Машинное обучение и SEO: оптимизация внутренней сетки сайта

1. Машинное обучение или машинное обучение: что это?
2. Какое приложение возможно в SEO?
3. Конкретный пример использования машинного обучения на сайте: оптимизация внутренней сетки

Без вашего понимания, машинное обучение является неотъемлемой частью вашего пользовательского опыта при посещении веб-сайтов. Например, когда вы добавляете товар в корзину и предлагаете другие продукты, которые могут вас заинтересовать, это конкретное применение машинного обучения. Точно так же, когда ваша платформа социальной сети предлагает новые контакты, она просто применяет результаты из автоматического алгоритма обучения. Но применение этого метода не ограничивается сетью: оптическое программное обеспечение для распознавания символов или лиц, инструменты оценки риска для принятия или отказа от банковского кредита, (...), являются примеры использования машинного обучения. Это возможность для машины обрабатывать большой объем данных и получать правила. Мы можем быстро увидеть возможности, которые это может предложить нам с точки зрения SEO . Более того, я с удовольствием разработал практический пример для проверки использования инструмента с автоматическим алгоритмом обучения для улучшения позиционирования сайта. Первые результаты довольно обнадеживающие . Но перед тем, как детализировать этот конкретный пример, я думаю, что важно вспомнить, что такое машинное обучение, и сопоставить его с проблемами SEO .

Машинное обучение или машинное обучение: что это?

На первый взгляд, понятие машинного обучения может показаться сложным, особенно если не каждый день развиваться в области компьютерного программирования. На самом деле, мы научим машину думать самостоятельно , точнее, предсказывать поведение и переписывать его пользователю. Для этого мы будем использовать его в учебных данных. Это могут быть примеры, которые машина затем обобщит для вывода правила. Таким образом, по возрасту, доходу, социально-профессиональной категории (...) индивида он сможет оценить, следует ли считать его подверженным риску или нет в рамках кредитная заявка. В этом первом случае мы говорим о контролируемом обучении, потому что мы просим машину применить существующую модель. Но мы также можем научить машину выводить правило из необработанных данных и даже при отсутствии существующей модели. Затем он определит элементы, общие для каждой из этих данных, и автоматически перейдет к их классификации и обработке. Именно эта модель обучения без присмотра присутствует в алгоритме Google. В этом случае машина будет учиться самостоятельно и будет развивать правила по мере своего опыта.

Какое приложение возможно в SEO?

Теперь, когда мы лучше понимаем, что такое машинное обучение, я покажу вам, как оно может быть полезно для SEO. Более того, машинное обучение уже участвует в ссылках на ваши сайты. В самом деле, вы знаете RankBrain ? Это один из критериев, используемых алгоритмом Google. от Грег Коррадо (ссылка на английском языке), старший научный сотрудник Google, он даже стал третьим критерием с точки зрения важности (не следует принимать их и на условно-досрочное освобождение ... но одно можно сказать, что этот критерий будет расти) , Но это чисто и просто автоматический алгоритм обучения .

Когда пользователь вводит сложный запрос, который поисковая система не может понять, RankBrain позволит ему угадать его значение и устранить некоторые неясности. Как? Применяя неконтролируемое обучение: слова - это векторы, которые машина будет связывать с другими векторами на основе их семантической близости. Так двигатель узнает, что запрос, содержащий слово «ягуар», касается животного или автомобиля. Вот почему с этого момента оптимизация страницы сайта должна автоматически включать работу над семантической вселенной .
Но машинное обучение также может быть использовано оптимизаторами, как Жюльен Деневиль показал в его презентация в SEO Camp'US Paris , Кроме того, во время просмотра слайдов его выступления у меня возникла идея рассказать в блоге о конкретном примере, который я реализовал на сайте, чтобы изучить одно из применений машины. обучение по оптимизации на месте. Действительно, алгоритмы машинного обучения присутствуют в таких инструментах, как Gephi, и позволяют им быстро обрабатывать большое количество данных и ретранслировать результаты соответствующим образом, чтобы помочь нам принять правильные решения о внутренних связях, организация страниц и др.

Конкретный пример использования машинного обучения на сайте: оптимизация внутренней сетки

В примере, который я подробно опишу ниже, я использовал возможности, предоставляемые машинным обучением, для анализа данных сайта с целью переделки его архитектуры и внутренней сетки.
Я добровольно ушел с небольшого сайта, чтобы сделать мой опыт более читабельным и более образовательным. Но это также справедливо для большого сайта.
Вот информация, необходимая для того, чтобы подготовить почву: сайт представляет собой WordPress онлайн в течение года, и веб-мастер понял, что он думает об архитектуре хранилища. Имеет 43 страницы статического контента и не обновляется (на сайте нет блога). Наконец, существует 46 ссылающихся доменов, и никаких действий по созданию сетевых ссылок не выполнялось.
Я собрал все данные на сайте с помощью Screaming Frog (список страниц и список внутренних ссылок ... Я передаю вам технические подробности, это не является целью статьи) . Затем я использовал Gephi, который благодаря алгоритму машинного обучения мог классифицировать страницы, определять все ссылки между страницами и определять, какие из них получили больше всего сока (внутренний PageRank, а не PageRank n ' не умер).

Вот первая карта, которую я получил:

Он показывает сложную внутреннюю сетку , слишком много ссылок, вторичные страницы, которые получили слишком много сока по сравнению с основными страницами и т. Д. Но мы все еще видим желание преуспеть в вебмастере, который пытался сгруппировать свои страницы по темам (силос). Я имею в виду не семантический кокон, а силос в случае с этим сайтом. Различие между тематическим бункером и семантическим коконом объясняется здесь , Я решил изменить меню и ссылки в нижнем колонтитуле. Я также создал пользовательскую боковую панель, чтобы лучше классифицировать страницы по бункерам. Затем я снова собрал данные (кричащая лягушка) и отправил их Джефи.

Это вторая карта, которую я получил:

Результат лучше, но еще не полностью удовлетворителен. Поэтому я решил уменьшить связи между различными бункерами, чтобы повысить их водонепроницаемость и отклонить ненужные страницы (например, юридические уведомления, страница контактов).

Вот третья карта, которую я получил:

Результат мне нравится больше и я решаю подождать несколько дней, чтобы увидеть влияние на позиционирование сайта. Для этого я использую Yooda Insight иметь видение сайта в долгосрочной перспективе. Для тех, кто не знает этот инструмент, Yooda показывает только те ключевые слова, по которым сайт отображается на первой странице результатов Google. Это дает хороший обзор общей видимости сайта.

В течение первого года мы видим постепенный рост сайта до 129 ключевых слов на первой странице 9 марта 2016 года. Именно тогда я настроил новую архитектуру сайта. Мы видим определенную стабильность сайта в следующие дни, когда Google переваривает изменения. Затем, по прошествии этого периода, происходит быстрое и значительное увеличение количества ключевых слов на первой странице: 152 13 апреля 2016 года. На момент публикации этого поста 27 апреля сайт еще работал (156 ключевых слов )

Я подумал регулярно обновлять эту статью, чтобы следить за развитием позиций, но это будет невозможно, поскольку теперь сайт будет подвергаться другим действиям для дальнейшего улучшения его видимости. Результаты будут искажены. Но я уже очень доволен тем, что вижу. Цифры говорят сами за себя: пришло время воспользоваться возможностями, предлагаемыми машинным обучением!

Обновлено 4 июля 2016 года:

Кривая продолжает значительно расти, так как последний результат 152 ключевых слова были расположены на первой странице Google. Последний прогон Yodainsight на 1 июля 2016 года содержит 331 ключевое слово. Это более чем на 100% больше! Я позволю себе судить по скриншоту ниже:

Некоторые важные детали: на сайт не было добавлено никакого контента, на нем сохраняется такое же количество страниц. Это статический контент с некоторыми партнерскими или рекламными ссылками. На сегодняшний день 331 ключевое слово расположено на 24 страницах (по памяти это было 22 страницы до 13 апреля). В течение этого периода не было проведено никаких действий по связыванию сетей. Это довольно обнадеживает, не так ли? 😉

Комментарии открыты для тех, кто хочет поделиться подобным опытом или для скептиков. 🙂 Если вы хотите улучшить видимость вашего сайта, не стесняйтесь свяжитесь со мной ,

Машинное обучение на службе естественных ссылок

5 (100%) 2 голоса