راهنمای کامل الگوریتم Google RankBrain

اغراق نیست اگر بگوییم که Google RankBrain انقلابی در نحوه تعیین نتایج جستجو بود.

در سال 1996 ، ایده پیوندها به عنوان یک سیگنال رتبه بندی ، انقلابی در جستجو با آنچه Google PageRank شد ، ایجاد کرد.

به همین دلیل است که دهه گذشته سهم بازار جستجو به این شکل است:

از آن زمان اتفاقات زیادی افتاده است و تغییرات و الگوریتم های گسترده زیادی معرفی شده است ، اما بدون شک هیچ کدام به اندازه RankBrain مهم نیستند.

تبلیغات

ادامه مطلب را در زیر بخوانید

همانطور که در زیر بحث خواهیم کرد ، این تنها به دلیل تأثیر آن بر نتایج نیست (اگرچه بدون شک در آنجا نیز پیروز می شود) بلکه به معنای آن است – یادگیری ماشین برای اولین بار در آنچه ما تصور می کنیم جستجو می شود ، وارد شد.

قبل از این از یادگیری ماشینی در Google News استفاده شده بود ، اما چیزی شبیه به آنچه در RankBrain می دیدیم نبود.

بنابراین مهم بود. انقلابی بود. این مقدمه یادگیری ماشین در جستجو بود.

ولی …

RankBrain چیست؟

RankBrain سیستمی است که به کمک آن Google می تواند قصد کاربر در جستجوی جستجو را بهتر درک کند. در بهار سال 2015 به بازار عرضه شد ، اما تا 26 اکتبر همان سال اعلام نشد.

در ابتدا ، RankBrain در مورد س thatالهایی که گوگل قبلاً با آنها برخورد نکرده بود که در آن زمان محاسبه شده و هنوز هم انجام می شود ، حدود 15٪ از کل جستجوها اعمال شد. از آنجا گسترش یافت تا بر همه نتایج جستجو تأثیر بگذارد.

در هسته خود ، RankBrain یک سیستم یادگیری ماشین است که Hummingbird را ایجاد می کند ، و این باعث می شود Google از یک محیط “رشته ای” به “چیزها” برسد.

تبلیغات

ادامه مطلب را در زیر بخوانید

این بدان معناست که این امر از “خواندن” شخصیت های تحت اللفظی گرفته شده است ، و در عوض “دیدن” موجودیتی است که آنها نمایندگی می کنند.

کنارگذاشتن سریع در مورد نهادها و موارد موجود در رشته ها

برای نشان دادن این پیشرفت مهم و نقش آن در RankBrain ، کافی است شخصیت هایی را که نام یک همسال و دوست من را تشکیل می دهند در نظر بگیریم:

“جیسون بارنارد”

تا قبل از Hummingbird ، Google آن شخصیت ها و مجموعه ای شامل 2 کلمه و 13 حرف را مشاهده می کرد که به ترتیب مرتب شده و اغلب در یک صفحه به کار رفته ، آن را برای رشته جستجو “jason barnard” مناسب می کند.

واقعاً هر جیسونی می تواند باشد ، مهم نیست.

آنها برای پی بردن به “مهمترین” یکی از آنها ، به لینک ها و چند سیگنال دیگر اعتماد کردند ، بدون اینکه بفهمند جیسون کیست یا چیست.

با Hummingbird ، دوست من دیگر یک مجموعه ساده از شخصیت ها نیست ، بلکه به موجودیت تبدیل شد:

/ g / 11cm_q3wqr

شناسه ماشین آلات این شخص کدام است:

جیسون بارنارد

شناسه ماشین در این حالت توالی عددی است که Google به نهادی اختصاص می دهد.

در این مقاله نمی توانیم به جزئیات موجودات بپردازیم ، اگرچه می توانید درباره آنها در اینجا بخوانید.

به طور خلاصه ، آنچه در Hummingbird اتفاق افتاد و برای عملکرد RankBrain ضروری بود ، این بود که Google از دیدن این عبارت منصرف شد:

“جیسون بارنارد دوست دیو دیویس است که پیراهن های قرمز را دوست دارد و یک بازاریاب دیجیتال است.”

و به سادگی آن را به عنوان مجموعه ای از کاراکترها که مرتب شده و در برابر سigال توزین می شوند ، تفسیر کنید.

در حالی که بسیار پیشرفته ، اصولاً پاسخ های گیرنده ای برای این سوال وجود داشت: “جیسون بارنارد” چند بار در متن و در پیوند به آن متن ظاهر می شود؟

با فرض اینکه سeryال دوباره “جیسون بارنارد” باشد ، با Hummingbird این جمله برای گوگل بیشتر شبیه است:

جیسون بارنارد دوست دیو دیویس است که پیراهن های قرمز را دوست دارد و یک بازاریاب دیجیتال است.

هر موجودیت اصلی توسط یک شناسه ماشین نشان داده می شود.

تبلیغات

ادامه مطلب را در زیر بخوانید

این شناسه ها مختص هر یک است – و هیچ دو موجودیتی شناسه یکسانی ندارند.

من عمداً خودم را به جمله اضافه کردم تا نشان دهم که همیشه کامل نیست.

نام من بسیار رایج است و “دیو دیوی” های مشهورتر از من در آنجا وجود دارد (من می دانم ، من می دانم … باور کردن سخت است).

به دلیل سابقه موسیقی جیسون ، گوگل به راحتی می تواند بدون زمینه اضافی تصور کند که Dave Davies که جیسون با او دوست بود Dave Davies (/ m / 01pwfk) از The Kinks (/ m / 08w4pm) است.

Google از طریق سایر نهادهای موجود در صفحه و سایر اتصالات موجود در وب توضیحات را دریافت می کند. اما این یک داستان دیگر است ، برای یک روز دیگر.

آنچه مهم است که در زمینه RankBrain بدانید این است که اکنون Google (/ m / 045c7b) با Hummingbird جهان را به عنوان مجموعه ای از چیزها و نه رشته ها درک کرده است.

بازگشت به RankBrain

با وجود کمی اطلاعات در مورد موجودیت های زیر کمربند خود ، می توانیم به RankBrain برگردیم.

مقاله پیشنهادی  راهکار بازاریابی Google Covid-19 Google Play

RankBrain ، در هسته خود ، می تواند به عنوان یک سیستم قبل از غربالگری تصور شود.

تبلیغات

ادامه مطلب را در زیر بخوانید

هنگامی که یک پرس و جو وارد Google می شود ، الگوریتم جستجو در جستجو برای جستجوی بهترین محتوا ، در بهترین قالب (ها) با درخواست شما مطابق با هدف شما مطابقت دارد.

اما اگر Google از هدف شما آگاه نشود چه می کنید؟

چرا Google RankBrain را معرفی کرد؟

RankBrain در ابتدا راه اندازی شد تا یک مشکل ساده اما بزرگ را برآورده کند.

Google 15٪ از سeriesالات مورد استفاده را مشاهده نکرده است ، و به همین ترتیب هیچ زمینه ای برای آنها ، و نه تجزیه و تحلیل گذشته برای تعیین اینکه آیا نتایج آنها خوب است یا تأمین کننده هدف کاربر نیست ، دیده نشده است.

RankBrain را وارد کنید.

این سیستم به جای رشته ها به موارد نگاه می کند.

RankBrain همچنین زمینه های محیطی (به عنوان مثال ، مکان جستجوگر) و معنای برون ریز را در مواردی که انجام شده است ، در نظر می گیرد.

این می تواند یک فرایند ساده برای درک این باشد که ترتیب کلمات ممکن است تابعی از روند جستجو باشد ، و نه هدف.

چه کسی در میان ما به سادگی با استفاده از یک یا دو کلمه یک سوال را اصلاح نکرده است.

قبل از ورود به آن ، گوگل مطمئناً موارد زیر را دیده است:

تبلیغات

ادامه مطلب را در زیر بخوانید

“پیتزا ویکتوریا BC”

اما وقتی مجموعه ای را که می خواستم پس نگرفتم ، ممکن است تازه شروع به اضافه کردن شرایط کنم ، در نتیجه س aالی مانند این:

“گیاهی پوسته نازک پیتزا ویکتوریا BC”

احتمال زیادی وجود دارد که Google آن پرسش خاص را ندیده باشد ، اما چون آنها به چیزها نگاه می کنند نه رشته ها ، آنها می دانند که پرس و جو اگر نباشد یکسان خواهد بود:

“پوسته نازک گیاهخواری پیتزا ویکتوریا BC”

“پیتزا گیاهی پوسته نازک نزدیک من”

یا با صدا:

“خوب گوگل ، از کجا می توانم یک پیتزای گیاهی پوسته نازک تهیه کنم؟”

RankBrain چگونه کار می کند؟

جای تعجب نیست که گوگل هرگز نحوه عملکرد RankBrain را به طور خاص شرح نداده است.

با این وجود ، ما می توانیم درباره آنچه در پشت صحنه اتفاق می افتد ، حدس هایی تحصیل کرده بزنیم.

عملکرد جستجوی جدید

همانطور که در بالا بحث شد ، ما باید از اصطلاحاتی که می فهمیم دست بکشیم و مانند یک ماشین فکر کنیم.

جایی که ممکن است ببینم:

“پیتزا ویکتوریا BC”

Google می بیند:

/ m / 0663v / m / 07ypt

این به طور چشمگیری چیزها را تغییر می دهد. “ویکتوریا پیش از میلاد” دو چیز نیست ، بلکه یک چیز است.

تبلیغات

ادامه مطلب را در زیر بخوانید

هنگام مقایسه مکان های دیگر برای:

“پیتزا” “محل”

آنها می توانند برون یابی کنند:

/ m / 0663v / m / 07ypt (پیتزا ویکتوریا BC)

احتمالاً همانند موارد زیر است:

/ m / 07ypt / m / 0663v (پیتزا ویکتوریا BC)

اساساً ، از آنجا که آنها ماهیت عملکرد موجودیت ها را می دانند ، می توانند فراتر از پرسش ، و معنا را جستجو کنند.

نهادهای مشترک

همانطور که در بالا ذکر شد ، یکی از مکانیزم های اصلی که آنها استفاده خواهند کرد ، شناخت موجودیت است.

اگر آنها درک کنند که یک پرس و جو حاوی همان موجوداتی است که سوالات دیگری قبلاً دیده اند با کمترین تأیید صلاحیت ها (مانند تغییر از “از کجا” به “وقتی” در یک پرسش در مورد یک کنسرت) ، این نشان می دهد که مجموعه نتایج ممکن است یکسان ، کاملاً مشابه ، یا حداقل از لیست کوتاه همان URL ها باشد.

10 برتر

گوگل در حق ثبت اختراع خود در سال 2013 ، با استفاده از منابع موجود در داده های بدون ساختار ، به س Questionال پاسخ می دهد ، روشی را توصیف می کند که در آن موارد زیر را بیان می کنند:

  • نهادها را به فهرست خودشان ارسال کنید.
  • نهادها را در 10 مورد برتر خود مرور کنید.
  • از این طریق موجودیت های مختلفی که انتظار دارند هم با یکدیگر مرتبط باشند و هم به عنوان پاسخ برتر به پرس و جوها ، از آنها خارج شوید.

تبلیغات

ادامه مطلب را در زیر بخوانید

به عنوان مثال ، اگر Google شناسه Jason و شناسه مربوط به من را اغلب با هم ببیند ، می توانند این دو را به هم متصل کنند.

اگر جیسون و آن کینک مزاحم بود که مرتباً برای آن رتبه بندی می کرد من نام … سپس آنها نتیجه می گیرند که این دیو دیویس است.

به همین ترتیب ، اگر ببینند که صفحاتی که برای نام جیسون رتبه بندی می شوند ، مجموعه ای از موجودات مشترک نیز بر روی خود دارند ، می توانند فرض کنند که داده های کامل مربوط به جیسون شامل این اطلاعات است و کسانی را که فاقد آن هستند برای این سeryال حذف می کنند.

نظارت بر

به یاد داشته باشید که این یک سیستم یادگیری ماشین است.

ذاتی آن تابع تعیین ، آزمایش ، ردیابی و تنظیم است.

مقاله پیشنهادی  نحوه ایجاد س FAالات متداول با کیفیت و طرحواره FAQ صفحه به صورت خودکار با پایتون

اساساً ، سیستم با در نظر گرفتن یک معیار (موفقیت) موفق به جستجوی سوالات می پردازد.

سپس نحوه توزین سیگنالهای مختلف و ترجیح آنها را تنظیم می کند و سپس موفقیت را کنترل می کند.

این کار براساس پرس و جو انجام نمی شود.

به یاد داشته باشید ، این سیستم برای رفع مشکل س addressالاتی که Google قبلاً هرگز با آنها روبرو نشده بود ، راه اندازی شده است ، اغلب کلماتی با حجم کم یا کم وجود دارند که نمی توانند خود آنها را کنترل کنند.

تبلیغات

ادامه مطلب را در زیر بخوانید

بلکه سیستم به دنبال الگوهایی مانند:

[food item] [location] [qualifier]

و سپس مجموعه قوانینی ایجاد می کند که بر همه این پرسش ها حاکم است.

بنابراین ، اگر متوجه شد که وزن سیگنال ها برای پرسشی مانند:

گیاهخواری پیتزا ویکتوریا بی سی

این می تواند از آن برای پشتیبانی یا تقویت کاری که با یک پرسش انجام می دهد استفاده کند:

tacos seattle مرغ

همچنین ، لازم به ذکر است که سیستم فقط نهادهای موجود در جستجو را در نظر نمی گیرد ، بلکه نهادهای درگیر در ساخت آن هستند. این شامل شما ، موقعیت مکانی ، دستگاه و غیره شما می شود.

اینها همه متغیرهایی هستند که RankBrain تقریباً به همان روشی که شما احتمالاً به تجزیه و تحلیل خود نگاه می کنید و دسک تاپ خود را با ترافیک تلفن همراه خود مقایسه می کنید یا ساعتی از روز یا انواع دستگاه را مرور می کنید ، مورد توجه قرار می دهد تا بفهمید کاربران مختلف با مشاغل شما چگونه تعامل دارند سناریوها

احتمالاً درباره ده ها چیز دیگر …

افراد در Google باهوش هستند.

من به معنای واقعی کلمه صفر تردید دارم که اگر یکی از مهندسان مسئول نگهداری RankBrain این مقاله را بخواند ، آنها به راحتی لبخند می زنند و فکر می کنند ، “اوه … خیلی زیبا نیست؟ کمی سئو که فکر می کند می داند پشت پرده چه خبر است … دوباره. “

تبلیغات

ادامه مطلب را در زیر بخوانید

آنها بدون شک ده ها مکانیزم بیشتری برای ورود به RankBrain دارند از آنچه من فکر می کردم و ماشین آلات ممکن است حتی بیشتر از آنها ساخته شده باشند.

آنچه می خواهیم به خاطر بسپاریم هدف است.

هدف درک سوالات است.

متغیرهایی که باید با آنها درگیر بشویم ، موجودیت ها و سیگنال ها هستند و اینکه ماشین ها با آنها چه کاری انجام می دهند.

Rolling Out RankBrain Like Pizza Dough in Victoria

خمیر پیتزا را بچرخانید

بنابراین ، RankBrain برای رسیدگی به س quالاتی که گوگل قبلاً هرگز ندیده است ، ایجاد شده است.

تبلیغات

ادامه مطلب را در زیر بخوانید

اما این در جایی بین بهار 2015 و 2016 تغییر کرد.

به نظر می رسد افراد Google یک بار دیگر سر ما را بالا نبردند ، زیرا در مقاله ای با عنوان Wired قرار گرفت.

“Rankbrain در هر پرس و جو نقش دارد.”

به نظر می رسد یک بار دیگر ، گوگل آن را بدون اینکه به کسی بگوید آن را ارائه داد.

در آن زمان ، و احتمالاً اکنون بیشتر ، بسیار موثر شناخته شده و به عنوان سومین سیگنال مهم رتبه بندی شده است.

این احتمالاً روش غلطی است که ما می توانیم درباره RankBrain فکر کنیم ، اما اجازه دهید نگران معناشناسی نباشیم.

درعوض ، دانستن اهمیت آن (و بله هنوز هم بسیار مهم است – اگر با سیستم های دیگر ترکیب نشود از اهمیت بیشتری برخوردار است) بگذارید روی …

چگونه برای RankBrain بهینه سازی می کنید؟

در هسته آن ، شما برای RankBrain بهینه سازی نمی کنید.

اما این کمی جواب پلیس است.

بیایید سعی کنیم بهتر عمل کنیم.

Google’s Gary Illyes در SMX اظهار داشت که نمی توانید در سال 2016 برای آن بهینه سازی کنید:

تبلیغات

ادامه مطلب را در زیر بخوانید

و بعداً ، اساساً گفت که فقط برای کاربران بهینه سازی شده است:

اما به نظر من ، این کمی بیانیه گوگل است.

توصیه من به کسانی که می خواهند برای RankBrain یا به عبارت بهتر بهینه سازی سایت خود را انجام دهند و RankBrain و سیستم های مشابه را در نظر بگیرند؟

به دنبال ترفندها نباشید.

به دنبال عملکرد باشید.

یک ابزار رایگان که استفاده از آن در این کار جالب است ، نسخه نمایشی API زبان طبیعی Google است.

بگذارید بگوییم ما می خواهیم بفهمیم Google چگونه مقاله ای را كه در بالا به آن پیوند دادم درباره نهادها مشاهده می كند.

چه راهی بهتر از رفتن به منبع – گوگل.

ما می توانیم متن مقاله را کپی کنیم ، آن را در نسخه نمایشی NLP آنها جای گذاری کنیم و وایلا!

به ما تجزیه و تحلیل داده شده است که موجودات موجود در صفحه همراه با تجزیه و تحلیل احساسات و نحو است.

خواهید دید که فلش های نحوی هم به جلو و هم به عقب حرکت می کنند.

می توانید از BERT بخاطر مرتبط بودنش تشکر کنید ، نه از RankBrain.

در اینجا به نظر می رسد:

نهادهای Google

اگر به پایین در لیست موجودیت ها بروید ، Google همچنین تجزیه و تحلیل کامل انواع موجودیت ها را در صفحه به شما ارائه می دهد.

لازم به یادآوری است که اینها کاملاً مناسب نیستند و به عنوان یک نهاد پیش فرض برای آموزش کار می کنند – نه لیست کاملی از دیدگاه Google در جهان.

تبلیغات

ادامه مطلب را در زیر بخوانید

اما این یک درک خوب و بصری از محتوای شما را ارائه می دهد.

ابزار رایگان دیگری که برای این کار دوست دارم Google Knowledge Graph API است ، اما خروجی آن خیلی زیبا نیست.

خوشبختانه ، همان دوستی که من در مثال بالا استفاده کردم ، در Knowledge Graph Explorer است.

با استفاده از Knowledge Graph Explorer ، می توانید به صورت دستی آنچه را Google در مورد یک موجودیت در زمان واقعی می بیند بررسی کرده و ببینید.

این رابطه بین نهادهای دیگر موجود در صفحه را مورد توجه قرار نمی دهد و Google واقعاً اعتماد به نفس آنها را در داشتن نهاد مناسب افزایش می دهد ، اما کاملاً روشن کننده است.

با استفاده از این دو ابزار می توانید نحوه درک Google از بالاترین سایت های دارای رتبه بندی برای پرس و جوهای مختلف ، موجودیت های موجود در صفحات ، افراد ، مکان ها یا چیزها و غیره را درک کنید و درک واقعی Google در مورد تفسیر صفحه از یک چشم انداز مرغ مگس خوار.

از آنجا فقط به آنها نیاز داریم تا متغیرهایی را که نمی توانیم کنترل کنیم یا ببینیم ، مانند مکان کاربر ، دستگاه و غیره.

تبلیغات

ادامه مطلب را در زیر بخوانید

بنابراین بله ، کاربر را در نظر بگیرید – Google همان جا است.

بنابراین ، برای “بهینه سازی برای RankBrain”:

  • نهادها را با NLP API مرور کنید.
  • شیرجه رفتن عمیق تر به کاوشگر دانش دانش موجود.
  • همه اینها را بردارید و آن را در متن خود قرار دهید (چه دستگاه و مکانی دارید).
  • با استفاده از ابزاری مانند Mobile Moxie ، آزمایشاتی را از مکانها و دستگاههای دیگر انجام دهید تا نتایج را مقایسه کرده و نحوه انحراف امور را درک کنید.
  • شروع بهینه سازی برای RankBrain.

Google به شما می گوید که بهینه سازی برای RankBrain بهینه سازی برای کاربران است.

بسیار آسان است که ببینید چطور این پیشنهاد آنهاست ، و پیشنهاد بدی نیست.

اما ما می دانیم که این نهاد ساخته شده است.

پس چرا این دانش را به تلاش خود اضافه نمی کنید؟

نحوه تفسیر Google از هدف کاربر را بفهمید و نحوه انجام این کار را خودتان خواهید فهمید.

چرا RankBrain مهم است؟

RankBrain نه فقط برای آنچه که هست بلکه برای معنای آن نیز مهم است.

این اولین فشار برای یادگیری ماشین بود که برای نتایج جستجو در Google اعمال می شود. این آخرین مورد نبود.

در حقیقت ، تا سال 2018 ، جان مولر خاطر نشان کرد:

تبلیغات

ادامه مطلب را در زیر بخوانید

آیا RankBrain هنوز سومین سیگنال مهم است؟

بعید. اما من واقعاً هرگز به عنوان نشانه ای برای شروع تصور نمی کردم.

من همیشه بیشتر به آن به عنوان یک تهویه مطبوع فکر کرده ام – سیستمی که نتیجه ای نداشته است ، بلکه نوع و معنی پرس و جو و وزن سیگنالهایی را که برای آن نوع و معنی اعمال می شود ارزیابی کرده است.

در واقع ، بیشتر شبیه فیلتر است تا سیگنال.

اما دوباره ، این معناشناسی است.

فکر کنید با این حال برای شما بهتر است.

اما قطعاً به آن فکر کنید. ممکن است 5 ساله باشد ، اما معنی و تأثیر آن فقط رشد کرده است.

مطمئناً ، در گوگل ، آنها عناصر و شاخه های مختلف آن را با موارد مختلفی فراخوانی خواهند کرد ، اما آنچه RankBrain در ابتدا برای انجام آن وجود داشت و تا به امروز انجام می دهد بسیار بزرگ است.

و اگر بتوانم آینده را پیش بینی کنم ، پیشنهاد می کنم که نسخه بعدی آن جایگزین PageRank شود.

البته نهادها می توانند از طریق پیوندها به هم متصل شوند.

بنابراین این بیشتر ادامه PageRank است تا جایگزینی.

تبلیغات

ادامه مطلب را در زیر بخوانید

اما دوباره ، دیگر نیازی به نگرانی در مورد معناشناسی نیست.

منابع بیشتر:


اعتبار تصویر

تصویر ویژه: اصلاح شده توسط نویسنده ، آگوست 2020
تمام تصاویر صفحه گرفته شده توسط نویسنده ، آگوست 2020