penguin.

Với các thuật toán cổ điển, chúng tôi biết cách tránh các hình phạt của Penguin và nhờ các hướng dẫn, chúng tôi biết cách làm hài lòng Panda. Mặt khác, RankBrain là một mô hình diễn giải không thể được tối ưu hóa đặc biệt. Tuy nhiên, ngày nay có một số thực hành chuẩn SEO phù hợp hơn bao giờ hết.

Các trang ngõ đã chết

Ý tưởng viết nội dung với một “từ khóa trọng tâm” và tạo một trang cho từ khóa đó đã lỗi thời. Bản cập nhật Hummingbird đã sửa lỗi này vào năm 2013 và RankBrain đã tiến thêm một bước nữa.

Tôi đã thấy phương pháp này vẫn được sử dụng trong một số lĩnh vực. Cả trải nghiệm người dùng và ma trận từ khóa đều nên được sử dụng khi tạo nội dung và cấu trúc URL, tập trung vào việc tạo các trang chất lượng cao và giàu trí tưởng tượng.

Các truy vấn khác nhau = các hệ số trọng số khác nhau

Do cách RankBrain thay đổi trọng số của một số biến nhất định và các yếu tố xếp hạng cho các truy vấn khác nhau, nên việc thực hiện một cách tiếp cận nhất quán đối với các truy vấn (và danh mục truy vấn) không còn là một cách tiếp cận thực tế nữa.

Đưa các yêu cầu kích hoạt kết quả Venice và gói bản đồ ra khỏi phương trình, một số yêu cầu có thể yêu cầu tốc độ cao của nội dung mới, nội dung ngắn hơn, nội dung dài hơn, nhiều liên kết. Mô hình trọng số mới của RankBrain có nghĩa là phải có những sai lệch so với phương pháp hay nhất tiêu chuẩn.

Các cấu trúc liên kết nội bộ

Từ các nguyên tắc đánh giá chất lượng tìm kiếm của Google, chúng tôi biết rằng Google sẽ tính đến nội dung chính và nội dung bổ sung khi xếp hạng một trang; Điều này cũng áp dụng cho các trang trong thư mục con URL và các trang được liên kết từ nội dung chính.

Tiêu chuẩn là điều chỉnh cấu trúc liên kết nội bộ để liên kết được chuyển đến các trang chính trên trang web (cũng như các trang sâu hơn), nhưng điều quan trọng là phải bao gồm một số lượng liên kết nội bộ để cải thiện trải nghiệm người dùng.

Tương lai có gì trong cửa hàng?

Khi RankBrain lần đầu ra mắt thị trường vào năm 2015, nó chỉ xử lý khoảng 15% yêu cầu, nhưng đồng thời, sự tin tưởng của Google vào thuật toán đã tăng lên vào năm 2016 và nó đã loại bỏ RankBrain đối với tất cả các yêu cầu. Đây sẽ là phần giới thiệu dần dần và sẽ chịu trách nhiệm về một số thay đổi mà chúng tôi đã thấy trong năm 2016.

Khi RankBrain học hỏi khi bạn làm việc, nó chỉ trở nên tốt hơn trong việc hiểu ngữ nghĩa và khái niệm, cũng như mối quan hệ giữa các chủ đề và truy vấn. Điều này sẽ có lợi cho độ chính xác của kết quả tìm kiếm bằng giọng nói cũng như các trang kết quả tìm kiếm truyền thống và bây giờ là bản đồ.

Tóm tắt

Tóm lại, một số nhân vật hàng đầu trong cộng đồng SEO (bao gồm Gary Illyes và Rand Fishkin) đã đưa ra nhiều cách khác nhau để nhấn mạnh rằng RankBrain không phải là thứ không thể được tối ưu hóa cụ thể.

Tuy nhiên, hiểu cách thức hoạt động của thuật toán RankBrain là điều quan trọng để hiểu sự biến động xếp hạng trong các ngành của bạn (hoặc khách hàng của bạn).


Nguồn: www.searchenginewatch.com

Trả lời

Chat Zalo