Dit is hoe RankBrain (en niet) invloed heeft op SEO

6 min


108

In de afgelopen paar weken is er een nieuw elan ontstaan ​​rond kunstmatige intelligentie, waarbij “AIO” (Artificial Intelligence Optimization) de kop opsteekt op websites en blogs van organisaties.

HTTPS en mobiel lijken eerst als onderwerpen af ​​te koelen, dus de aandacht gaat naar RankBrain .

De realiteit hiervan is echter dat kunstmatige intelligentie-optimalisatie schijnbaar een paradoxaal begrip is. Als we ons voorstellen dat Google een kind is, willen we dat het kind de informatie in dat boek leert en begrijpt als het kind naar school gaat en een boek leest. Als het boek niet “geoptimaliseerd” is voor het kind om te leren – gestructureerde informatie, afbeeldingen, boeiende, positieve gebruikerservaring enz. – dan zal het kind de inhoud niet leren of begrijpen.

Melanie Nathan (ツ)@melanienathan

If you ever hear a SEO say that they can totally “optimize for RankBrain”, you should…

Gary “鯨理” Illyes

@methode

I think most SEOs can optimise for rankbrain, they know how to do it for reals, it’s just it’s too simple so they invent something crazy

See Gary “鯨理” Illyes’s other Tweets

Optimaliseren voor RankBrain is niet iets nieuws of gecompliceerd. De tweet hierboven van Google’s Gary Illyes op 27 juni 2017 komt hier op terug. Dus waarom is er behoefte om RankBrain-optimalisatie om te zetten in een eigen product, wanneer de praktijken niets nieuws zijn?

In deze post ga ik onderzoeken wat RankBrain precies is en wat niet, en hoe de reeds bestaande concepten en praktijken van goede SEO (zoals uiteengezet door de richtlijnen van Google) van toepassing zijn op RankBrain.

Wat is RankBrain?

RankBrain maakt gebruik van een vorm van machine learning en wordt door Google gebruikt om onbereikbare hoeveelheden kwalitatieve gegevens (geschreven inhoud) te verwerken in kwantitatieve gegevens (wiskundige entiteiten), vectoren die het algoritme en andere computers kunnen begrijpen.

15% van alle zoekopdrachten die Google verwerkt zijn nieuw, dus het is gebruikelijk dat RankBrain een query of zin tegenkomt die nog niet eerder is gezien. Met behulp van eerder verwerkte gegevens in vectoren en scherven, lijkt RankBrain een intelligente schatting te maken op basis van vergelijkbare zoekopdrachten en soortgelijke betekenissen.

Het aantal nieuwe zoekopdrachten is in 2007 teruggelopen van 25%, maar het volume is exponentieel toegenomen dankzij de opkomst van smartphones en de wereldwijde toename van internetpenetratie.

Simpel gezegd, RankBrain:

  • Interpreteert de gebruikersquery
  • Bepaalt zoekintentie
  • Selecteert resultaten (items) uit de databases

Wat is machinaal leren?

Machinaal leren is een computerwetenschap en werd in 1959 door Arthur Samuel als volgt gedefinieerd: ” Machinaal leren geeft computers de mogelijkheid om te leren zonder expliciet te worden geprogrammeerd” . Samuel voerde het eerste onderzoek naar dit veld uit, dat evolueerde van patroonherkenningstudies en computationele leertheorie.

Machinaal leren onderzoekt in essentie de constructie van algoritmen en maakt voorspellingen op basis van gegevens en statistische frequenties. Machinaal leren is gebruikt in een aantal softwaretoepassingen voorafgaand aan Rank Brain, waaronder filtering van spam-e-mail, netwerkbedreiging en indringerdetectie en optische tekenherkenning (OCR).

Hoewel dit een vorm van kunstmatige intelligentie is, is het geen goed functionerende vorm.

Associatieregel leren

ARL (association rule learning) is een methode van machine learning voor het ontdekken van relaties tussen variabelen in grote databases met behulp van vooraf bepaalde maten van interesse.

Dit werd eerder door supermarkten gebruikt om het gedrag van kopers van consumenten te bepalen en wordt gebruikt om loyaliteitscoupons en andere ontwikkelde outreachmethoden te produceren. Via winkelsloyaliteits- / puntenkaarten kan een winkel bijvoorbeeld gegevens verzamelen die, indien geanalyseerd, koopgedrag en -gedrag kunnen voorspellen.

ARL kan ook worden gebruikt om associaties te voorspellen, bijvoorbeeld als een gebruiker kaasschijfjes en uien koopt, kan worden aangenomen dat ze ook hamburgervlees gaan kopen. RankBrain gebruikt dit principe bij het leveren van intelligente zoekresultaten, vooral wanneer een zin meerdere betekenissen kan hebben.

Een voorbeeld hiervan is een Engelse slangterm “dench”. Als een gebruiker naar dench zoekt, kan deze drie betekenissen hebben; de jargonterm, een lijn van kleding, of de actrice Judi Dench. De term kan ook worden geassocieerd met individuen, zoals professionele atleet Emmanuel Frimpong en rapper Lethal Bizzle.

Aangezien de query dubbelzinnig is, leggen de eigen evaluatierichtlijnen van de zoekkwaliteit van Google uit dat de zoekmachine zoveel mogelijk varianten weergeeft als mogelijk wordt geacht om de zoekintentie van de gebruikers zo goed mogelijk te bevredigen.

Concepten van associatie regel leren

De belangrijkste concepten en regels van ARL zijn Ondersteuning, Vertrouwen, Opheffen en Overtuiging, maar voor de doeleinden van RankBrain ga ik me richten op Ondersteuning en Vertrouwen.

Ondersteuning

Ondersteuning in ARL is de maat voor hoe vaak het item in kwestie in de database wordt weergegeven. Dit is niet hetzelfde als zoekwoorddichtheid of het aantal keer dat zoekwoordvarianten worden weergegeven.

Vertrouwen

Het vertrouwen in ARL is een maatstaf van hoe vaak de regel klopt. Dit is gebaseerd op associatieve termen, dat wil zeggen dat als een gebruiker naar “POTUS” zoekt, er dan een X% kans is dat ze ook naar Donald Trump een bevredigend resultaat kunnen zoeken of vinden. Ze kunnen ook bevredigende resultaten van Barack Obama, George Bush of Abraham Lincoln vinden.

Vertrouwen kan vaak worden verward met waarschijnlijkheden, omdat de twee principes met betrekking tot organisch zoeken behoorlijk op elkaar lijken (als een gebruiker naar X zoekt, kunnen Y en Z ook geldig zijn).

RankBrain maakt gebruik van associatieregels om te voldoen aan door de gebruiker gespecificeerde minimumondersteuning en door de gebruiker opgegeven minimale vertrouwensrelatie op hetzelfde moment, en zowel ondersteuning als vertrouwen worden over het algemeen opgesplitst in twee afzonderlijke processen:

  1. Minimale ondersteuningsdrempel wordt vastgesteld en toegepast op alle frequente items in de database.
  2. Minimale betrouwbaarheidsbeperkingen worden toegepast op de vaak voorkomende items om regels te vormen.

Met behulp van deze regels helpt RankBrain Google prioriteit te geven aan welke rangordesignalen het meest relevant zijn voor de gebruikersquery en hoe deze signalen te wegen.

RankBrain en SEO

RankBrain werd gelanceerd in een dozijn talen (zoals bevestigd door Gary Illyes op Twitter in juni 2017), variërend van Engels tot Hindi, en het enige doel is om Google te helpen nauwkeuriger resultaten te bieden en gebruikers een algehele betere zoekervaring te bieden, zodat ze voldoen aan hun queries.

Het belangrijkste verschil tussen de pre- en post-RankBrain-wereld is dat vóór Google het team van software-engineers van Google het wiskundige algoritme (de algoritmen) zou aanpassen en wijzigen die de zoekresultaten en ranglijsten bepalen, en dit algoritme zou constant blijven totdat er een update werd gemaakt . Rank Brain is echter een onderdeel van het kernalgoritme en wordt door Google gebruikt voor alle zoekopdrachten (vanaf 2016), wat betekent dat er constante wijzigingen en fluctuaties zijn.

Dit betekent dat de zoekresultaten nu reageren op gebeurtenissen in de echte wereld, maar ook veel vluchtiger zijn buiten de aankondigingen van de grote algoritme-update.

“Optimalisatie” voor RankBrain

Gezien hoe RankBrain interageert met het kernalgoritme en andere rangordesignalen, kan het nodig zijn de strategische focus te wijzigen (vooral als de strategie is gebaseerd op backlinks). Maar RankBrain is geen “klassiek algoritme” zoals Panda en Penguin.

Met de klassieke algoritmen wisten we hoe we Penguin-boetes konden voorkomen en dankzij richtlijnen weten we Panda te bevredigen. RankBrain aan de andere kant is een interpretatiemodel dat niet specifiek kan worden geoptimaliseerd. Er zijn echter een aantal standaard SEO-praktijken die nu relevanter zijn dan ooit.

Doorway-pagina’s zijn dood

Het idee om inhoud te schrijven met een “focuszoekwoord” en één pagina voor één zoekwoord te produceren, is verouderd. De update van Hummingbird heeft dit in 2013 gedood en RankBrain heeft dit nog een stap verder gebracht.

Ik heb gezien dat deze praktijk nog steeds in een aantal sectoren wordt gebruikt. Bij het maken van inhoud en URL-structuren moeten zowel gebruikerservaringen als zoekwoordmatrices worden gebruikt, waarbij de nadruk ligt op het maken van hoogwaardige en vindingrijke pagina’s.

Verschillende vragen = verschillende wegingsfactoren

Vanwege de manier waarop RankBrain heeft gewijzigd hoe bepaalde variabelen en rangordefactoren worden gewogen voor verschillende zoekopdrachten, is het niet langer een praktische benadering om een ​​one size fits all aanpak te volgen met query’s (en querycategorieën).

Zoekopdrachten die de resultaten van Venetië activeren en het kaartpakket buiten de vergelijking brengen, kunnen vragen vergen die hoge snelheden van verse inhoud, kortere inhoud, langere inhoud, veel links … Het nieuwe wegingsmodel dat RankBrain presenteert, betekent dat er afwijkingen moeten zijn van de standaardbest practice.

Interne verbindende structuren

We weten uit de richtlijnen voor zoekkwaliteit van Google dat Google de belangrijkste en aanvullende inhoud beoordeelt bij het rangschikken van een pagina; dit strekt zich uit tot pagina’s in een URL-subdirectory en pagina’s waarnaar wordt gelinkt vanuit de hoofdinhoud.

Het is standaard om interne koppelingsstructuren te optimaliseren, zodat link equity wordt doorgegeven aan belangrijke pagina’s op de site (evenals dieperliggende pagina’s), maar het is ook belangrijk om een ​​flink aantal interne links op te nemen om de gebruikerservaring te verbeteren.

Wat heeft de toekomst in petto?

Toen RankBrain voor het eerst werd gelanceerd in 2015, behandelde het slechts 15% van de vragen, maar tegelijkertijd was het vertrouwen van Google in het algoritme in 2016 toegenomen en liet het RankBrain los bij alle vragen. Dit zal een gefaseerde uitrol zijn geweest en verantwoordelijk zijn voor een aantal veranderingen die we in 2016 hebben gezien.

Naarmate RankBrain leert op het werk, wordt het alleen maar beter in het begrijpen van semantischeen concepten, en relaties tussen onderwerpen en vragen. Dit zal ten goede komen voice searchresultaten nauwkeurigheid evenals de traditionele pagina’s met zoekresultaten en nu kaarten.

samengevat

Concluderend, een aantal leidende figuren in de SEO-gemeenschap (waaronder Gary Illyes en Rand Fishkin) zijn op verschillende manieren naar voren gekomen die benadrukken dat RankBrain niet iets is waar niet specifiek voor kan worden geoptimaliseerd.

Dat gezegd hebbende, het begrijpen van hoe het RankBrain-algoritme werkt, is belangrijk voor het begrijpen van de volatiliteit van de ranking in de verticalen van uw (of uw klant).


Erwin@delaatbusiness.com
Dag, Hulp nodig met internet marketing of websites maken? neem dan contact op

0 Comments

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Choose A Format
Personality quiz
Series of questions that intends to reveal something about the personality
Trivia quiz
Series of questions with right and wrong answers that intends to check knowledge
Poll
Voting to make decisions or determine opinions
Story
Formatted Text with Embeds and Visuals
List
The Classic Internet Listicles
Countdown
The Classic Internet Countdowns
Open List
Submit your own item and vote up for the best submission
Ranked List
Upvote or downvote to decide the best list item
Meme
Upload your own images to make custom memes
Video
Youtube, Vimeo or Vine Embeds
Audio
Soundcloud or Mixcloud Embeds
Image
Photo or GIF
Gif
GIF format