Wenn wir über den Aufstieg des maschinellen Lernens in Bezug auf SEO nachdenken, können wir uns in einem beängstigenden Szenario wiederfinden, je nachdem, welche Art von SEO-Profi Sie sind.
SEO-Profis wie ich, die auf Logik basieren und sich in der Vergangenheit darauf verlassen haben, die Signale und deren Fluktuation zu verstehen, kauen sich möglicherweise mehr in die Nägel als Vermarkter, die sich mehr darauf verlassen haben, Menschen zu bedienen als Suchmaschinen.
Wo ich mir früher den Kopf zerkratzt habe, weil ich mich gefragt habe, wie der Ansatz „Großartige Inhalte erstellen und sie werden kommen“ denkbar war, sind diejenigen, die diesen SEO-Ansatz abonnieren, heute wahrscheinlich am wenigsten besorgt.
Was ist maschinelles Lernen in Bezug auf SEO?
Wir werden hier keine großen Lektionen über maschinelles Lernen erhalten und wir werden nicht die Zeit haben, uns wirklich damit auseinanderzusetzen, wie es sich auf uns auswirkt und wie unsere zukünftige SEO-Strategie aussehen muss.
Aus einer Sicht von 30.000 Fuß ist alles, was wir wirklich wissen müssen, dass es die Fähigkeiten von Google um unglaubliche Geschwindigkeit erweitert:
- Ansammlung von Daten.
- Interpretation.
- Reaktion.
Weitere Informationen dazu finden Sie in meinem Beitrag: How Machine Learning Works in Search: Alles, was Sie wissen müssen.
Und wenn Sie wirklich wissen wollen, was Machine Learning ist, bietet Google hier einen kostenlosen Crashkurs an.
Auswirkungen von maschinellem Lernen auf Links und Linkaufbau
Eines der einfachsten Beispiele für einen Bereich, in dem maschinelles Lernen die Fähigkeiten von Google erheblich verbessern kann, sind Links.
Schaut man sich ein kleines Beispiel an, kann Machine Learning bei einem der Schlüsselaspekte der Linkbewertung eine Rolle spielen: der Spamfilterung.
Google verwendet bereits maschinelles Lernen in Gmail, erreicht eine Erfolgsquote von 99,9 Prozent und gibt nur 0,05 Prozent der Zeit falsch positiv aus.
Überträgt man dies auf Verknüpfungsbewertungen, erhält man ein sehr gelungenes Modell.
Vorher mussten die Google-Ingenieure
- Erstellen Sie Site-Listen von geringer Qualität und blockieren Sie deren Linkfluss manuell.
- Programmieren Sie die Einzelheiten eines schlechten Links basierend auf dem, was sie zuvor gesehen haben.
- Legen Sie Abwertungsfunktionen in Linkberechnungen fest und hoffen Sie, dass nicht zu viele Fehlalarme enthalten sind.
Mit maschinellem Lernen öffnet sich die Welt.
Ja, es gibt immer noch einen primären Ausgangspunkt: eine Liste bekannter fehlerhafter Domänen und eine Liste vermuteter fehlerhafter Signale.
Dies sind jedoch Trainingsgrundlagen, die ein maschinelles Lernsystem verwenden kann, um:
Erfahren Sie, wie Sie diese Signale auf andere Links anwenden, die Sie finden.
Entwickeln Sie Ihre eigenen Signale für das, was Spam zu sein scheint (oder gut für diese Angelegenheit).
Anstatt sich einfach auf diese starren Kriterien zu verlassen, können Maschinen durch die Beobachtung von Mustern selbst lernen.
Die Beobachtung von Websites mit vermuteten schlechten Signalen (sowohl in ihren ausgehenden als auch eingehenden Links) dient als Profil für die Maschine.
Sobald die fehlerhafte Bestimmung bestätigt ist, können Sie mit der Umkehrung der Muster beginnen, um in Zukunft eine schnellere Erkennung zu ermöglichen.
- Auf welche Arten von Websites verlinken Spam-Sites?
- Welche Arten von Links erhalten Spam-Sites?
- Gibt es ein Muster des Linkwachstums?
- Verlinken Seiten, die kostenpflichtige Links verkaufen, auch auf andere bestimmte Websites (was?
- tun) und wenn ja, mit welchen Sites?
Das System kann sie dann zu den angewendeten Metriken hinzufügen.
Dies ist wirklich weniger als die Spitze eines Eisbergs, wie Maschinen simulieren können, was Menschen tun können, und es verstärken.
Möchten Sie wissen, wie Google damit werben kann, Websites mit Spam-Links abzuwerten, anstatt sie manuell zu bestrafen?
Möglich wird dies durch Maschinen, die Abwertungen mit unglaublicher Geschwindigkeit lernen und anwenden können, mit weit weniger Fehlalarmen.
Darüber hinaus können Maschinen auch die Qualität des Inhalts und die Relevanz einer Seite verstehen und dieses Verständnis sowohl einzeln als auch en masse in der Gleichung ergänzen.
Eine Maschine, die fragen kann: „Soll dieser Link ein hohes Gewicht für Ihre individuelle Seite haben?“ Und dann weiter: „Ist der Link mit hoher Wahrscheinlichkeit bezahlt oder sonst problematisch?“ Im Kontext der Daten anderer Links auf dieser Seite und Domain gefunden und analysiert.
Dies sind äußerst begrenzte Beispiele dafür, wo maschinelles Lernen auf Links angewendet werden kann.
Spam-Muster werden und werden mit zunehmendem Erfolg erkannt, während qualitativ hochwertige Links besser verstanden und belohnt werden.
Dies bedeutet einen stärkeren Fokus auf Qualität, Relevanz und Legitimität – es sei denn, Sie haben das Gefühl, dass Sie schneller an die Systeme gelangen können, um Google zu täuschen, als eine Maschine es herausfinden kann.