fbpx

Yandex zoekrangschikkingsfactoren filteren: informatie

Yandex zoekrangschikkingsfactoren filteren: informatie

Share This Post


De zoekmarketinggemeenschap probeert de uitgelekte Yandex-repository te begrijpen die bestanden bevat met wat lijkt op zoekrangschikkingsfactoren.

Sommigen zijn misschien op zoek naar bruikbare SEO-tips, maar dat is waarschijnlijk niet de echte waarde.

De algemene overeenstemming is dat het nuttig zal zijn om een ​​algemeen begrip te krijgen van hoe zoekmachines werken.

Als je trucs of snelkoppelingen wilt, zijn ze hier niet. Maar als je meer wilt weten over hoe een zoekmachine werkt. Er is goud

—Ryan Jones (@RyanJones) 29 januari 2023

Er valt veel te leren

Ryan Jones (@RyanJones) vindt dit lek een groot probleem.

Dat is hij al heeft enkele machine learning-modellen van Yandex geladen op uw eigen machine om te testen.

Ryan is ervan overtuigd dat er nog veel te leren valt, maar dat er veel meer voor nodig is dan een lijst met rankingfactoren bekijken.

Ryan legt uit:

“Hoewel Yandex geen Google is, kunnen we er veel van leren op het gebied van gelijkenis.

Yandex gebruikt veel technologie die is uitgevonden door Google. Ze verwijzen naar PageRank op naam, gebruiken Map Reduce en BERT en nog veel meer.

Het is duidelijk dat de factoren zullen variëren en de toegepaste gewichten zullen ook variëren, maar de computermethoden voor het analyseren van tekstrelevantie en het linken van tekst en het uitvoeren van berekeningen zullen zeer vergelijkbaar zijn tussen zoekmachines.

Ik denk dat we veel informatie kunnen halen uit rangschikkingsfactoren, maar alleen kijken naar de gefilterde lijst is niet genoeg.

Als je kijkt naar de toegepaste standaardgewichten (vóór ML), zijn er negatieve gewichten waarvan SEO’s zouden aannemen dat ze positief zijn of vice versa.

Er zijn ook VEEL meer rangschikkingsfactoren berekend in de code dan worden vermeld in de lijsten met uitvoerrangschikkingsfactoren.

Deze lijst lijkt alleen statische factoren te zijn en houdt geen rekening met hoe ze de relevantie van zoekopdrachten berekenen of met de vele dynamische factoren die verband houden met de resultatenset van die zoekopdracht.”

Meer dan 200 rankingfactoren

Volgens het lek wordt vaak herhaald dat Yandex 1.923 rangschikkingsfactoren gebruikt (sommigen zeggen minder).

Christoph Cemper (LinkedIn-profiel), oprichter van Link Research Tools, zegt dat vrienden hem hebben verteld dat er veel meer rankingfactoren zijn.

Christoph deelde:

“Vrienden hebben gezien:

275 personalisatiefactoren 220 “web cool”-factoren 3186 beeldzoekfactoren 2314 video-zoekfactoren

Er valt nog veel meer in kaart te brengen.

Waarschijnlijk het meest verrassende voor velen is dat Yandex honderden factoren voor links heeft.”

Het punt is dat het veel meer is dan de 200+ rankingfactoren die Google beweerde.

En zelfs John Mueller van Google zei dat Google afstand heeft genomen van meer dan 200 rankingfactoren.

Dus misschien helpt dit de zoekindustrie om niet meer in die termen over het algoritme van Google te denken.

Kent iemand het hele Google-algoritme?

Het verrassende aan het datalek is dat de rangschikkingsfactoren op zo’n eenvoudige manier zijn verzameld en georganiseerd.

Het lek dat vraagtekens oproept is het idee dat het algoritme van Google zwaar wordt bewaakt en dat niemand, ook niet bij Google, het hele algoritme kent.

Is het mogelijk dat er een spreadsheet in Google is met meer dan duizend rangschikkingsfactoren?

Christoph Cemper zet vraagtekens bij het idee dat niemand het Google-algoritme kent.

Christoph merkte op in Search Engine Journal:

“Iemand zei op LinkedIn dat ze zich niet konden voorstellen dat Google zulke rankingfactoren zou ‘documenteren’.

Maar zo moet een complex systeem als dit worden opgebouwd. Dit lek is afkomstig van een zeer geautoriseerde insider.

Google heeft code die ook gelekt zou kunnen zijn.

De vaak herhaalde bewering dat zelfs Google-medewerkers de rangschikkingsfactoren niet kennen, leek altijd absurd voor een techneut als ik.

Het aantal mensen dat alle details heeft, zal erg klein zijn.

Maar het moet in de code staan, want de code is de motor van de zoekmachine.”

Welke delen van Yandex zijn vergelijkbaar met Google?

Uitgelekte Yandex-bestanden geven inzicht in hoe zoekmachines werken.

Gegevens laten niet zien hoe Google werkt. Maar het biedt wel de mogelijkheid om te zien hoe een zoekmachine (Yandex) zoekresultaten rangschikt.

Wat er in de gegevens staat, mag niet worden verward met wat Google zou kunnen gebruiken.

Er zijn echter interessante overeenkomsten tussen de twee zoekmachines.

MatrixNet is geen RankBrain

Een van de interessante ideeën die sommigen aan het opgraven zijn, heeft te maken met het Yandex Neural Network genaamd MatrixNet.

MatrixNet is een oudere technologie die in 2009 is geïntroduceerd (archive.org-link in aankondiging).

In tegenstelling tot wat sommigen beweren, is MatrixNet niet de Yandex-versie van RankBrain van Google.

Google RankBrain is een beperkt algoritme dat is gericht op het begrijpen van de 15% van de zoekopdrachten die Google nog niet eerder heeft gezien.

Een artikel in Bloomberg onthulde RankBrain in 2015. In het artikel staat dat RankBrain dat jaar aan het algoritme van Google werd toegevoegd, zes jaar na de introductie van Yandex MatrixNet (Archive.org momentopname van het artikel).

Het Bloomberg-artikel beschrijft het beperkte doel van RankBrain:

“Als RankBrain een woord of zin ziet die niet bekend is, kan de machine raden welke woorden of zinsdelen een vergelijkbare betekenis kunnen hebben en het resultaat dienovereenkomstig filteren, waardoor het effectiever wordt in het verwerken van nooit eerder vertoonde zoekopdrachten.”

MatrixNet daarentegen is een machine learning-algoritme dat veel dingen doet.

Een van de dingen die het doet, is een zoekopdracht rangschikken en vervolgens de juiste rangschikkingsalgoritmen op die zoekopdracht toepassen.

Dit is een deel van wat de Engelse aankondiging van het algoritme uit 2016 zegt:

“MatrixNet maakt het mogelijk om een ​​zeer lange en complexe classificatieformule te genereren, die rekening houdt met een groot aantal verschillende factoren en hun combinaties.

Een ander belangrijk kenmerk van MatrixNet is dat u hiermee een rangschikkingsformule kunt aanpassen voor een specifieke klasse van zoekopdrachten.

Trouwens, het aanpassen van het rangschikkingsalgoritme voor bijvoorbeeld muziekzoekopdrachten zal de kwaliteit van de rangschikking voor andere soorten zoekopdrachten niet schaden.

Een ranking-algoritme is als een complex stuk machine met tientallen knoppen, schakelaars, hendels en indicatoren. Normaal gesproken resulteert elke omzetting van een enkele schakelaar in een mechanisme in een globale verandering in de hele machine.

Met MatrixNet kunt u echter specifieke parameters aanpassen voor specifieke soorten query’s zonder dat het hele systeem ingrijpend moet worden herzien.

Bovendien kan MatrixNet automatisch de gevoeligheid kiezen voor specifieke ranges van rankingfactoren.”

MatrixNet doet veel meer dan RankBrain, natuurlijk zijn ze niet hetzelfde.

Maar wat geweldig is aan MatrixNet, is hoe dynamisch de rangschikkingsfactoren zijn, aangezien het zoekopdrachten rangschikt en er verschillende factoren op toepast.

In sommige documenten met rangschikkingsfactoren wordt naar MatrixNet verwezen, dus het is belangrijk om MatrixNet in de juiste context te plaatsen, zodat de rangschikkingsfactoren in het juiste licht worden gezien en logischer zijn.

Het kan nuttig zijn om meer te lezen over het Yandex-algoritme om Yandex-filtering te begrijpen.

Leest: Yandex’ machine learning en kunstmatige intelligentie-algoritmen

Sommige Yandex-factoren komen overeen met SEO-praktijken

Dominic Woodman (@dom_woodman) heeft enkele interessante observaties over kwel.

Sommige van de gefilterde rangschikkingsfactoren komen overeen met bepaalde SEO-praktijken, zoals variabele ankertekst:

Verander je ankertekst baby!

4/x pic.twitter.com/qSGH4xF5UQ

— Dominic Woodman (@dom_woodman) 27 januari 2023

Alex Buraks (@alex_buraks) heeft een megathread op Twitter geplaatst over het onderwerp dat resoneert met SEO-praktijken.

Een van deze factoren die Alex benadrukt, heeft te maken met het optimaliseren van interne links om de kruipdiepte van belangrijke pagina’s te minimaliseren.

John Mueller van Google moedigt uitgevers al lang aan ervoor te zorgen dat belangrijke pagina’s prominent worden gelinkt.

Mueller raadt af om belangrijke pagina’s diep in de architectuur van de site te begraven.

John Mueller deelde in 2020:

“Dus wat er gaat gebeuren, is dat we zullen zien dat de startpagina echt belangrijk is, en de dingen die vanaf de startpagina worden gelinkt, zijn over het algemeen ook behoorlijk belangrijk.

En dan … als het van de startpagina af beweegt, gaan we denken dat dat waarschijnlijk minder belangrijk is.”

Het is belangrijk om belangrijke pagina’s dicht bij de hoofdpagina’s te houden waar bezoekers van de site naartoe komen.

Daarom, als de links naar de homepage verwijzen, worden de pagina’s die vanaf de homepage zijn gelinkt als belangrijker gezien.

John Mueller zei niet dat kruipdiepte een rankingfactor is. Het zei simpelweg dat het Google vertelt welke pagina’s belangrijk zijn.

De door Alex aangehaalde Yandex-regel gebruikt de crawldiepte van de startpagina als een rangschikkingsregel.

#1 Kruipdiepte is een rankingfactor.

Houd uw belangrijke pagina’s dichter bij de hoofdpagina:
– toppagina’s: 1 klik vanaf de hoofdpagina
– belangrijke pagina’s: <3 klikken pic.twitter.com/BB1YPT9Egk

— Alex Buraks (@alex_buraks) 28 januari 2023

Dit is logisch om de startpagina als het startpunt van belangrijkheid te beschouwen en vervolgens minder belangrijkheid te berekenen naarmate u er verder van verwijderd bent op de site.

Er zijn ook Google-onderzoeksdocumenten met vergelijkbare ideeën (Reasonable Surfer Model, Random Surfer Model), die de waarschijnlijkheid berekenden dat een willekeurige surfer op een bepaalde webpagina terechtkomt door simpelweg links te volgen.

Alex vond een factor die prioriteit geeft aan belangrijke toppagina’s:

#3 Backlinks van hoofdpagina’s zijn belangrijker dan die van interne pagina’s.

Klinkt logisch. pic.twitter.com/Mts9jHsRjE

— Alex Buraks (@alex_buraks) 28 januari 2023

De vuistregel voor SEO is al lang om belangrijke inhoud een paar klikken verwijderd te houden van de startpagina (of binnenpagina’s die inkomende links aantrekken).

Yandex Update Vega… Gerelateerd aan ervaring en autoriteit?

Yandex heeft zijn zoekmachine in 2019 geüpdatet met een update genaamd Vega.

De Yandex Vega-update omvatte neurale netwerken die werden getraind met vakexperts.

Deze update van 2019 was bedoeld om zoekresultaten te introduceren met deskundige en gezaghebbende pagina’s.

Maar zoekers die de documenten doorzoeken, moeten nog iets vinden dat te maken heeft met zaken als biografieën van auteurs, waarvan sommigen denken dat ze verband houden met de expertise en autoriteit waarnaar Google op zoek is.

Ryan Jones twitterde:

tweede leuk weetje Ik heb NIETS gevonden dat overeenkomt met waar veel SEO’s denken dat EAT naar kijkt. (auteur bio / profielen, bijvoorbeeld)

—Ryan Jones (@RyanJones) 30 januari 2023

Leer, leer, leer

We bevinden ons in de begindagen van het lek en ik vermoed dat het zal leiden tot een beter begrip van hoe zoekmachines over het algemeen werken.

Uitgelichte afbeelding door Shutterstock/san4ezz





Source link

More To Explore

OpenAI sluit gebrekkige AI-detector af
Marketing Nieuwtjes

OpenAI sluit gebrekkige AI-detector af

OpenAI heeft zijn AI-classificatie, een tool die is ontworpen om door AI gegenereerde tekst te identificeren, stopgezet na kritiek op de nauwkeurigheid ervan. De beëindiging

WACHT! VOORDAT JE GAAT...

Geef me jouw E-mail Address, en dan stuur ik je een GRATIS kopie van mijn boek, waarin ik je laat zien hoe je jouw inkomen kan verdubbelen in 90 dagen!