RankBrain (رنک برین) گوگل چیست و چگونه بر سئو تاثیر می گذارد؟

در این مطلب به بررسی الگوریتم RankBrain گوگل می پردازیم و تاثیرات این الگوریتم را بر روی سئو سایت تحلیل می کنیم.

در هفته های گذشته اشتیاق مجددی در بحث بهینه سازی هوش مصنوعی (AIO) ایجاد شده است و در سایت های خبری و وبلاگ های فراوانی از این موضوع صحبت شده است. ما نیز قصد داریم در ادامه این روند به همین مسئله بپردازیم. در هفته های گذشته توجهات متخصصین سئو از تاثیر HTTPS بر روی سئو و سئو موبایل در حال تغییر به سمت RankBrain یا همان رنک برین می باشد.

حقیقت ماجرا اینست که بهینه سازی هوش مصنوعی به نظر یک مفهوم متناقض به نظر می رسد. اگر گوگل را یک بچه خردسال تصور کنیم، وقتی که ما این بچه را به مدرسه میفرستیم و خواندن کتابی را به او یاد میدهیم، انتظار نیز داریم که او مفهوم جملات و نوشته های کتاب را نیز درک کند. در صورت بهینه نبودن مطالب، اطلاعات و تصاویر کتاب، این کودک قادر به یادگیری و فهم مطالب آن نخواهد بود.

بهینه سازی سایت برای الگوریتم RankBrain چیز پیچیده ای نیست. پس چرا توجهات زیادی به این مسئله جلب شده است، در صورتی که این الگوریتم موضوع جدیدی نیز مطرح نمی شود. در این مطلب به بررسی و کنکاو درباره RankBrain می پردازیم و مفاهیم قبلی را بیان کرده و اثرات این الگوریتم را بر روی سئو تحلیل می کنیم.

RankBrain چیست؟

RankBrain یک الگوریتم فهم ماشینی است و توسط گوگل مورد استفاده قرار می گیرید تا حجم عظیمی از داده های کیفی را به داده های کمی و بردارها تبدیل کند تا بتوان آن را به کامپیوتر فهماند و مورد آنالیز قرار داد.

15% از جستجوهای گوگل در روز برای اولین بار هستند که جستجو شده اند، بنابر این برای این الگوریتم، مشاهده موارد جستجوی جدید امری عادیست. با استفاده از داده های پردازش شده قبلی، RankBrain می تواند بر اساس موارد جستجوی مشابه، خروجی مناسبی برای موارد جستجوی جدید داشته باشد.

درصد جستجوی عبارات جدید در گوگل از 25% در سال 2007 به 15% در سال 2017 کاهش یافته است. اما به لطف افزایش تلفن های هوشمند، تعداد جستجوهای جدید در مجموع افزایش یافته است. در حالت کلی RankBrain کارهای زیر را انجام میدهد:

• عبارت مورد جستجو را تفسیر میکند
• قصد و هدف از جستجو را شناسایی می کند
• نتایج را از دیتابیس انتخاب می کند

یادگیری توسط ماشین چیست؟

یادگیری توسط ماشین یا Machine Learning علم کامپیوتریست که در سال 1959 توسط آرتور ساموئل به وجود آمد و این گونه توسط او توصیف می شود:

یادگیری توسط ماشین به کامپیوترها این توانایی را می دهد که بدون اینکه برنامه ریزی شوند، قادر به یادگیری باشند.

آرتور ساموئل تحقیقات اولیه در این زمینه را پایه ریزی کرد که شامل تحقیق بر روی شناسایی الگوها و تئوری یادگیری کامپیوتر می شد.

علم یادگیری ماشین در حقیقت بر روی ساخت الگوریتم هایی تمرکز دارد که بتوانند پیش بینی را بر اساس داده ها و فرکانس های آماری انجام دهند. یادگیری ماشین در بسیاری از نرم افزارها قبل از الگوریتم RankBrain مورد استفاده قرار گرفته است. از جمله آنها می توان به نرم افزارهای تشخیص هرزنامه، تهدید شبکه، تشخیص مزاحم و شناسایی کاراکتر های تصویری اشاره کرد. با این که این علم، جزئی از هوش مصنوعی محسوب می شود، اما نوع پیشرفته و سطح بالایی محسوب نمی گردد.

یادگیری قانون وابستگی

یادگیری قانون وابستگی یا Association Rule Learning روشی در داده کاوی پایگاه های داده بزرگ است که با استفاده از آن بتوان به کشف روابط جذاب بین متغیرهای موجود پرداخت.

اخیرا از این روش در فروشگاه های اینترنتی برای تشخیص رفتار مشتریان در هنگام خرید، تولید کوپن های تخفیف و روش های خدمات آموزشی استفاده می شود. به عنوان نمونه یک فروشگاه می تواند با جمع آوری و آنالیز داده های خود از خریداران به پیش بینی الگوی رفتاری خرید مشتریان بپردازد.

از روش ARL برای پیش بینی وابستگی ها و روابط بین متغییر ها نیز استفاده می شود. به عنوان مثال اگر یک مشتری در فروشگاه، ورقه های پنیر و پیاز خریداری کند، از احتمال زیادی برخوردار است که گوشت را نیز در سبد خرید خود قرار دهد. الگوریتم RankBrain از این گونه قوانین در فراهم کردن نتایج جستجو استفاده می کند، مخصوصا هنگامی که معانی مختلفی از یک کلمه یا عبارت برداشت می شود.

مثالی از این حالت، لغت انگلیسی Dench است. اگر کاربری این کلمه را جستجو کند سه معنی از آن برداشت می شود. معنی عامیانه آن، یک برند لباس و یا بازیگر آمریکایی Judi Dench، معانی است که از آن برداشت می شود. به واسطه مبهم بودن معنی این کلمه گوگل از الگوریتم های خود استفاده می کند و با بررسی رفتار شناسی کاربران در هنگام جستجوی این لغت، سعی می کند که منظور اصلی کاربر را درک کرده و نتایج جستجوی متناسب را نمایش دهد.

مفاهیم ARL

مفهوم اصلی ARL در پشتیبانی، دقت، ترقی و توسعه خلاصه می شود اما به منظور استفاده در RankBrain از مفاهیم پشتیبانی و اعتماد آن استفاده می کنیم.

پشتیبانی

پشتیبانی در ARL به معنی اندازه گیری چگونگی نمایش یک آیتم در یک بازه زمانی، در پایگاه داده است. این مفهوم با چگالی جستجوی کلمات کلیدی یا تعداد نمایش آنها متفاوت است.

دقت

دقت در ARL به معنی اندازه گیری صحت نتایج این الگوریتم در پیش بینی است. این کارکرد بر اساس لغات وابسته به هم کار می کند. به عنوان مثال اگر کاربری لغت POTUS را که مختصر شده عبارت رییس جمعهور آمریکاست را جستجو کند، یک احتمال مشخصی وجود دارد که دونالد ترامپ را هم بخواهد جستجو کند و یا در نتایج جستجو ببیند. همچنیم نام باراک اوباما، جورج بوش یا آبراهام لینکلن را نیز به عنوان نتایج مورد علاقه خود در نتایج جستجو مشاهده کند.

الگوریتم RankBrain گوگل از این قوانین وابستگی در نتایج جستجوی خود استفاده کرده تا محتمل ترین و متناسب ترین موارد را به کاربر نمایش دهد.

RankBrain و سئو

پروژه RankBrain در زبان های مختلفی اجرا شده است که از زبان انگلیسی گرفته تا هندی را شامل می شود. تنها هدف این الگوریتم کمک به گوگل در نمایش بهترین موارد در هنگام جستجوی عبارات است تا کاربر، بهترین تجربه کاربری را از گوگل دریافت کرده و از جستجوی خود نتایج رضایت بخشی کسب کند.

تفاوت کارکرد گوگل قبل و بعد از راه اندازی RankBrain این است که قبل از پیدایش این الگوریتم مهندسین نرم افزار گوگل همواره دست به اصلاح و تغییر الگوریتم های ریاضی خود می کردند تا رتبه و جایگاه سایت ها را در هنگام جستجو تعیین کنند. این فرمول ثابت می ماند تا این که آپدیتی برای آن عرضه شود. RankBrain قسمتی از هسته اصلی موتور جستجوی گوگل می باشد و از سال 2016 به بعد مورد استفاده قرار گرفته است. بنابر این با وجود RankBrain، نتایج جستجو همواره دچار تغییر می شوند و جایگاه سایت ها دارای ثبات نیستند.

بهینه سازی و سئو سایت برای RankBrain

حالا که با مفهوم RankBrain آشنا گردیده و متوجه کارکرد این الگوریتم در هسته اصلی گوگل شده ایم، شاید نیاز به تغییر استراتژی سئو سایت خود داشته باشیم. مخصوصا سایت هایی که سئو آنها وابسته به بک لینک می باشد. اما RankBrain همانند الگوریتم های سابق گوگل مانند پاندا و پنگوئن نمی باشد.

در الگوریتم های سابق گوگل، ما می دانستیم که چگونه از پنالتی شدن سایت در الگوریتم پنگوئن جلوگیری کنیم و با استفاده از خواندن یک سری مقالات نیز می توانستیم الگوریتم پاندا را راضی نگه داریم. در سمت دیگر ماجرا، الگوریتم RankBrain یک مدل مفهومیست که نمی توان وبسایت را متانسب با آن و به شکل خاصی بهینه کرد. با این حال شماری از تکنیک های سئو وجود دارد که می دانیم با این الگوریتم در هم آمیخته ست و به آن مربوط می شود.

صفحات درگاه (Doorway Pages) دیگر کارایی ندارند

ایده ساخت صفحه ای با تمرکز بر یک کلمه کلیدی به خصوص و ساخت تعداد بسیار زیادی از این گونه صفحات که به اصطلاح Doorway Pages نامیده می شوند کاملا منسوخ شده است. الگوریتم مرغ مگس خوار (Hummingbird) در سال 2103 این صفحات را شناسایی کرده و از صفحه نتایج حذف کرد. RankBrain نیز قدرت شناسایی این صفحات را دو چندان کرده تا دیگر هیچ شانسی برای نمایش در صفحات جستجو نداشته باشند.

این گونه استفاده از کلمات کلیدی تنها در هنگامی نتایج مثبت خواهد داشت که اولا به شکل منطقی از آن استفاده شود و ثانیا همراه با محتوا و ساختار یو آر ال مناسب باشد. همچنین تجربه کاربری مثبتی را برای کاربران به همراه داشته باشد.

جستجو های متفاوت دارای پارامترهای رتبه بندی متفاوتی هستند

الگوریتم RankBrain موجب شده است پارامترهای رتبه بندی برای همه کلمات و عبارت مورد جستجو یکسان نباشد و در هر مورد از وزن متفاوتی برخوردار باشند. دیگر نمیتوان یک دستورالعمل را برای هر عبارت و کلمه کلیدی به کار برد.

بعضی عبارات به محتوای بیشتر و لینک های کمتر نیازمندند و بعضی دیگر به محتوای کمتر و لینک های بیشتر در رتبه بندی وابسته هستند. با این حساب نمی توان نسخه ثابتی را برای سئو هر عبارتی پیچید.

ساختار لینک های داخلی

راهنمای رسمی سئو گوگل بیان می کند که لینک های داخلی یک مطلب در رتبه بندی آن موثرند. همچنین مطلبی که از صفحه اصلی به آن لینک داده شده است، دارای ارزش بیشتری می باشد.

بنابراین بهینه سازی لینک های داخلی سایت از کلیدی ترین فاکتورهای ارزش گذاری برای صفحات است. همچنین برای بالا بردن سطح تجربه کاربری می بایست از لینک های داخلی مناسب در بین صفحات و مطالب استفاده کرد.

آینده RankBrain چگونه خواهد بود؟

هنگامی که این الگوریتم در سال 2015 راه اندازی و معرفی شد، در ابتدا تنها بر روی 15% نتایج جستجو تاثیر می گذاشت. اما یک سال بعد گوگل اعلام کرد این الگوریتم بسیار توسعه یافته و در حال حاضر تقریبا بر روی همه جستجوها اثر می گذارد. احتمالا علت تغییر بسیاری از نتایج جستجو در سال 2016 نیز همین مورد بوده است.

همچنان که الگوریتم RankBrain قدرتمندتر می شود، ما مفاهیم و ارتباط بین کلمات آشنایی بیشتری پیدا می کند و ارتباط بین کلمات مورد جستجو صفحات را بیشتر درک می کند. این مسئله در توسعه جستجوی صوتی نیز بسیار تاثیر گذار خواهد بود، همچنان که در دقت جستجو های سنتی نیز بسیار موثر است.

چکیده مطلب

به طور خلاصه میتوان گفت الگوریتم RankBrain یکی از تغییرات مهم گوگل در سال اخیر بوده است. با توجه به مفهوم و کارکرد آن، این الگوریتم قابل بهینه سازی و سئو نیست. اما با درک آن می توان مطالب سایت را بهینه تر نوشت و تغییرات و نوسانات نتایج جستجو را بیشتر درک کرد.