排名系统的三个组件
我们从DOJ vs Google审判中了解到，Google的排名过程涉及三个主要组件：
- 传统系统用于初始排名
- AI系统（如RankBrain、DeepRank和RankEmbed BERT）对前20-30个文档进行重新排名
- 这些系统通过质量评分员评分和实时用户测试结果进行微调
Google如何利用用户数据
DOJ vs Google诉讼案广泛讨论了Google的巨大优势如何源于其使用的海量用户数据。Google在上诉中表示，他们不想遵守法官要求将用户数据交给竞争对手的命令。他们列出了两种使用用户数据的方式：
1. Glue系统：包含Navboost，查看用户点击和参与的内容
2. RankEmbed模型：将用户的查询嵌入到向量空间中。可能与该查询相关的内容会在附近找到。RankEmbed通过两种方式微调：
- 质量评分员的评分：他们获得两组结果——”冻结”的Google结果和”重新训练”的结果（即新训练和优化的AI驱动搜索算法的结果）。他们的分数帮助Google的系统理解重新训练的算法是否产生更高质量的搜索结果。
- 真实世界的实时实验：向一小部分真实搜索者展示旧算法与重新训练算法的结果。他们的点击和操作帮助微调系统。
这些系统的最终目标是持续改进产生最能满足搜索者需求的排名。
实时测试的深层思考
Google的实时用户测试不仅仅是收集特定页面的数据。它们是关于训练系统识别模式。Google不一定跟踪每一个用户交互来对那一个特定URL进行排名。相反，他们使用这些数据来教他们的AI什么是有帮助的。
系统学习识别满足用户意图的内容类型，然后预测你的网站是否符合那个成功的模式。
他们将继续改进预测哪些内容可能有帮助的过程。这绝对远远超出了简单的向量搜索。Google不断寻找新的方式来理解用户意图以及如何满足它。
这对SEO意味着什么
如果你在搜索的前几页排名，你已经说服了传统排名系统将你放入排名拍卖。
一旦进入，大量AI系统会努力预测这些顶部结果中哪一个真正对搜索者最好。现在Google开始在Gemini和AI Mode中使用”个人智能”，这一点变得更加重要。我的顶级搜索结果将专门针对Google系统认为我会发现有帮助的内容进行定制。
一旦你开始理解AI系统如何进行搜索（主要是向量搜索），试图逆向工程这些系统是很有诱惑力的。如果你通过深入理解向量搜索奖励什么（包括使用余弦相似度）来进行优化，你是在努力让AI系统看起来好。但Marie Haynes警告不要在这方面陷得太深。
鉴于这些系统经过微调，持续改进产生对搜索者最满意的结果，让AI看起来好远不如真正成为最有帮助的结果重要。她认为，优化向量搜索可能弊大于利，除非你的内容类型确实是用户后来发现比其他选项更有帮助的。否则，你很有可能是在训练AI系统不青睐你。
实用建议
松散地优化向量搜索
我的意思是不要沉迷于关键词和余弦相似度，而是理解你的受众想要什么，并确保你的页面满足他们的特定需求。
使用标题
不是为了AI系统看，而是帮助你的读者理解他们正在寻找的东西在你的页面上。
分析竞争对手
查看Google为应该引导到你的页面的查询排名的页面，真正问自己这些页面的什么让搜索者觉得有帮助。查看它们回答特定问题的程度，是否使用良好的图像、表格或其他图形，以及页面被浏览和导航的容易程度。努力弄清楚为什么这个页面被选为最有可能有助于满足搜索者需求的页面之一。
改善实际用户体验
不要沉迷于关键词，而是努力改善实际用户体验。如果你让你的页面更有吸引力，更多地关注滚动和会话时长等指标，排名应该自然改善。
专注于有帮助性
让外部人员查看你的内容并分享它为什么可能有帮助或没有帮助，这是很有帮助的。即使Marie Haynes理解搜索是为了持续学习和改进向搜索者展示他们可能觉得有帮助的页面而构建的，她仍然发现自己在与为机器而不是用户优化的冲动作斗争。这是一个很难打破的习惯！
鉴于Google的深度学习系统正在不知疲倦地为一个目标工作——预测哪些页面可能对搜索者有帮助——这也应该是我们的目标。正如Google关于有帮助内容的文档所建议的，人们倾向于觉得有帮助的内容类型是原创的、有洞察力的，并且与搜索结果中的其他页面相比提供实质性价值的内容。
微信扫一扫 或 点击链接联系我