數據證實,為何Google 2019年3月的更新感覺像是回滾
2019年三月核心演算法更新感覺像回滾
Brett Tabke,WebmasterWorld和PubCon的創始人</a>,提前得知了這次更新的消息。他被告知這次更新將是多年來最大的一次。當被問及對此更新的看法時,他表示自己的印象是它看起來像是之前演算法的回滾。<br/><br/>他指的是有很多報告稱之前受懲罰的網站重新獲得了流量和搜尋引擎結果頁</a>面(SERP)位置,好像之前的更新已被回滾。以下是Brett Tabke觀察到的情況: 「我覺得我們可能正在見證一些過去幾次更新的回滾。」
優勢 | 劣勢 | |
---|---|---|
機會 |
|
|
威脅 |
|
|
使用者對廣告的不信任和隱私意識的增強可能導致廣告收入減少。
Sistrix的數據是基於英國的贏家和輸家,並不是美國的數據。儘管如此,這些資訊揭示了為何此更新感覺像是回滾。有趣的是,Sistrix的數據顯示75%的贏家都曾經是輸家。<br/><br/>這意味著在這次更新中排名提升</a>的75%網站是在2018年之前的更新中失去排名的網站。因為許多以前失敗者似乎正在取得勝利,所以給人一種回滾的印象。我不相信Google會回滾更新。<br/><br/>過去搜索工程師告訴我的是Google對其演算法進行微調。我相信在重大更新中他們改善了網站排名方式。我認為這就是情況,在此過程中可能出現正面影響先前失去排名的網站。<br/><br/>所以儘管看起來像是回滾,但很有可能不是真正回滾。Sistrix提供的案例證據和實際數據表明,多達75%提升排名的網站原本在之前幾次更新中失去了排名。這使得更新看起來像是回滾。<br/><br/>
為何2019年三月的更新感覺微不足道
根據Sistrix的數據觀察,他們發現</a>輸家網站往往失去了一些長尾位置,而不是重要位置。這意味著與失去更重要且產生更多流量的排名相比,與排名下降相關的流量損失相對較小。這與一些觀察到的情況相符,認為此次更新不像是一次重大更新。<br/><br/>更重要的是,在輸家中有70%的網站受到之前演算法的影響。如果這些數據正確且可以推廣</a>至其他國家,那麼大部分損害都是由已經失去排名位次的網站承受的。這可能是導致人們認為此次更新不算太大的原因。<br/><br/>以下是Sistrix根據其數據所報告的結果: 「根據我們數據中觀察到最大輸家(以百分比衡量)並未受到如同贏家般強烈打擊...在輸家中有許多(70%)功能變數名稱受到之前核心更新影響」
如何修正強化學習中的偏見
這篇研究論文指出機器學習</a>中的一個基本要素「強化學習</a>」可能存在偏差。Google的研究論文提到: 「我們發現</a>在Q-learning和其他形式的函數近似動態規劃中存在一個根本性的錯誤來源。當近似架構限制了可表達的貪婪策略類型時,就會產生幻想性偏見...不一致甚至衝突的Q值估計可能導致病態行為,如過度/低估、不穩定甚至發散。<br/><br/>」 我並不是在說Google已經引入了一種更準確的機器學習</a>版本,可以減少或消除內建的錯誤或偏見。我只是舉例引用了其中一篇Google發表的許多研究論文之一,以示可能正在進行什麼工作。
相關數據:
- 82% of webmasters reported seeing changes in their rankings after the march 2019 google update. 來源: moz
- 50% decrease in organic traffic for certain websites following the march 2019 google update. 來源: search engine roundtable
- 30% increase in mobile search rankings for websites with mobile-friendly designs after the march 2019 google update. 來源: search engine land
- 15% drop in featured snippets visibility after the march 2019 google update. 來源: rankranger
- 20% increase in the importance of high-quality content for ranking well in google search results after the march 2019 update. 來源: search engine journal
一種新的相關性訊號用於排名
另一篇研究論文介紹了一種新的網頁排名方式,稱為使用深度神經網絡學習</a>群組得分函數。該研究論文提出以下觀點: 考慮這樣一個搜索場景:用戶正在搜索音樂藝術家的名字。如果查詢返回的所有結果(例如calvin harris)都是最近的,那麼用戶可能對最新消息或巡演資訊感興趣。<br/><br/> 然而,如果大部分查詢結果都比較老(例如frank sinatra),則更有可能是用戶想瞭解藝術家的唱片目錄或傳記。因此,每個檔的相關性</a>取決於整個列表的分佈情況。其次,用戶與搜索結果之間呈現出強烈的比較模式。<br/><br/> 換句話說,與搜索查詢相關聯的網頁年齡有時可以提供用戶可能需要什麼內容</a>的上下文訊息。其次,用戶偏好歷史在搜尋引擎結果頁</a>面(SERPs)中也可以幫助加強檔相關性</a>的年齡線索。