یادگیری ماشین در یاندکس و بایدو

وقتی صحبت از یادگیری ماشین و سئو، تعدادی پیشرفت در دهه گذشته باعث تبلیغات و تمجیدهای فراوان Google برای پروژه هایی مانند RankBrain، BERT، و اسمیت.

با این اوصاف ، گوگل تنها موتور جستجو نیست که در پیشرفت یادگیری ماشین (ML) پیشرفت چشمگیری داشته است.

بیش از یک بازه زمانی مشابه با Google ، Yandex پروژه های مشابهی را در فرایندهای رتبه بندی خود مانند MatrixNet ، Palekh ، تکرار دوم (با تصفیه بیشتر) Korolyov و اخیراً YATI منتشر کرده است.

بایدو نیز درگیر شده است در حال توسعه فن آوری های یادگیری ماشین برای جستجو ، با مدل برجسته تر ML ERNIE.

از آنجایی که من چندین بار از کلمه Transformer استفاده می کنم ، مهم است که درک اولیه ای از ترانسفورماتور و نحوه اتصال مدل هایی مانند BERT و SMITH به YATI و ERNIE داشته باشیم.

بیایید از آنجا شروع کنیم

ترانسفورماتور چیست؟

به زبان ساده ، ترانسفورماتور یک مدل یادگیری عمیق است که در شبکه های عصبی مکرر (RNN) برای مدیریت وظایف شامل داده های متوالی و زبان طبیعی استفاده می شود.

ترانسفورماتورها چیزی را که به عنوان موازی سازی شناخته می شود تسهیل می کنند.

معنای این امر این است که داده های ورودی به ترتیب نیازی به پردازش ندارند ، این امر امکان پردازش و تسهیل مجموعه داده های بزرگتر و بزرگتر را فراهم می کند.

از این رو ، ما در سیستم SEO با سیستم های از قبل آموزش دیده مانند BERT ، GPT، و اسمیت.

YATI (یاندکس) چیست؟

از سال 2017 ، تعداد کمی از نظر جدید وجود دارد فناوری ML از یاندکس

با این حال ، در پایان سال 2020 ، یاندکس الگوریتم رتبه بندی جدیدی را مبتنی بر تبدیل شبکه های عصبی به نام YATI: Yet Another Transformer with Improvements راه اندازی کرد.

شاید شاعرانه نباشد ، اما YATI به عنوان مهمترین و تأثیرگذارترین تحولی که Yandex از زمان معرفی MatrixNet در سال 2009 در الگوریتم های رتبه بندی جستجو خود ایجاد کرده است ، مورد ستایش قرار گرفته است.

مانند همه پیشرفتهای جدید موتور جستجو ، یادگیری ماشین جایگزین متغیرها و پارامترهایی نمی شود که قبلاً در آنها کار کردیم اما آنها را بهتر می کند.

Yandex نیز مانند گوگل به تعدادی الگوریتم برای بهبود نتایج جستجو برای کاربران اعتماد کرد.

اما از سال 2016 و معرفی شبکه های عصبی به الگوریتم خود ، Yandex در حال ساخت الگوریتمی بسیار قوی تر از خود است.

YATI چگونه بر بهینه سازی Yandex تأثیر می گذارد

بر اساس اطلاعات و گفته های Yandex در مورد آشکار سازی YATI در YaC2020 ، م componentلفه جدید یادگیری ماشین الگوریتم بیش از 50٪ از وزن نهایی را تشکیل می دهد.

این بدان معنی است که از طریق درک بهتر اسناد وب و متون ، ایجاد تغییرات کوچکتر در صفحاتی از جمله تغییر برچسب های عنوان ، افزودن کلمات کلیدی بیشتر و حتی دامنه های دقیق مطابقت ، دیگر تأثیرگذار نخواهد بود (بسته به نوع رقابت و جایگاه خاص).

همانطور که قبلاً ذکر شد ، این بدان معنا نیست که اکنون دیگر به داشتن مهارتهای فنی ، درون صفحه ای و خارج از صفحه دیگر نیازی نیست.

این فقط بازی کردن سیستم رو به جلو را دشوارتر می کند.

آیا می توانید برای YATI بهینه سازی کنید؟

از آنجا که YATI تکامل الگوریتم های Yandex است و در اکثر موارد ، انقلابی نیست بهینه سازی Yandex اصول باقی می ماند.

در صورت وجود ، بهترین روش فقط تقویت شده است.

خلا Fillهای موضوعی مطالب را پر کنید

با جستجوی فراتر از کلمات کلیدی عناوین ، باید مطمئن شوید که محتوای شما به اندازه رقبا با آنها غنی است.

به عنوان مثال ، اگر سعی در جذب کاربرانی دارید که به دنبال خرید پودرهای پروتئینی و شیک های جایگزین وعده غذایی هستند اما در مورد مواد تشکیل دهنده آنها از جمله تجزیه مواد مغذی یا ارائه اطلاعات در مورد نحوه تولید آنها اما رقبای شما صحبت نمی کنید ، فرد عجیب و غریب در مجموعه داده است.

ساختار متن طولانی بهتر است

شکستن متن با زیرعنوان ها می تواند به کاربران کمک کند تا قسمتهای متن متنی را که می خواهند بخوانند از بین ببرند و همچنین ساختار لازم را برای موتورهای جستجو پیدا کنند.

بر اساس اسناد و مدارک موجود در مورد YATI ، به طور گسترده ای در جامعه جستجوی روسیه تصور می شود که شکستن متنی 250 تا 300 کلمه ای با عنوان زیر می تواند مزایایی داشته باشد.

ERNIE (بایدو) چیست؟

با پیشرفت در پیشرفت ML در Yandex ، بیایید نگاهی بیندازیم ارنی.

بایدو مانند گوگل و یاندکس دارای سابقه هوش مصنوعی و یادگیری ماشین است.

در سال 2016 ، بایدو پلت فرم PaddlePaddle را که چندین سال به طور داخلی برای کمک به توسعه مورد استفاده قرار گرفته بود ، به صورت رسمی باز کرد:

• الگوریتم ها و فناوری ها برای بهتر کردن محصول جستجوی خود.
• طبقه بندی تصویر مقیاس پذیر.
• ترجمه ماشینی متون.
• و بستر تبلیغاتی بایدو.

ERNIE (نسخه 1.0) در اوایل سال 2019 و با نسخه به روز شده (2.0) در ژوئیه همان سال ، به PaddlePaddle و گسترده تر زیست بوم Baidu وارد شد.

ارنی از BERT و XLNet بهتر عمل کرد در زمان معرفی 16 کار NLP و در رأس مردم قرار گرفت رهبران GLUE.

XLNet ، به عنوان یک سرمایه گذاری مشترک بین گوگل و دانشگاه کارنگی ملون ، از BERT بهتر عمل کرد به هنگام.

علاوه بر کمک به پیشرفت فن آوری و جستجوی محصولات ، نتیجه مهم دیگر ERNIE سیستمی به نام DuTongChuan است که اولین مدل ترجمه همزمان آگاه از زمینه است.

تأثیر ERNIE بر جستجو

ERNIE بخشی فعال از الگوریتم جستجوی بایدو است و هم برای ارائه نتایج جستجوی عمومی و هم برای بهبود تنوع در اخبار خبری با حذف داستان های تکراری (با وجود عناوین مختلف) استفاده می شود.

ERNIE همچنین نقش فعال در دستیار هوش مصنوعی بایدو ، شیائو Du دارد.

با استفاده از مدل های زمان واقعی (مشابه DuTongChuan) Xiao Du از ERNIE برای درک بهتر و پاسخ دقیق تر به درخواست های صوتی استفاده می کند.

بیشتر ادبیات منتشر شده در اطراف ERNIE مربوط به نحوه کار و پردازش داده ها است.

تأثیر واقعی آن در کل جستجوی بایدو مشخص نیست ، با این حال ، ما همچنین باید به یاد داشته باشیم که نتایج Baidu SERP بسیار متفاوت از Google و Yandex در حال حاضر جمعیت دارند.

بایدو تعدادی قطعه غنی از محصولات دیگر خود مانند Baike ، Zhidao و Tieba بیرون می کشد. این بدان معنی است که نمایش داده های ارگانیک ممکن است فقط یک یا دو نتیجه در صفحه اول ایجاد کنند.

آیا می توانید برای ERNIE بهینه سازی کنید؟

مشابه سایر الگوریتم های ML که در سرتاسر جستجو به کار گرفته می شوند ، ERNIE تکامل اصول موجود است.

الگوریتم های اصلی بایدو (Money Plant ، Pomegranate ، Ice Bucket) چندین سال وب مسترها را به ایجاد تجارب وب بهتر برای کاربران ترغیب کرده است.

امروز ، ERNIE این اصول را تقویت می کند و به وب سایت هایی که به جای تلاش برای بازی کردن روی تجربه کاربر جستجو سرمایه گذاری کرده اند ، پاداش می دهد.

منابع بیشتر: