Η κοινότητα του μάρκετινγκ αναζήτησης προσπαθεί να βρει νόημα για ένα αποθετήριο Yandex που διέρρευσε που περιέχει έγγραφα που απαριθμούν παράγοντες κατάταξης αναζήτησης. Ο Ryan Jones (@RyanJones) πιστεύει ότι αυτή η διαρροή είναι σοβαρή και έχει [φορτώσει ορισμένα μοντέλα μηχανικής εκμάθησης Yandex](https:// twitter.com/ RyanJones/status/1620266355323961344) για δοκιμή στο δικό του μηχάνημα. Ενώ ορισμένοι μπορεί να αναζητούν δυνητικούς πελάτες SEO που μπορούν να λειτουργήσουν, η γενική συναίνεση είναι ότι θα βοηθήσει στην καλύτερη κατανόηση του τρόπου λειτουργίας των μηχανών αναζήτησης (@RyanJones, 29 Ιανουάριος 2023). Όπως είπε ο Ryan, "[Εάν] θέλετε hacks ή συντομεύσεις, δεν υπάρχουν εδώ. Αλλά εάν θέλετε να μάθετε περισσότερα για το πώς λειτουργούν οι μηχανές αναζήτησης, υπάρχει χρυσός εδώ."
Ο Ryan πιστεύει ότι μπορούμε να μάθουμε πολλά από τη λίστα με τους παράγοντες κατάταξης της Yandex που διέρρευσαν, αλλά δεν αρκεί απλώς να ελέγξουμε τη λίστα. Εξήγησε ότι ενώ το Yandex δεν είναι Google, χρησιμοποιεί πολλές από τις εφευρέσεις της Google, όπως το PageRank και το BERT. Σημείωσε επίσης ότι οι παράγοντες και τα βάρη που εφαρμόζονται σε αυτά μπορεί να διαφέρουν από μηχανή αναζήτησης σε μηχανή αναζήτησης, αλλά οι μέθοδοι της επιστήμης των υπολογιστών που χρησιμοποιούνται για την ανάλυση της συνάφειας του κειμένου θα είναι πολύ παρόμοιες. Επιπλέον, επεσήμανε ότι υπάρχουν περισσότεροι παράγοντες κατάταξης που υπολογίζονται στον κώδικα από ό,τι αναφέρονται στη λίστα που διέρρευσε, με ορισμένα αρνητικά βάρη να αποδίδονται σε παράγοντες που οι SEO μπορεί να θεωρούν θετικούς και το αντίστροφο. Σύνδεσμος: https://www.seobility.net/en/blog/yandex-ranking-factors/
Γενικά πιστεύεται ότι η Yandex χρησιμοποιεί 1.923 παράγοντες κατάταξης για τη μηχανή αναζήτησής της. Ωστόσο, ο ιδρυτής του Link Research Tools, Christoph Cemper (LinkedIn profile) άκουσε από φίλους ότι υπάρχουν περισσότεροι παράγοντες κατάταξης από αρχικά σκέφτηκε, θέλει περισσότερα. Σύμφωνα με αυτές τις πηγές, η Yandex χρησιμοποίησε 275 παράγοντες εξατομίκευσης, 220 παράγοντες «φρεσκάδας ιστού», 3.186 παράγοντες αναζήτησης εικόνων και 2.314 παράγοντες αναζήτησης βίντεο. Παραδόξως, οι μηχανές αναζήτησης χρησιμοποιούν επίσης εκατοντάδες παράγοντες κατάταξης που σχετίζονται με συνδέσμους. Αυτό δείχνει ότι η Google αρχικά ισχυρίστηκε ότι χρησιμοποιούσε πάνω από 200 σήματα κατάταξης στα SERP της.
Η πρόσφατη παραβίαση δεδομένων του αλγόριθμου της μηχανής αναζήτησης της Google έχει εγείρει ερωτήματα σχετικά με το ποιος πραγματικά γνωρίζει ολόκληρο τον αλγόριθμο. Ήταν συγκλονιστικός ο τρόπος με τον οποίο οργανώθηκαν οι παράγοντες κατάταξης όταν διέρρευσαν και πολλοί τώρα αμφισβητούν εάν η Google διαθέτει ένα ολοκληρωμένο υπολογιστικό φύλλο όλων των παραγόντων κατάταξης.
Ο εμπειρογνώμονας SEO Christoph Cemper σχολίασε σχετικά με το θέμα στο Search Engine Journal ότι «το βρίσκει πάντα γελοίο» ότι ακόμη και οι υπάλληλοι της Google δεν γνωρίζουν ολόκληρο τον αλγόριθμο. Συνέχισε λέγοντας ότι ένα τόσο περίπλοκο σύστημα πρέπει να τεκμηριωθεί ώστε ακόμη και ο κώδικας να μπορεί να διαρρεύσει. Ίσως λοιπόν αυτή η παραβίαση δεδομένων να βοηθήσει στο να ξεφύγουμε από τον αλγόριθμο της Google.
Τα έγγραφα Yandex που διέρρευσαν πρόσφατα παρέχουν την ευκαιρία να δείτε πώς η μηχανή αναζήτησης (Yandex) κατατάσσει τα αποτελέσματα αναζήτησης, αν και τα δεδομένα δεν αποκαλύπτουν πώς λειτουργεί η Google. Μεταξύ των πληροφοριών που αποκαλύφθηκαν είναι εκείνες που σχετίζονται με ένα νευρωνικό δίκτυο Yandex που ονομάζεται MatrixNet, το οποίο δημοσιεύθηκε το 2009 μέσω του [συνδέσμου ανακοίνωσης archive.org](https://web.archive.org/web/20160311035825/https://yandex .com /company/technologies/matrixnet/){rel="nofollow"}. Είναι σημαντικό να σημειωθεί ότι, σε αντίθεση με ορισμένους ισχυρισμούς, το MatrixNet δεν είναι ισοδύναμο με το RankBrain της Google — ο περιορισμένος αλγόριθμος της Google επικεντρώνεται στην κατανόηση του 15% των ερωτημάτων αναζήτησης που δεν έχει ξαναδεί. Τον Οκτώβριο του 2015, το Bloomberg δημοσίευσε ένα άρθρο ([Archive.org στιγμιότυπο](https://web.archive.org/web/20151101155408/https://www.bloomberg.com/news/articles/2015-10 -26/ Το google-turning-its-lucrative-web-search-over-to-ai-machines){rel="nofollow"}) αποκαλύπτει ότι το RankBrain εισήχθη στον αλγόριθμο Google 6 χρόνια μετά την κυκλοφορία του Yandex MatrixNet. Σύμφωνα με την εφημερίδα, το RankBrain είναι περιορισμένης χρήσης και έχει σχεδιαστεί για να μαντεύει λέξεις και φράσεις με παρόμοια σημασία με ερωτήματα που δεν είναι εξοικειωμένα, προκειμένου να επεξεργάζεται αποτελεσματικά ερωτήματα αναζήτησης που δεν έχουν ξαναδεί. Αντίθετα, το MatrixNet είναι ένας αλγόριθμος μηχανικής μάθησης που ταξινομεί τα ερωτήματα αναζήτησης και εφαρμόζει τους κατάλληλους αλγόριθμους κατάταξης ανάλογα. Μια ανακοίνωση του 2016 στα Αγγλικά (εδώ) περιγράφει περαιτέρω τον ρόλο του αλγορίθμου στη σύγχρονη αναζήτηση ιστού στην αρχή λειτουργίας της πλατφόρμας Google.
Το MatrixNet είναι ένας ισχυρός αλγόριθμος κατάταξης που επιτρέπει στους χρήστες να δημιουργούν σύνθετους τύπους και να τους προσαρμόζουν για συγκεκριμένα ερωτήματα αναζήτησης. Αυτό διασφαλίζει ότι η ποιότητα της κατάταξης για έναν τύπο ερωτήματος δεν επηρεάζει τη συνολική απόδοση για άλλους τύπους αναζητήσεων. Σε αντίθεση με άλλους αλγόριθμους κατάταξης, το MatrixNet επιτρέπει στους χρήστες να τροποποιούν και να ρυθμίζουν με ακρίβεια ορισμένες παραμέτρους χωρίς να αναθεωρούν πλήρως ολόκληρο το σύστημα. Επιπλέον, το MatrixNet μπορεί να επιλέξει αυτόματα επίπεδα ευαισθησίας για διαφορετικούς παράγοντες στον τύπο κατάταξης. Με αυτές τις προηγμένες δυνατότητες, το MatrixNet έχει ξεχωρίσει από τον RankBrain και άλλους παρόμοιους αλγόριθμους. https://www.deepcrawl.com/blog/rankbrain-matrixnet-same/
Το MatrixNet είναι ένας σημαντικός παράγοντας που πρέπει να λάβετε υπόψη κατά τον έλεγχο της τεκμηρίωσης των παραγόντων κατάταξης του Yandex. Για να κατανοήσετε αυτά τα έγγραφα, είναι σημαντικό να κατανοήσετε τον αλγόριθμο Yandex. Για το σκοπό αυτό, οι αναγνώστες μπορούν να διαβάσουν μια επισκόπηση των αλγορίθμων τεχνητής νοημοσύνης και μηχανικής μάθησης της Yandex εδώ. Ο Dominic Woodman, ένας χρήστης του Twitter με το όνομα χρήστη @dom_woodman, έκανε μερικές ενδιαφέρουσες παρατηρήσεις σχετικά με τη διαρροή και διαπίστωσε ότι ορισμένοι παράγοντες συνάδουν με το SEO πρακτικές, όπως διαφορετικά anchor texts (όπως αναφέρει εδώ tweet).
Ο Alex Buraks (@alex_buraks) δημοσίευσε πρόσφατα ένα νήμα στο Twitter σχετικά με τη σημασία της βελτιστοποίησης εσωτερικού συνδέσμου για το SEO. Ο John Mueller της Google έχει ενθαρρύνει εδώ και καιρό τους εκδότες να διασφαλίσουν ότι οι σημαντικές σελίδες συνδέονται ευδιάκριτα και τους αποθάρρυνε να θάψουν βαθιά στην αρχιτεκτονική του ιστότοπου. Είπε το 2020: «[Λοιπόν τι συμβαίνει], θα δούμε ότι η αρχική σελίδα είναι πολύ σημαντική και συχνά το περιεχόμενο στο οποίο συνδέεται η αρχική σελίδα είναι επίσης πολύ σημαντικό...Καθώς μετακινείται από την αρχική σελίδα, εμείς Θα σκεφτώ ότι ίσως δεν είναι τόσο πολύ. Σημαντικό» (κοινοποιήθηκε από τον John Mueller). Αυτό υποδηλώνει ότι διατηρώντας σημαντικές σελίδες κοντά στις κύριες σελίδες στις οποίες έρχονται οι επισκέπτες του ιστότοπου, θα θεωρούνται πιο σημαντικές εάν συνδεθούν από εκεί.
Ο John Mueller της Google αναφέρθηκε πρόσφατα στο θέμα του βάθους ανίχνευσης ως παράγοντα κατάταξης. Διευκρίνισε ότι αυτό δεν είναι παράγοντας κατάταξης, αλλά σήμα προς την Google ποιες σελίδες είναι σημαντικές. Στη συνέχεια, ο Alex Buraks αναφέρει έναν κανόνα Yandex που χρησιμοποιεί το βάθος ανίχνευσης της αρχικής σελίδας ως κανόνα κατάταξης, δηλώνοντας ότι οι σημαντικές σελίδες πρέπει να είναι πιο κοντά στην αρχική σελίδα (1 κλικ) και οι λιγότερο σημαντικές σελίδες πρέπει να έχουν 3 ή λιγότερα κλικ. Αυτό είναι λογικό όσον αφορά την απόδοση σημασίας όταν απομακρύνεστε από την αρχική σελίδα. Υπάρχουν επίσης ορισμένες ερευνητικές εργασίες της Google, όπως το Reasonable Surfer Model και το Random Surfer Model, που υπολογίζουν την πιθανότητα ένας τυχαίος surfer να επισκεφτεί μια δεδομένη ιστοσελίδα ακολουθώντας έναν σύνδεσμο. Σύνδεσμος tweet: [Λογικός σύνδεσμος μοντέλου σερφ:](https:// www .seobythesea.com/2016/04/googles-reasonable-surfer-patent-updated/)
Ο ειδικός του SEO Alex Buraks έγραψε πρόσφατα στο Twitter ότι τα backlinks από την αρχική σελίδα είναι πιο σημαντικά από αυτά από εσωτερικές σελίδες. Το tweet του συνδέθηκε με μια εικόνα που δείχνει ένα διάγραμμα που αντιπροσωπεύει τη δήλωση. Αυτός ο εμπειρικός κανόνας είναι σημαντικός για το SEO επειδή βοηθά να διασφαλιστεί ότι το σημαντικό περιεχόμενο παραμένει κοντά στην αρχική σελίδα ή μέσα σε σελίδες που προσελκύουν εισερχόμενους συνδέσμους.
Πρόσφατα, ανακαλύφθηκε μια ευπάθεια στον τρόπο με τον οποίο οι μηχανές αναζήτησης διαβάζουν ιστοσελίδες. Αυτή η διαρροή βρίσκεται ακόμα στα αρχικά της στάδια, αλλά έχει τη δυνατότητα να δώσει στους μελλοντικούς χρήστες του SEO καλύτερη κατανόηση του τρόπου λειτουργίας αυτών των υπηρεσιών. Περαιτέρω έρευνα και ανάλυση αυτής της διαρροής μπορεί να ρίξει περισσότερο φως στον τρόπο λειτουργίας των μηχανών αναζήτησης και στα διάφορα στοιχεία που τις οδηγούν. Επιλεγμένη εικόνα: Shutterstock/san4ezz. Ανατρέξτε στις κατηγορίες Ειδήσεις και SEO του Περιοδικού Μηχανών Αναζήτησης για περισσότερες πληροφορίες σχετικά με αυτό το θέμα.