Cuando hablamos de recuperación de información, como profesionales de SEO, tendemos a centrarnos en gran medida en la etapa de colección de información: el rastreo.
Durante esta grado, un motor de búsqueda descubriría y rastrearía las URL a las que tiene acercamiento (el tamaño y la amplitud dependen de otros factores a los que coloquialmente nos referimos como seguimiento del presupuesto).
La grado de rastreo no es poco en lo que nos vamos a centrar en este artículo, ni voy a profundizar en cómo funciona la indexación.
Si desea obtener más información sobre el rastreo y la indexación, hágalo. aquí.
En este artículo, cubriré algunos de los aspectos básicos de la recuperación de información que, cuando se entienden, pueden ayudarlo a optimizar mejor las páginas web para clasificar el rendimiento.
Asimismo puede ayudarlo a analizar mejor cambios de algoritmo y actualizaciones de la página de resultados del motor de búsqueda (SERP).
Para comprender y apreciar cómo los motores de búsqueda modernos procesan la recuperación de información maña, debemos comprender la historia de la recuperación de información en Internet, particularmente en lo que se refiere a los procesos de los motores de búsqueda.
En lo que respecta a la recuperación de información digital y las tecnologías subyacentes adoptadas por los motores de búsqueda, podemos remontarnos a la período de 1960 ya la Universidad de Cornell, donde Gerard Salton dirigió un equipo que desarrolló el Sistema de recuperación de información SMART.
A Salton se le atribuye el avance y el uso de modelos de espacio vectorial para la recuperación de información.
plantillas de espacio vectorial
plantillas de espacio vectorial son aceptado en la comunidad de ciencia de datos como un motor esencia en la forma en que los motores de búsqueda «buscan» y plataformas como Amazon brindan recomendaciones.
Este método permite que un procesador como Google compare diferentes documentos con consultas cuando las consultas se representan como vectores.
Google se refirió a esto en sus documentos como búsqueda de similitud vectorial, o «búsqueda del vecino más cercano», definida por Donald Knuth en 1973.
En una búsqueda de palabras esencia tradicional, el procesador usaría palabras esencia, etiquetas, etiquetas, etc., en el interior de la pulvínulo de datos para encontrar contenido relevante.
Esto es sobrado condicionado ya que restringe el campo de búsqueda en la pulvínulo de datos porque la respuesta es un sí o un no binario. Este método todavía se puede amurallar al procesar sinónimos y entidades relacionadas.
Cuanto más cerca estén las dos entidades en términos de proximidad, pequeño será el espacio entre los vectores y viejo será la similitud/precisión.
Para combatir esto y proporcionar resultados para consultas con muchas interpretaciones comunes, Google usa la similitud de vectores para unir múltiples significados, sinónimos y entidades.
Un buen ejemplo de esto es cuando buscas mi nombre en Google.
para google, [dan taylor] puede ser:
- Yo, la persona SEO.
- Periodista deportivo sajón.
- Un reportero restringido.
- Teniente Dan Taylor de Forrest Gump.
- Un fotógrafo.
- Un modelador.
Usando la investigación tradicional de palabras esencia con criterios binarios de sí/no, no obtendría esta distribución de resultados en la primera página.
Con la búsqueda de vectores, el procesador puede producir una página de resultados de búsqueda basada en la similitud y las relaciones entre diferentes entidades y vectores en la pulvínulo de datos.
Puedes interpretar el blog de la empresa aquí para obtener más información sobre cómo Google usa esto en varios productos.
coincidencia de similitud
Al comparar documentos de esta forma, es probable que los motores de búsqueda utilicen una combinación de ponderación de términos de consulta (QTW) y el coeficiente de similitud.
QTW aplica un peso a términos específicos en la consulta, que luego se usa para calcular un coeficiente de similitud usando el maniquí de espacio vectorial y se calcula usando el coeficiente de coseno.
La similitud del coseno mide la similitud entre dos vectores y, en el descomposición de texto, se utiliza para determinar la similitud de los documentos.
Este es un mecanismo probable en la forma en que los motores de búsqueda determinan el contenido duplicado y las propuestas de valencia en un sitio web.
El coseno se mide entre -1 y 1.
Tradicionalmente, en un descriptivo de similitud de coseno, se medirá entre 0 y 1, siendo 0 la máxima disimilitud, u ortogonal, y 1 la máxima similitud.
El papel de un índice
En SEO, hablamos mucho sobre la indexación, la indexación y los problemas de indexación, pero no hablamos activamente sobre el papel del índice en los motores de búsqueda.
El propósito de un índice es juntar información, lo que Google hace a través de sistemas de indexación en capas y fragmentados para efectuar como un depósito de datos.
Esto se debe a que es poco realista, poco rentable y una mala experiencia para el adjudicatario final obtener (rastrear) páginas web de forma remota, analizar su contenido, clasificarlo y presentar un SERP en tiempo actual.
Por lo genérico, un índice de motor de búsqueda flamante no contiene una copia completa de cada documento, sino que es más una pulvínulo de datos de puntos esencia y datos que se han tokenizado. El documento en sí estará en un personalidad diferente.
Si adecuadamente no sabemos exactamente los procesos por los que pasarán los motores de búsqueda como Google como parte de su sistema de recuperación de información, es probable que tengan etapas de:
- Observación estructural – Formato y estructura de texto, listas, tablas, imágenes, etc.
- Derivación – Dominar variaciones de una palabra a su raíz. Por ejemplo, “investigado” e “investigando” se reduciría a “investigando”.
- descomposición terminología – Conversión del documento en una directorio de palabras y luego descomposición para identificar factores importantes como fechas, autores y frecuencia de términos. Tenga en cuenta que esto no es lo mismo que TF*IDF.
Asimismo esperamos que durante esta grado se tengan en cuenta otras consideraciones y puntos de datos, como backlinks, tipo de fuente, si el documento cumple o no con el paso de calidad, enlaces internos, contenido principal/contenido de soporte, etc.
Precisión y post-recuperación
En 2016, Paul Haahr dio una excelente inspección a cómo Google mide el «éxito» de su proceso y todavía cómo aplica los ajustes posteriores a la recuperación.
Puedes ver tu presentación. aquí.
En la mayoría de los sistemas de recuperación de información, hay dos medidas principales de qué tan exitoso es el sistema para devolver un buen conjunto de resultados.
Estos son la precisión y la recuperación.
Precisión
El número de documentos devueltos que son relevantes frente al número total de documentos devueltos.
Muchos sitios han trillado caídas en la cantidad total de palabras esencia para las que se clasifican en los últimos meses (como palabras esencia raras y de stop nivel para las que probablemente no tenían derecho a clasificar). Podemos especular que los motores de búsqueda están refinando el sistema de recuperación de información para una viejo precisión.
Rememorar
El número de documentos relevantes frente a el número total de documentos relevantes devueltos.
Los motores de búsqueda están más orientados a la precisión que a la memoria, ya que la precisión conduce a mejores páginas de resultados de búsqueda y una viejo satisfacción del adjudicatario. Asimismo es menos intensivo en el sistema al devolver más documentos y procesar más datos de los necesarios.
Conclusión
La maña de la recuperación de información puede ser compleja adecuado a las diferentes fórmulas y mecanismos utilizados.
Por ejemplo:
Transmitido que no sabemos ni entendemos completamente cómo funciona este proceso en los motores de búsqueda, debemos centrarnos más en los fundamentos y las pautas proporcionadas en punto de tratar de incluir métricas como TF*IDF que pueden estilarse o no (y variar en cómo pesan sobre el resultado universal. ).
Más características:
Imagen destacada: BRO.vector/Shutterstock