یک مطالعه جدید AI Overview که به تازگی توسط Advanced Web Ranking منتشر شده است، نشان داد که 33.4 درصد از اسناد مرتبط در 10 نتیجه جستجوی ارگانیک برتر برای آن پرس و جو رتبه بندی شده اند. 46.5 درصد خارج از 50 نفر برتر رتبه بندی شدند.
سایر مطالعات اخیر تنوع در تعداد دفعات پیوند مروری هوش مصنوعی به اسناد با رتبه برتر را نشان داده است. به عنوان مثال، SE Ranking نشان داد که 84.72 درصد از “AIO ها حداقل به یک دامنه از 10 نتیجه جستجوی ارگانیک برتر مرتبط هستند. ” یک مطالعه قبلی توسط Authoritas نشان داد که تعداد قابل توجهی از اسناد (93.8٪) خارج از سایت های رتبه بندی برتر وجود دارد. این مطالعه در ژانویه 2024 قبل از در دسترس قرار گرفتن بررسی های هوش مصنوعی برای همه کاربران Google منتشر شد. همچنین بر اساس نسخه Google Labs، Search Generative Experience بود.
این اختلاف یک سوال مهم را مطرح می کند: چرا بررسی های هوش مصنوعی گوگل برای این پرس و جو به منابع با رتبه پایین یا حتی رتبه بندی نشده استناد می کند؟ با در نظر گرفتن حق ثبت اختراع گوگل، که 9 بار بر قابل اعتماد بودن در معیارهای خود تأکید می کند، به نظر می رسد که محتوای رتبه بندی خارج از 50 مورد برتر، یا اصلا، استانداردهای گوگل را برای قابل اعتماد بودن برآورده نمی کند.
آیا ممکن است این مطالعات نتوانند نحوه عملکرد Google AI را در نظر بگیرند؟ پس از بررسی بررسی بررسی های ثبت اختراع هوش مصنوعی، چندین دلیل را شناسایی کردم که چرا سیستم ممکن است به چنین منابع پایین یا رتبه بندی نشده استناد کند. هدف این مقاله بررسی دقیق این توضیحات است.
ابتدا، بیایید یافته های رتبه بندی AI Overview Advanced Web Ranking را مرور کنیم و سپس به نحوه انتخاب و پیوند AI Overview منابع خود بپردازیم. این زمینه را برای درک بهتر آنچه ممکن است در مطالعات مشاهده کنیم فراهم می کند.
توجه: مگر اینکه خلاف آن ذکر شده باشد، نقل قول ها و تصاویر در این مقاله از «خلاصه های پتنت برای نتایج جستجو» گوگل تهیه شده اند.
رتبه بندی وب پیشرفته، بررسی هوش مصنوعی، یافته های رتبه بندی
رتبه بندی وب پیشرفته (AWR) در اوایل این ماه مطالعه ای را منتشر کرد که چندین بینش جذاب در مورد بررسی های هوش مصنوعی ارائه می دهد. یکی از اهداف این مطالعه تعیین این بود که آیا یک سند نیاز به “رتبه بندی ارگانیک برای ظاهر شدن در نتایج SGE (بررسی اجمالی هوش مصنوعی)” دارد یا خیر.
همانطور که در مقدمه ذکر شد، مطالعه آنها نشان داد که «33.4 درصد از پیوندهای نمای کلی هوش مصنوعی در 10 نتیجه ارگانیک برتر آن پرس و جو قرار دارند» و «46.5 درصد از URL های موجود در بررسی های هوش مصنوعی خارج از 50 نتیجه ارگانیک برتر رتبه بندی می شوند». این یافته ها از آنجایی که به پرس و جو خاص وارد شده مربوط می شوند، قابل توجه هستند. در اینجا تفکیک رتبه بندی آمده است
یکی از سوالاتی که AWR سعی کرد به آن پاسخ دهد این بود که آیا برای حضور در بررسی کلی هوش مصنوعی باید رتبه بالایی داشته باشید یا خیر. آنها پیشنهاد کردند که از نظر منطقی، سیستم باید از «دامنه های رتبه بندی ارگانیک برتر به عنوان منابعی برای بررسی های هوش مصنوعی» حمایت کند. فرض اساسی در اینجا این است که سیستم فقط باید به دنبال اسناد موجود در نتایج جستجوی آن پرس و جو خاص باشد.
من معتقدم که این نادیده می گیرد که Google AI Overviews چگونه کار می کند. یکی از اهداف آن کمک به جستجوگران برای “درک سریع اطلاعات از طیف وسیعی از منابع، از جمله اطلاعات از سراسر وب و نمودار دانش گوگل” است. به دنبال منابع متنوع و اطلاعات متنوع است. اگر نتایج برتر برای یک پرس و جو همگی اطلاعات یکسانی را پوشش می دهند، به دنبال اطلاعات منحصر به فرد تر در جای دیگری می گردد.
معیارهای انتخاب جامع بررسی کلی هوش مصنوعی
همانطور که در زیر بررسی خواهیم کرد، فرآیند AI Overview برای انتخاب اسناد فراتر از پرس و جو وارد شده است. این حق ثبت اختراع نشان می دهد که رتبه بندی ارگانیک بالا در واقع یک عامل مهم برای گنجاندن در یک نمای کلی هوش مصنوعی است، اما نه تنها برای پرس و جو خاصی که در ابتدا جستجو شده است. فرآیند انتخاب همچنین اسناد با رتبه بالا را از پرس و جوهای مرتبط، اخیر و بالقوه ضمنی در نظر می گیرد و بر ترجیح سیستم برای تنوع، کیفیت، قابل اعتماد بودن و ارتباط در کنار رتبه بندی تأکید می کند. علاوه بر این، به دنبال اسناد با رتبه بالا و مرتبط برای پیوند دادن به آن است که محتوای خلاصه را تأیید می کند.
چگونه Google AI Overview منابع را انتخاب می کند و به آنها پیوند می دهد؟
یکی از ویژگی های مهم سیستم نمای کلی هوش مصنوعی این است که می تواند در جستجوی سند نتیجه جستجو (SRD) در دو نقطه مختلف از فرآیند خود شرکت کند: اول زمانی که خلاصه اولیه را ایجاد می کند و دوم زمانی که پیوندهایی را اضافه می کند که محتوا را تأیید می کند. سیستم همچنین می تواند خلاصه را بدون جستجوی سند ایجاد کند.
جالب اینجاست که SRD های انتخاب شده برای ایجاد خلاصه ممکن است لزوما همان SRD هایی نباشند که در طول فرآیند پیوند انتخاب شده اند. در خوانش من از حق ثبت اختراع، هیچ توضیحی وجود نداشت که آنها منابع یکسانی هستند یا نباشند.
چند یادداشت اضافی در اینجا. سیستم AI Overview دارای چندین معیار است که برای انتخاب اسناد فراتر از آنچه در اینجا مورد بحث قرار می گیرد استفاده می کند. علاوه بر این، می تواند به اطلاعات دسترسی داشته باشد تا خلاصه ها را از داده های آموزشی خود بسازد (حق ثبت اختراع از این به عنوان “دانش جهانی” خود یاد می کند)، فهرست گوگل و از نمودار دانش.
جستجوی اولیه سند برای ایجاد خلاصه
هنگامی که سیستم AI Overview در ابتدا خلاصه را می سازد، می تواند از داده های آموزشی خود استفاده کند یا از Retrieval Augmented Generation (RAG) برای بهبود فرآیند استفاده کند. هنگامی که سیستم منابع مرتبط با پرس و جو دریافتی را جستجو و ارزیابی می کند، عواملی مانند رتبه بندی موقعیتی، نرخ انتخاب (نرخ کلیک)، منطقه جغرافیایی و زبان را در نظر می گیرد.
فرآیند انتخاب سند برجسته شده در شکل 2 را در زیر ببینید.
اگر سیستم تشخیص دهد که نتایج برتر با نرخ انتخاب کافی متفاوت یا با کیفیت کافی نیستند، سپس SRD ها را از پرس و جوهای مرتبط جستجو می کند. به طور خاص، حق ثبت اختراع بیان می کند که SRD های پاسخگو به پرس و جوهای مرتبط را جستجو خواهد کرد، زمانی که تشخیص دهد SRD های پاسخگو به پرس و جو دریافت شده “نسبت به یکدیگر متنوع نیستند، کیفیت پایینی دارند، و/یا دارای ویژگی (های) دیگری” نیستند. تنوع و کیفیت پایین 6 بار با هم ذکر شده است که اهمیت این موارد را برای سیستم برجسته می کند.
این سیستم می تواند چندین پرس و جو مرتبط را شناسایی کرده و اسناد را از هر یک از نتایج جستجوی مربوطه انتخاب کند. سیستم چگونه تعیین می کند که پرس و جوهای مرتبط چیست؟
آستانه همبستگی.
این در حال تجزیه و تحلیل قدرت رابطه بین پرس و جو و پرس و جوهای مرتبط است. این کار از طریق تعبیه انجام می شود.
تعبیه دقیقا چیست؟
برای درک کلمات، عبارات و روابط آنها با یکدیگر، مدل های زبان طبیعی مانند موتورهای جستجو و مدل های زبان بزرگ (LLM) باید آنها را به یک نمایش عددی تبدیل کنند. هر کلمه یا نماد خاص به صورت عددی به نام بردار نشان داده می شود. کلمات و عباراتی که شبیه به هم هستند از نظر عددی به هم نزدیک هستند. این قرار دادن بردارهای کلمه نسبت به یکدیگر در یک فضای عددی، جاسازی نامیده می شود.
با بازگشت به آستانه همبستگی، انتخاب SRD های پاسخگوی پرس و جو مرتبط “تنها زمانی قابل انجام است که سند(های) نتیجه جستجوی پاسخگو به پرس و جو از کیفیت پایینی برخوردار باشند و/یا نسبت به یکدیگر متنوع نباشند و میزان همبستگی یک آستانه را برآورده کند.” قدرت رابطه بین پرس و جو و پرس و جوهای مرتبط – فاصله در فضای جاسازی – باید به یک نقطه عطف خاص برسد تا در نظر گرفته شود.
پس از جستجوی پرس و جوهای مرتبط، سیستم می تواند به صورت اختیاری SRD های پاسخگو به پرس و جوهای اخیر مرتبط را که جستجوگر انجام داده است و پرس و جوهای ضمنی را به دنبال همان فرآیند برای ارزیابی کیفیت هر SRD ارزیابی کند.
پس از تولید خلاصه، چه از داده های آموزشی، RAG یا هر دو، سیستم در مرحله بعدی به دنبال اضافه کردن پیوندهایی است که بیانیه های خلاصه را تأیید می کنند.
انتخاب سند برای پیوند
با ایجاد خلاصه، سیستم در مرحله بعدی اطلاعات را تأیید می کند و نقل قول ها را اضافه می کند. این روند را می توانید در تصویر زیر مشاهده کنید.
این سیستم به دنبال SRD ها برای تأیید هر بخش از خلاصه است. مرتبط ترین نتایج جستجوی برتر را برای هر بخش تجزیه و تحلیل می کند. این پتنت بیان می کند: “سند نامزد را می توان بر اساس مطابقت آن با نتیجه جستجوی برتر برای چنین جستجویی یا قرار گرفتن در نتایج جستجوی N برتر تعیین کرد.”
نتایج جستجوی برتر یا نتایج جستجوی برتر
این بدان معناست که سیستم می تواند عمق SERP ها را برای یافتن و انتخاب اسناد محدود کند. این می تواند 10، 20 یا حتی 50 نتیجه جستجوی برتر برای آن پرس و جو باشد.
این سیستم علاوه بر رتبه بندی، فاصله جاسازی بین محتوای سند و محتوای مرتبط را نیز در خلاصه در نظر می گیرد. از حق ثبت اختراع، “در تعیین اینکه آیا سند بخشی از محتوای مبتنی بر NL را تأیید می کند یا خیر، سیستم می تواند اندازه گیری فاصله بین جاسازی محتوا و تعبیه محتوای سند را تعیین کند و بر اساس اندازه گیری فاصله، تعیین کند که آیا سند بخشی از محتوای مبتنی بر NL را تأیید می کند یا خیر (به عنوان مثال، فقط در صورتی تأیید می کند که اندازه گیری فاصله کمتر از یک آستانه باشد).”
همچنین می تواند اسناد را با همان معیارهای مورد استفاده در طول ایجاد خلاصه اولیه، از جمله رتبه بندی موقعیتی، نرخ انتخاب، کیفیت، قابل اعتمادی، تنوع و موارد دیگر ارزیابی کند.
می توانید در مورد این اقدامات اضافی در مقاله من بخوانید که جزئیات نحوه بهینه سازی برای بررسی های کلی هوش مصنوعی را شرح می دهد.
آیا مطالعات این فرآیند را اشتباه تفسیر می کنند؟
با این نمای کلی از انتخاب SRD و پیوند دادن از سر راه، بیایید توجه خود را به مطالعات رتبه بندی وب پیشرفته، رتبه بندی SE و Authoritas برگردانیم.
در حالی که این مطالعات با کیفیت بالا بینش های خوبی در مورد بررسی های هوش مصنوعی ارائه می دهند، از یک رویکرد خطی در تجزیه و تحلیل خود استفاده می کنند. این بدان معناست که آنها بر تطبیق مستقیم پرس و جو تمرکز می کنند و موقعیت SERP SRD های ذکر شده توسط AI Overview را برای پرس و جو دقیق تجزیه و تحلیل می کنند.
رویکرد خطی فرض می کند که فرآیند ایجاد نمای کلی هوش مصنوعی چیزی شبیه به این است:
کاربر یک پرس و جو را وارد می کند، سیستم به دنبال اسنادی در SERP ها می گردد که فقط به آن پرس و جو پاسخ می دهند، و سپس نمای کلی هوش مصنوعی را ایجاد می کند که به همان اسناد پیوند می دهد. در پایان، محققان به موقعیت SERP اسناد مطابقت مستقیم در رابطه با پرس و جو خاص اشاره می کنند.
با این حال، این رویکرد خطی ماهیت غیرخطی و پویای فرآیند نمای کلی هوش مصنوعی را همانطور که در حق ثبت اختراع مشخص شده است، به طور کامل نشان نمی دهد.
همانطور که قبلا ذکر شد، اگر از RAG استفاده می کند، سیستم ابتدا به دنبال SRD های با رتبه بالا، CTR بالا، با کیفیت بالا و متنوع است که به پرس و جو خاص پاسخ می دهند. با این حال، زمانی که SRD های مناسبی پیدا نمی کند، جستجوی خود را به پرس و جوهای مرتبط با رتبه بالا، CTR بالا، کیفیت بالا، قابل اعتماد و ارائه اطلاعات منحصر به فرد گسترش می دهد. در صورت لزوم، سپس به پرس و جوهای اخیر و پرس و جوهای ضمنی گسترش می یابد، با پیروی از همان فرآیند.
علاوه بر این، هنگام افزودن پیوندها به خلاصه ها، سیستم SRD ها را هم بر اساس رتبه بندی و هم بر اساس نزدیکی آنها در فضای برداری به بخش های خاصی از خلاصه انتخاب می کند و از ارتباط و دقت در تأیید منبع آن اطمینان حاصل می کند. این روش رویکردی را برجسته می کند که تحلیل معنایی و زمینه ای را در بر می گیرد که به طور بالقوه توسط روش های ارزیابی خطی این مطالعات از دست رفته است.
در اینجا نگاهی ساده به نحوه عملکرد سیستم نمای کلی هوش مصنوعی آورده شده است:
برای درک کامل اینکه چگونه مرورهای هوش مصنوعی SRD ها را انتخاب می کنند، مطالعات باید یک رویکرد غیرخطی اتخاذ کنند که معیارهای چند بعدی مورد استفاده توسط نمای کلی هوش مصنوعی گوگل را در نظر بگیرد، نه اینکه صرفا بر روی مطابقت پرس و جو مستقیم تمرکز کند.
در این رویکرد، اندازه گیری موقعیت های SERP نه تنها پرس و جو ورودی، بلکه بر روی اسنادی که به پرس و جوهای مرتبط، اخیر یا ضمنی پاسخ می دهند، متمرکز است.
نکته دیگری که در نمودار غیرخطی بالا مشهود نیست، این واقعیت است که اسناد مورد استفاده برای ساخت خلاصه ممکن است همان اسنادی نباشند که برای تأیید و پیوند به آنها استفاده می شود. فاصله جاسازی و رتبه بندی همچنان در این مورد اعمال می شود. این سیستم به دنبال محتوایی در اسنادی است که در فضای جاسازی به اظهارات موجود در خلاصه نزدیک است و در عین حال رتبه بالایی نیز دارد. این لایه دیگری از پیچیدگی را اضافه می کند که باید هنگام انجام این مطالعات در نظر گرفته شود.
به عنوان یک کنار، مهم است که توجه داشته باشید که از زمان انتشار، ما شاهد بوده ایم که بررسی های هوش مصنوعی از نظر استناد به SRD های با کیفیت بالا، مرتبط و قابل اعتماد کوتاهی کرده اند. وقتی من از اسناد به عنوان کیفیت بالا و قابل اعتماد یاد می کنم، لزوما این نظر من نیست. این صرفا بر اساس اظهارات موجود در حق ثبت اختراع و قصد سیستم است. من مطمئن هستم که انجام این کار در طول زمان به خوبی تنظیم خواهد شد.
مثال: درک انتخاب منبع بررسی هوش مصنوعی
بیایید نگاهی به یک نمونه بررسی هوش مصنوعی بیندازیم و اینکه چگونه می توانیم آن را بر اساس آنچه در مورد آن بحث کردیم تجزیه و تحلیل کنیم.
پرس و جو مورد استفاده: “نحوه شکستن کفش های دویدن”
نمای کلی هوش مصنوعی تولید شده: این نمای کلی هوش مصنوعی شامل 9 استناد است که فرآیند انتخاب متنوعی را نشان می دهد. از این تعداد، تنها 3 مورد در 10 نتیجه جستجوی برتر پرس و جو قرار داشتند، در حالی که 3 مورد رتبه پایینی داشتند و 2 مورد اصلا برای پرس و جو رتبه بندی نکردند. این توزیع با یافته های رتبه بندی وب پیشرفته همسو است و رویکرد AI Overview را برای منبع یابی برجسته می کند.
بر اساس فرضیه من، اگر سیستم از RAG استفاده می کرد، 3 سند در ده سند برتر، اسنادی هستند که سیستم تشخیص داد که بیشترین ارتباط را با پرس و جو وارد شده دارند. 6 سند دیگر بر اساس پرسش های مرتبط انتخاب شدند.
URL ها، موقعیت استناد آنها و رتبه بندی SERP آنها را در جدول زیر مشاهده کنید. من از افزونه Google AI Overview Impact Analysis برای استخراج URL ها و افزونه Google SERP Extractor Tool برای گرفتن موقعیت های SERP برای پرس و جو استفاده کردم.
این نمای کلی هوش مصنوعی شامل هیچ شخصی سازی نبود (تصویر زیر را ببینید). بنابراین جستجوی پرس و جو اخیر یا ضمنی برای اسناد احتمالا رخ نداده است. از طرف من، من هنوز هیچ نمای کلی هوش مصنوعی خارج از آزمایشگاه های گوگل ندیده ام که نشان دهنده شخصی سازی باشد.
بیایید به کلمات کلیدی برتر Semrush برای 2 مورد از شهرهای پایین یا بدون رتبه نگاه کنیم، Vionic Shoes و Kuru Footwear.
10 کلمه کلیدی رتبه بندی شده برای صفحه کفش های Vionic:
در اینجا 10 پرس و جو برتر رتبه بندی شده برای سایت کفش Kuru آورده شده است:
برای هر دوی این سایت ها، بیشتر کلمات کلیدی برتر مرتبط و مرتبط با کلمه کلیدی اصلی هستند. به خاطر داشته باشید که همانطور که سیستم جستجوی خود را گسترش می دهد، به دنبال محتوایی است که چیز مرتبط و جدیدی را به نمای کلی هوش مصنوعی اضافه کند. ممکن است لازم باشد فاصله در فضای جاسازی بین پرس و جوهای اولیه و مرتبط را افزایش دهد تا آن اسناد را پیدا کند.
تجزیه و تحلیل استنادهای بررسی هوش مصنوعی و فرآیند انتخاب آنها
- جستجوی اولیه برای ایجاد خلاصه:
- نمای کلی هوش مصنوعی با ارزیابی اسناد نتایج جستجو (SRD) با رتبه برتر برای پرس و جو “نحوه شکستن کفش های دویدن” شروع می شود.
- جستجوی اولیه سه نتیجه رتبه بندی 10 برتر را نشان داد: Nordstrom، Academy Sports و Lucky Feet Shoes.
- به دلیل عدم تنوع یا کیفیت ناکافی در میان سایر SRD های برتر، سیستم جستجوی خود را گسترش داد.
- بررسی کوئری های مرتبط:
- این سیستم از فواصل تعبیه شده برای کشف پرس و جوهای مرتبط، جستجوی محتوا بر اساس رتبه، ارتباط، قابل اعتماد بودن و تنوع استفاده می کرد.
- برای کفش کورو، کلمات کلیدی مانند “چگونه کفش را بشکنیم” و “چگونه سریعتر کفش ها را بشکنیم” نشان دهنده تناسب موضوعی قوی است.
- برای کفش های Vionic ، کلمات کلیدی مانند “راحتی کفش” و “چگونه کفش ها را راحت تر کنیم” ارتباط آن را با افزایش راحتی کفش برجسته می کند ، جنبه ای از شکستن کفش های جدید.
- علیرغم پایین بودن یا رتبه بندی نشده برای پرس و جو اولیه، هر دو کفش Kuru و Vionic Shoes به دلیل ارتباط با موضوعات مرتبط انتخاب شدند.
- تأیید خلاصه:
- این سیستم اسناد را با فاصله جاسازی و رتبه سند ارزیابی می کند تا صحت و ارتباط محتوای مورد استفاده در خلاصه را تأیید کند.
- به عنوان مثال، از محتوای Vionic Shoes برای تأیید خلاصه استفاده از سشوار برای شل کردن نواحی تنگ کفش استفاده شد.
- هنوز مشخص نیست که آیا اسناد مرتبط مستقیما برای ایجاد یا فقط برای تأیید خلاصه استفاده شده است.
موقعیت SERP هر سند باید علاوه بر پرس و جوهای مربوطه، بر اساس کلمه کلیدی تطابق مستقیم “نحوه شکستن کفش های دویدن” اندازه گیری شود. همانطور که قبلا اشاره کردم، در حال حاضر به نظر نمی رسد شخصی سازی زیادی در بررسی های هوش مصنوعی انجام شود. بنابراین، این مثال صرفا بر پرس و جوهای مرتبط تمرکز دارد تا پرس و جوهای اخیر یا ضمنی.
قطعا بسته به پرس و جو و دسته بندی، تنوع زیادی در اینجا وجود خواهد داشت. به عنوان مثال، متوجه شدم که برای چندین پرس و جو مرتبط با سلامتی، مانند “آیا دماسنج های پیشانی دقیق هستند”، “سرماخوردگی چیست” و “بهترین زمان برای ورزش چه زمانی است”، URL های ذکر شده بیشتر در 10 نتیجه برتر SERP بودند.
نمای کلی هوش مصنوعی: چالش ها و فرصت ها
این برای ایجاد دید نمای کلی هوش مصنوعی به چه معناست؟ ابتدا، بیایید با خبر خوب شروع کنیم.
برای پرس و جوهای رقابتی تر، ممکن است شانس بیشتری برای به دست آوردن دید برای پرس و جوهای مرتبط که رقابت کمتری دارند، داشته باشید. به عنوان مثال، پرس و جو “نحوه شکستن کفش های دویدن” ممکن است برای کسب رتبه بالا در نتایج جستجو بسیار دشوار باشد. با این حال، یک کلمه کلیدی مانند “شکستن سریعتر کفش” ممکن است کمتر رقابتی و مرتبط با سایت شما باشد. اگر بتوانید برای این پرس و جو در بین 10 نفر برتر قرار بگیرید، شانس بیشتری نسبت به رتبه بندی در 50 نفر برتر برای “نحوه شکستن کفش های دویدن” خواهید داشت.
حالا به خبر بد. محتوای شما ممکن است برای کمک به ایجاد خلاصه نمای کلی هوش مصنوعی انتخاب شود، اما ممکن است پیوندی دریافت نکند. در حالی که محتوای شما به اندازه کافی مرتبط است تا به خلاصه کمک کند، در مرحله پیوند، سیستم ممکن است یک SRD با رتبه بالاتر را شناسایی کند که متن خاص را در خلاصه تأیید می کند و در فضای جاسازی برداری تراز تر است.
در این مورد، شما احتمالا در SERP ها رقابت می کنید. شما باید دو مرحله را انجام دهید: 1) محتوای خود را طوری تنظیم کنید که با آنچه در نمای کلی هوش مصنوعی وجود دارد مطابقت داشته باشد و 2) رتبه بالاتری نسبت به صفحه ای که ذکر شده است.
سایروس شفارد اخیرا این کار را انجام داده و روند خود را در X به اشتراک گذاشته است. او متن سایت خود را طوری تنظیم کرد که با متن موجود در نمای کلی هوش مصنوعی مطابقت داشته باشد. از آنجایی که سایت او قبلا در بین 10 سایت برتر قرار داشت، او فقط باید فاصله جاسازی بین محتوای صفحه خود و محتوای نمای کلی هوش مصنوعی را کاهش می داد. با انجام این کار، او 2 معیار اصلی را که در بالا برای پیوند مورد بحث قرار دادیم برآورده کرد: فاصله جاسازی و رتبه بالا.
با این حال، همه اینها خبر خوبی برای کوروش نبود. او در نهایت قطعه برجسته خود را برای آن نتیجه جستجو از دست داد. قبل از ایجاد هر گونه تغییر در محتوایتان، سایر تأثیرات احتمالی را که ممکن است بر عملکرد جستجوی ارگانیک و سایر ویژگی های جستجو داشته باشد، در نظر بگیرید.
نتیجه گیری: بازنگری در مطالعات پیوند بررسی اجمالی هوش مصنوعی
این مقاله صرفا بر بررسی نحوه عملکرد نمای کلی هوش مصنوعی در شکل فعلی و نحوه همسویی آن با توضیحات ثبت اختراع متمرکز شده است. این سوال که آیا نمای کلی هوش مصنوعی باید منحصرا اسناد را بر اساس پرس و جو وارد شده انتخاب کند یا خیر، خارج از محدوده این بحث است.
مطالعه توسط Advanced Web Ranking بینش های قابل توجهی را ارائه می دهد، اما ممکن است پیچیدگی کامل نمای کلی هوش مصنوعی گوگل را نادیده بگیرد. فراتر از SRD هایی که به پرس و جو خاص پاسخ می دهند، سیستم ممکن است SRD ها را از پرس و جوهای مرتبط، اخیر و ضمنی ترکیب کند و هر کدام را برای رتبه بندی موقعیتی، ارتباط، تنوع و قابل اعتماد بودن ارزیابی کند.
برای مطالعات آینده، درک نحوه بهینه سازی برای بررسی های هوش مصنوعی از طریق آزمایش پرس و جوها و پرس و جوهای مرتبط در مقیاس بزرگ بسیار مهم و مسلما دشوار است. رتبه بندی وب پیشرفته، رتبه بندی SE و Authoritas پیشرفت قابل توجهی در این زمینه داشته اند. آنها مجموعه گسترده ای از پرس و جوها را که برای راه اندازی نمای کلی هوش مصنوعی شناخته می شوند، مدیریت کرده اند و با کشیدن نقل قول برای هر پرس و جو، کجا در SERP ها رتبه بندی می شوند، تجزیه و تحلیل کرده اند.
مرحله بعدی، که مسلما چالش برانگیزترین انجام در مقیاس است، شامل موارد زیر است:
- شناسایی پرس و جوهای مرتبط بالقوه از طریق تعبیه تجزیه و تحلیل فاصله برای دیدن اینکه در کجا SRD های رتبه پایین یا رتبه بندی نشده ممکن است در نتایج جستجو ظاهر شوند.
من Advanced Web Ranking، SE Ranking و Authoritas را تشویق می کنم که این تجزیه و تحلیل را به عنوان مرحله بعدی تحقیقات خود در مورد نحوه ارتباط مروری هوش مصنوعی با SRD ها در نظر بگیرند.
برای سئو ها، صاحبان وب سایت ها و سازندگان محتوا، این اهمیت تولید محتوایی را برجسته می کند که از نظر کیفیت بالا، متنوع و مرتبط با طیف وسیعی از پرس و جوهای مرتبط باشد.
برای اطلاعات بیشتر در مورد مرورهای هوش مصنوعی گوگل:
نمای کلی هوش مصنوعی گوگل چگونه کار می کند؟ بینش از ثبت اختراع
نحوه بهینه سازی برای بررسی های هوش مصنوعی: بینش هایی از پتنت
گوگل