新的Google演算法可能會更新頁面排名
Google釋出的一篇論文描述了一種改進網頁排名方式的全新方法,該演算法聲稱對網路演算法進行了重大改進。新演算法討論了對網頁進行快速排名的方法，稱為GroupwiseScoringFunctions。
如果沒有Google的確認，我們無法確定Google是否正在使用這種演算法。但是，由於研究人員聲稱有重大改進，我認為谷歌正在使用這種演算法並不是一件容易的事。
Google會使用已釋出的演算法嗎？
谷歌曾表示，“谷歌論文中研究的東西不應該被認為是搜尋中實際會發生的事情。”Google很少會確認論文中描述的演算法是否正在使用。
此演算法是2019年3月核心更新的一部分嗎？
本研究報告展示了Google理解搜尋查詢和理解網頁的內容。谷歌最近推出了一項新的網路演算法，據報道這是多年來最大的一次。這個演算法是這個變化的一部分嗎？我們不知道，我們可能永遠不會知道。Google很少討論具體的演算法。
在我看來，像這樣的東西可能是谷歌搜尋排名演算法中更新的一部分。我相信這不是唯一的一個。
為什麼這個演算法很重要
該研究報告首先指出機器學習會使用演算法單獨標記頁面併為網頁賦值，將網頁相互隔離後，然後演算法為其他網頁進行評分，以找出哪個網頁最符合要求。
以下是論文中如何描述當前演算法的工作原理：
“在分類或迴歸設定中，標籤會分配給每個單獨的文件，在排名設定中，我們會確定整個輸入文件列表的相關性排序。”
然後，該研究報告提出，所有多網頁都可以提供使用者想要的線索。因此，通過檢視網頁的相關性，排名演算法可以為使用者想要他們內容，為使用者選擇最合適的網頁。
這是論文描述新演算法的方式：
“大多數現有的排名演算法它們僅限於逐點評分函式，即無論列表中的其他文件如何，都基於文件本身計算文件的相關性得分。獨立於列表中的其他文件會計算文件與查詢的相關性分數。由於多種原因，此設定可能不太適合排名問題。”
跨文件比較
該論文顯示當前的網頁排名方法錯過了提高搜尋結果相關性的機會。
這是論文用來說明問題和解決方案的例子：
“考慮一個搜尋場景，使用者正在搜尋音樂藝術家的名字。如果查詢返回的所有結果（例如，calvin harris）是最新的，則使用者可能對最新的新聞或旅遊資訊感興趣。
另一方面，如果大多數查詢結果較舊（例如，frank sinatra），則使用者更有可能想要了解藝術家唱片或傳記。因此，每個檔案的相關性取決於整個清單的分佈。“
在此示例中，與搜尋查詢相關的網頁可以幫助改進哪個答案是最佳答案。
對人類行為進行比較以提高準確性
該研究報告隨後指出，搜尋引擎使用者傾向於將搜尋結果與其他網頁進行比較。 “…使用者與搜尋結果的互動會顯示出強大的比較模式。之前的研究表明，通過比較一份檔案判斷哪份檔案能更快獲得使用者的青睞”
此外，當用戶以同樣相對方式建模時，會表現出更好的預測能力。這表明使用者在點選之前將點選的文件與其周圍文件進行了比較，並且直接使用排名模型會更有效，因為它更擅於模仿使用者行為。“
新演算法的工作原理
在考慮演算法研究時，重要的是要注意研究人員是否表示它改進並提升了現有技術水平。
一些研究論文指出，改進的程度很小，實現這些收益所使用的成本也很高（時間和硬體）。我認為這種研究不適合加入谷歌的搜尋演算法。當一篇論文報告顯示最低成本時，我認為這些演算法更有可能被納入谷歌的演算法。
在這種情況下，研究人員表示這種方法非常成功。在下面的引用中，請注意DNN表示深度神經網路。GSF表示Groupwise評分函式。
這怎麼能幫助到你的SEO
谷歌上關於傳統的排名因素越來越少，這是因為錨文字、標題標籤和連結等排名因素的重要性正在下降。本研究報告顯示了相關頁面之間的共性可以提供使用者想要的線索。即使Google沒有使用此演算法對網頁進行排名，這個概念對你仍然有用。瞭解使用者的需求可以幫助你更好地優化你的網頁，並建立滿足這些需求的網頁。
釋出者：ZHANG-RX5，轉轉請註明出處：https://www.chons.cn/2789.html