RankBrain یک جزء الگوریتم اصلی گوگل است که از یادگیری ماشین (توانایی ماشینها برای آموزش خود از ورودی داده ها) استفاده می کند تا نتایج مربوط به جستجو را در موتورهای جستجو تعیین کند. پیش از رتبهبندی، Google از الگوریتم پایه خود برای تعیین نتایجی که برای یک پرس و جو داده شده نشان می دهد استفاده کرد. Post-RankBrain اعتقاد بر این است که پرس و جو در حال حاضر از طریق یک مدل تفسیری که می تواند عوامل احتمالی مانند محل جستجوگر، شخصی سازی و کلمات پرس و جو برای تعیین قصد واقعی جستجوگر را اعمال کند . با شناسایی این قصد واقعی، گوگل می تواند نتایج مربوطه را ارائه دهد.

ابعاد یادگیری دستگاه از RankBrain این است که آن را جدا از دیگر به روز رسانی است. برای “آموزش” الگوریتم RankBrain برای تولید نتایج جستجو مفید، گوگل برای اولین بار “داده ها” را از منابع مختلفی “تغذیه” می کند. الگوریتم سپس آن را از آنجا می گیرد، محاسبه و تدریس خود را در طول زمان برای مطابقت با انواع مختلف سیگنال به نتایج مختلف و سفارش رتبه بندی موتور جستجو بر اساس این محاسبات.

Understanding RankBrain

برای به ظاهر به دست آوردن RankBrain، می تواند کمک کند که خودتان را در کفش های گوگل قرار دهید، در تلاش برای درک قصد پرس و جو موتور جستجو مانند “محل بازی های المپیک”.

هدف واقعی این جستجو چیست؟ آیا جستجوگر می خواهد در مورد بازی های المپیک زمستانی یا تابستانی بداند؟ آیا آنها به یک بازی المپیک اشاره می کنند که فقط نتیجه گرفته شده است یا یکی از آن ها که چهار سال از این زمان برگزار می شود؟ آیا جستجوگر در حال حاضر در المپیک شرکت می کند، نشسته در یک هتل و به دنبال جهت به محل برگزاری مراسم افتتاحیه؟ آیا آنها حتی می توانند اطلاعات تاریخی در مورد محل اولین بازی های المپیک یونان باستان را جستجو کنند؟

در حال حاضر، تصور کنید که در تلاش برای پاسخ به این پرس و جو، همه شما باید سیگنال های الگوریتمی ساده مانند کیفیت محتوای یا تعداد لینک هایی که یک محتوا برای رتبه بندی نتایج برای این جستجوگر به دست آورده است، کسب کنید. تصور کنید که بازی های زمستانی در سوچی، روسیه فقط ماه گذشته به پایان رسید و وب سایت رسمی بازی های المپیک سوچی، میلیون ها لینک برای محتوای خود را در مورد این رویداد گذشته به دست آورده است. اگر الگوریتم شما ساده باشد، ممکن است فقط نتایج بازی های Sochi را نشان دهد؛ زیرا بیشتر لینک ها را به دست آورده اند … حتی اگر جستجوگر در واقع امیدوار بود که محل بازی های المپیک زمستانی بعدی در Pyeongchang، کره جنوبی را یاد بگیرد .

این در وضعیت پیچیده اما معمولی است که ظرفیت RankBrain به عنوان ضروری ظاهر می شود. تنها با توانایی ریاضیات محاسبه نتایج بر مبنای الگوهای الگوریتم یادگیری ماشین “متوجه” در رفتار جستجوگر است که گوگل می تواند تعیین کند که، برای مثال، اکثر مردم به دنبال “محل بازی های المپیک” می خواهند بدانند که در آن بازی های بعدی (تابستان یا زمستان) برگزار خواهد شد. بنابراین، در این مورد، یک جعبه پاسخ گوگل با موقعیت بازی های آینده در آن، اکثر نیازهای جستجوگران را خدمت خواهد کرد.

در حالی که این جعبه پاسخ ممکن است در قبال بیشترین جستجوهای “مکان های المپیک” در نظر گرفته شود، استثنائی قابل توجه است که گوگل باید آدرس دهد. به عنوان مثال، در صورتی که جستجو در زمان انجام یک بازی در یک شهر المپیک (مانند Pyeongchang) در هفته بازی انجام شود، Google ممکن است به جای آن مسیرهای رانندگی را به سالن برگزاری مراسم افتتاحیه برگزار کند. به عبارت دیگر، سیگنال هایی مانند موقعیت کاربر و طراوت محتوا باید در نظر گرفته شود تا تفسیر قصد و نتایج را به احتمال زیاد برای ارزیابی کاربران جستجو کند .

* RankBrain یک کار در حال پیشرفت است ، با هدف از یادگیری ماشین کامل تفسیر گوگل از قصد جستجوگر در طول زمان. جالب توجه است، پرس و جو پیش فرض ما، “محل بازی های المپیک”، انجام شده در ایالات متحده در آوریل ۲۰۱۷ این نتیجه این جعبه پاسخ گوگل است:

آیا این نشان می دهد که این ماشین معتقد است که بیشتر افرادی که در جستجوی این اصطلاح هستند بیشتر علاقه مند به بازی های تابستانی ۲۰۱۶ ریودوژانیرو هستند تا اینکه در رویداد بعدی، بازی های زمستانی ۲۰۱۶ Pyeongchang در زمستان آینده شرکت کنند؟ آیا RankBrain در اینجا موفق شده است، براساس الگوهایی که محاسبه کرده است یا هنوز هم در «آثار»، از عدم آگاهی از پرس و جو ما اطمینان حاصل نمیکند که آیا ما میخواهیم پاسخ قدیمیتر، محبوبتر یا تازهتر به نظر آیند؟ و اگر می توانستیم آن را در ژانویه سال ۲۰۱۸ انجام دهیم، این پرسش چه خواهد شد؟ آیا جعبه پاسخ Pyeongchang نشان می دهد چرا که سیگنال های اطراف این رویداد تا آن زمان شدید شد؟

از آنجایی که گستردگی و ظرافت تاثیر RankBrain در نحوه کارکرد الگوریتم جستجوی اصلی گوگل تا به حال کامل نشده است، یکی از بهترین روشهای یادگیری بیشتر در مورد نحوه عملکرد RankBrain ممکن است از مشاهده اینکه چگونه Google به انواع مختلفی از خود پاسخ میدهد نمایش با پاسخ های رضایت بخش. چگونه اغلب آنها به درستی تفکر قصد شما را دارند ؟

آیا RankBrain تغییر روش ما انجام جستجوگرها؟

با توجه به پیچیدگی و مدرنیته مهارت های جستجوگر شخصی شما، RankBrain ممکن است تغییر جزئی یا اصلی در نظریه ها و شیوه های شما باشد. بیل شلاکیس، متخصص ثبت اختراعات، مثال زیر را برای توضیح اینکه چرا RankBrain در محیط جستجوی مورد نیاز است، ارائه کرد:

“برای اسب سوار یک اسب ۴ عضوی بزرگ است، یک نجار، اسب دارای ۴ پا است، اما در مزرعه زندگی نمی کند و یا جویدن یونجه، به یک ژیمناست اسب چیزی است که من اعتقاد دارم که شما می توانید از غرفه؛ با توجه به مسائل مربوط به RankBrain، و اطمینان حاصل کنید که شما ضبط کنید که زمینه احتمالا کلید برای بهینه سازی برای این روش یادگیری ماشین است. ”

جادوگر Moz Rand Fishkin بر نیاز به جستجوگرها در هر سطح تاکید می کند تا سه مفاهیم اساسی در محیط RankBrain را درک کند :

  1. سیگنال های مختلف رتبه بندی به درخواست های مختلف اعمال می شود

قبل از RankBrain، ممکن است برای ارزیابی تمام سیگنال های سنتی (تنوع لینک، عمق محتوای، تطابق کلمات کلیدی و غیره)، بهینه سازی صفحه وب را ارزیابی کنید. پس از RankBrain، SEO ها باید نوع محتوایی را که به بهترین وجه به نیازهای کاربران پاسخ می دهد، تعیین کند . برای چیزی شبیه یک طوفان ناگهانی، شما می خواهید بر خلاقیت خیلی بیشتر از لینک هایی که یک قطعه مملو شده است، حساب کنید. برای چیزی شبیه به تاریخ موسیقی بومی آمریکایی، شما با تکیه بر عمق محتوای و احتمالا موضوع مرتبط مربوط به دامنه شما، قدرت سیگنالینگ است. بدانید که الگوریتم های یادگیری ماشین که RankBrain درایو هستند، سیگنال های منطبق را برای پرس و جو در نظر می گیرند و همچنین SEO ها باید این کار را انجام دهند.

  1. سیگنال ها به شهرت وب سایت شما اعمال می شود

SEO به دنبال ایجاد اعتبار نام تجاری خود به عنوان یک منبع مورد اعتماد توسط موتورهای جستجو و کاربران انسان برای ارائه یک تجربه خاص است.مزایای ایجاد چنین شهرت میتواند رتبه بندی خوبی برای کلمات کلیدی مهم برای شما باشد. آیا نام تجاری شما باید شهرت خود را بر روی طراوت، عمق، تنوع لینک های به دست آمده، تعامل با کاربر و یا سایر سیگنال ها بنا کند؟ پاسخ به موضوعاتی که پوشش می دهید بستگی دارد (به عنوان مثال نمرات رویدادهای ورزشی در زمان واقعی در مقابل دوره آنلاین در یادگیری زبان اسپانیایی). آیا جستجوهایی را که میخواهید پاسخهای سریع و مختصر، یا اکتشافات عمیق را برای تقاضای رتبه بندی کنید، انجام دهید؟ با گذشت زمان، دامنه شما باید بر اساس سیگنالهایی که میخواهد خدمت کند، شهرت ایجاد کند، درک اینکه RankBrain محیطی را ایجاد می کند که در آن نام تجاری شما ممکن است برای ارائه یک نوع خاص از محتوایی که به نیاز خاص نیاز دارد، شناخته شود.

  1. یک کلمه کلیدی یک صفحه واقعا، واقعا مرده است

احتمالا شما قبلا می دانید که تمرین ایجاد صفحه برای “سپتولا”، یکی دیگر برای “سپتولس”، یکی دیگر برای “آشپزخانه سپتول”، یکی دیگر برای “پنکیک پنبه”، و دیگری برای “سپر فلزی” یک اسب خسته قدیمی است که نیاز به پرورش دارد. جستجوگر مدرن تمام این عبارات (و URL های مربوط به آنها) را به یک قطعه کامل از محتوای کامل که شامل زبان طبیعی است را شامل می شود، از جمله عبارات کلمات کلیدی گوناگون که منعکس کننده نحوه جستجوی و صحبت انسان ها است. این خبر جدید برای اغلب هشدار دهنده های جستجوگرها نیست، اما ظهور RankBrain حاکی از این است که تمرکز بر کلیه مفاهیم کلیدی با محتوای جامع، به جای شکستن چند صفحه برای پوشش دادن انواع مانند ویجت و ویدجت.

حقایق دیگر درباره RankBrain

  • RankBrain به عنوان بخشی از الگوریتم کلی Google Hummingbird ذکر شده است .
  • در سال ۲۰۱۵، گوگل اعلام کرد که RankBrain برای پردازش ۱۵٪ از پرس و جوها که سیستم قبلا هرگز با آن مواجه نشده بود مورد استفاده قرار گرفت. تا سال ۲۰۱۶، Google RankBrain را به تمام درخواستها اعمال کرد .