در این مجموعه آموزش SEO با پتنت های گوگل، توضیح خواهم داد که Document Locator چیست، چگونه کار می کند و چگونه ممکن است گوگل از آن در زیرساخت خود برای ارائه نتایج جستجو استفاده کند.
را مکان یاب اسناد به سئو بسیار مرتبط است زیرا شامل موتور جستجو و جزء رتبه بندی می شود. همچنین در اختراعات مختلفی که توسط سرگئی برین، جفری دین، پل هاهر، استیو لارنس و غیره نوشته شده است، ذکر شده است.
بیشتر مواردی که در اینجا توضیح داده شده است بر اساس پتنت گوگل به نام زیر است:
مرور اسناد پیشرفته با پیوندهای ایجاد شده به طور خودکار به اطلاعات مربوطه
Document Locator چیست؟
مکان یاب سند مؤلفه ای است که مجموعه اسنادی را که محتویات آنها با عبارت جستجوی کاربر مطابقت دارد، شناسایی می کند.
اسناد مربوط به یک پرس و جو یا سند ورودی را مکان یابی می کند و به آنها ارجاع می دهد.
مکان یاب سند بیشتر برای بازگرداندن مجموعه اولیه نتایج جستجو برای یک عبارت جستجوی معین استفاده می شود.
چرا مکان یاب سند در جستجوی گوگل مهم است؟
مکان یاب سند یکی از اجزای اصلی موتور جستجوی گوگل است.
این مؤلفه ای است که از بازیابی اطلاعات مراقبت می کند. هنگامی که یک عبارت جستجو داده می شود، اسناد مربوط به پرس و جو جستجو را برمی گرداند.
همچنین می‌توان از آن برای ارتقای اسناد، مانند توصیف شده در پتنت استفاده کرد.
اسناد یاب چگونه کار می کند؟
با مقایسه عبارات موجود در عبارت جستجوی کاربر با اسناد موجود در مجموعه اسناد را از یک مجموعه سند (نمایه) مکان یابی می کند.
این اولین جزء درگیر در بازیابی اطلاعات است.
تشکیل شده است از:
- مولد اطلاعات توصیفی
- کامپوننت جستجو
- کامپوننت قالب بندی
را مولد اطلاعات توصیفی اطلاعات شخصی و داده های سند ورودی فعلی را دریافت می کند. با این اطلاعات، یک پرس و جو جستجو می سازد (مثلا اطلاعات توصیفی) برای ارسال به جزء جستجو. جزء جستجو دریافت می کند پرس و جو جستجو از مولد اطلاعات توصیفی. موتور جستجو اسناد مربوط به درخواست جستجو را مکان یابی می کند. را جزء رتبه بندی اسناد را بر اساس امتیاز بازی آنها رتبه بندی می کند.
مولد اطلاعات توصیفی
را مولد اطلاعات توصیفی مؤلفه ای است که تولید می کند اطلاعات توصیفی توصیف سند فعلی، بر اساس اطلاعات شخصی کاربر و اطلاعات مربوط به سند ورودی.
اطلاعات توصیفی چیست؟
اطلاعات توصیفی ترکیبی از اطلاعاتی است که از سند و اطلاعاتی که از کاربر به دست می آید.
اطلاعات توصیفی سند
- همه اصطلاحات بیش از X بارها ظاهر می شوند
- موجودیت های نامگذاری شده به صورت خودکار استخراج می شوند
- تاریخ در سند
- نویسنده
- نام نشریه
- استخراج کلمه کلیدی یا دسته بندی
اطلاعات توصیفی کاربر
- موقعیت جغرافیایی کاربر (به عنوان مثال آدرس IP)
- اطلاعات شخصی مشتق شده از عبارت های جستجوی قبلی یا پیوندهای انتخاب شده
- اطلاعات شخصی ارائه شده هنگام ثبت نام در یک حساب کاربری
- تاریخچه مرور
- اسناد تولید شده توسط کاربر
- تاریخ یا فصل فعلی
اطلاعات توصیفی چگونه جمع آوری می شود؟
شرایط مهم
اصطلاحات مهم ممکن است از:
- رایج ترین اصطلاحات
- شرایط توصیفی برای سند در نظر گرفته شده است
- فراوانی مدت در سند در مقابل همه اسناد (احتمال TF-IDF)
نهادهای نامگذاری شده
مولد اطلاعات توصیفی ممکن است موجودیت های نام را از اسناد ذخیره کند.
این یک سند تجزیه شده را با لیستی از موجودیت ها یا اسامی از پیش تعیین شده مطابقت می دهد:
- نام مکان ها
- نام افراد مشهور
- نام محصولات
- نام شرکت ها
- و غیره.
موجودیت های نامگذاری شده از پیش تعیین شده ممکن است به صورت دستی یا با تکنیک های خودکار جمع آوری شده باشند.
تاریخ، نویسنده و نام انتشار
برای ذخیره تاریخ، نام نویسنده و نام انتشارات در اطلاعات توصیفی، ممکن است از تطبیق الگوی ساده استفاده شود (مثلاً عبارات منظم).
اطلاعات شخصی مشتق شده از عبارت های جستجوی قبلی
پرس و جوهای جستجوی کاربر می تواند در جستجو مفید باشد.
ممکن است Google به منظور کشف علایق کاربر، به نقشه‌برداری دسته‌بندی ادامه دهد.
به عنوان مثال، مفهوم DataFrames در برنامه نویسی پایتون و R وجود دارد.
اگر کاربر غالباً سؤالات مربوط به «برنامه‌نویسی پایتون» (دسته) را جستجو کند، Google ممکن است اسناد مربوط به Pandas DataFrames (Python) را برای یک سؤال مبهم مانند «چگونه یک DataFrame ایجاد کنیم» ارائه کند.
نقشه برداری با مشاهده تعداد زیادی از جلسات جستجوی تاریخی انجام می شود.
اگر کاربران اغلب دو عبارت را در چندین جستار جستجو می کنند، اما در یک جلسه، احتمالاً مرتبط هستند.
مثال: بسیاری از کاربرانی که «فریم‌های داده پایتون» را جستجو می‌کنند، در نهایت در یک جلسه (مثلاً قبل از بستن مرورگر) «پاندای پایتون» را جستجو می‌کنند.
بنابراین، “dataframe” و “pandas” دو اصطلاح نزدیک به هم برای دسته “Python” هستند.
اگر کاربری که اغلب پرس و جوهای مربوط به برنامه نویسی پایتون را جستجو می کند، و سپس «چگونه یک DataFrame ایجاد کنیم» را جستجو می کند، ممکن است گوگل متوجه شود که کاربر یک «Pandas DataFrame» را جستجو می کند.
اطلاعات توصیفی چگونه قالب بندی می شود؟
Document Locator اطلاعات توصیفی را به عنوان درخواست جستجو به موتور جستجو ارسال می کند.
اما به جای ارسال ساده عبارت جستجو، ممکن است عبارت جستجو را به همراه اطلاعات توصیفی به هم بپیوندد.
[the] مولد اطلاعات توصیفی ممکن است اطلاعات توصیفی “Mt. اورست، «نوولوگ پیکس و چالش قطبی»، «دیابت»، «سن خوزه» و «عکاسی».
این عبارات ممکن است در یک عبارت جستجوی واحد ترکیب شوند
«کوه Everest Novolog Peaks Poles عکاسی سن خوزه دیابت را به چالش می کشد.
همانطور که گفته شد، نحوه انجام آن مهم نیست، مهم این است که آنها این اطلاعات را همراه با پرس و جو ارسال کنند. اطلاعات تکمیلی در پتنت توضیح داده شده است.
چگونه مؤلفه جستجو کار می کند
جزء جستجوی گوگل جزء شامل موتور جستجو و جزء رتبه بندی است.
به زودی متوجه خواهید شد که دو موتور جستجو در اینجا وجود دارد:
موتور جستجو > مکان یاب سند > مؤلفه جستجو > موتور جستجو
این اتفاق در پتنت های گوگل زیاد می افتد. ممکن است موتور جستجوی مشابهی باشد که مجموعه اسناد مختلف را جستجو می کند، یا موتورهای جستجوی مختلف (مثلاً موتورهای جستجوی مبتنی بر پرس و جو در مقابل موتورهای جستجوی عمومی).
موتور جستجو چگونه کار می کند
موتور جستجوی گوگل، که در مؤلفه جستجوی Google یافت می شود، کلاه موتوری است که اسناد مربوط به یک عبارت جستجو را پیدا می کند.
موتور جستجو دریافت می کند اطلاعات توصیفی از مولد اطلاعات توصیفی به شکل الف پرس و جو جستجو.
سپس موتور جستجو یک یا چند سند مرتبط با درخواست جستجو (مثلا اطلاعات توصیفی) را پیدا می کند. سپس اسناد مرتب شده را به جزء رتبه بندی برمی گرداند.
موتور جستجو ممکن است یک موتور جستجوی عمومی (یعنی جستجوی گوگل) یا یک موتور جستجوی تخصصی (یعنی Google News) باشد.
برای اطلاعات بیشتر، پست وبلاگ در مورد نحوه کار موتورهای جستجو را بخوانید.
چگونه مؤلفه رتبه بندی کار می کند
جزء رتبه بندی گوگل، که در مؤلفه جستجوی Google یافت می شود، مؤلفه ای است که مجموعه اسناد بازگردانده شده توسط موتور جستجو را رتبه بندی و/یا هرس می کند.
اسناد را بر اساس نمرات مختلف مرتب می کند و سپس ممکن است زیر مجموعه ای از اسناد دارای رتبه برتر برای ارائه به کاربر انتخاب شود.
نمونه ای از نمرات استفاده شده توسط جزء رتبه بندی
- امتیاز مسابقه پرس و جو
- امتیاز مبتنی بر لینک
- نمره موضوعی
- امتیاز تازگی / تازگی
- امتیاز تعامل کاربر (به عنوان مثال تعداد کلیک) که از داده های رفتار کاربر استنباط می شود
- و غیره.
علاوه بر این مثال ها، برای برخی از پرس و جوها، سایت های تجاری ممکن است به صراحت حذف شوند (یا گنجانده شوند).
ترکیب چند پرس و جو
موتور رتبه‌بندی ممکن است چندین عبارت جستجو را با هم ترکیب کند و از جستارهایی استفاده کند که بهترین نتایج را نشان می‌دهند.
چگونه مکان یاب سند اسناد را بهبود می بخشد
این سند بیشتر برای دریافت مجموعه اولیه نتایج جستجو برای یک پرس و جو مورد استفاده قرار می گیرد.
این روشی است که از آن در “امتیاز دادن اسناد بر اساس تجزیه و تحلیل پرس و جو” استفاده می شود.
با این حال، می‌توان از آن برای بهبود اسناد جداگانه از نتایج جستجو نیز استفاده کرد.
این فرآیندی است که در «مرور اسناد پیشرفته با پیوندهای تولید شده خودکار به اطلاعات مربوطه» توضیح داده شده است.
مولفه قالب‌بندی احتمالاً بیشتر به بخش تقویت‌کننده مرتبط است و کمتر به بخش رتبه‌بندی اولیه مرتبط است.
کامپوننت قالب بندی
مؤلفه قالب‌بندی Google ممکن است اسناد اضافی را در سندی که توسط کاربر مشاهده می شود وارد کند.
ممکن است پیوندها و/یا متن شناور را در صفحه درج کند.
مثال ارائه شده افزودن پیوندهایی از اسناد رتبه بندی شده برای یک عبارت جستجو به اسنادی است که سند روی آنها کلیک کرده است (مثلاً افزودن پیوند ویکی پدیا به کوه اورست در مقاله ای که به آن پیوند داده نشده است).
من هرگز آن را در هیچ جای آنلاین ندیدم، اما چیزی مشابه با قطعه های برجسته دیدم.
نمونه ای از کارهایی که کامپوننت قالب بندی ممکن است انجام دهد
در اینجا نمونه ای از پیوند ویکی پدیا است که به یک قطعه برجسته اضافه شده است، حتی اگر پیوند در واقع در صفحه واقعی نباشد. احتمالاً توسط مؤلفه قالب‌بندی برگردانده شده است.
فرآیند ارتقای اسناد
در اینجا نمونه‌ای از فرآیندی است که برای بهبود اسناد فردی با نتایج جستجو استفاده می‌شود.
کدام پتنت به مکان یاب اسناد اشاره می کند؟
نام های احتمالی دیگر برای مکان یاب سند؟
نام دیگر سند یاب که در اختراعات مختلف یافت می شود، «مکان یاب اسناد اضافی» است.
زیرساخت والدین Google درگیر است
Document Locator در کجا قرار می گیرد؟
زیرساخت Google Children درگیر است
Google’s Document Locator می تواند شامل این نرم افزارها باشد:
- مولد اطلاعات توصیفی
- کامپوننت جستجو
- موتور جستجو
- موتور رتبه بندی
- کامپوننت قالب بندی
Document Locator اغلب همراه با مؤلفه تاریخچه و مؤلفه رتبه بندی استفاده می شود.
تعاریف
| مدت ثبت اختراع | تعریف |
|---|---|
| مکان یاب اسناد | مؤلفه ای که اسناد را از یک پیکره سند ذخیره شده در پایگاه داده با مقایسه عبارات موجود در عبارت جستجوی کاربر با اسناد موجود در پیکره پیدا می کند. |
| مولد اطلاعات توصیفی | مؤلفه ای که اطلاعات توصیفی را برای توصیف سند فعلی تولید می کند |
| اطلاعات توصیفی | اطلاعات مربوط به یک سند و داده های کاربر (مثلاً درخواست جستجو |
| کامپوننت جستجو | مؤلفه ای که شامل موتور جستجو و موتور رتبه بندی است |
| موتور جستجو | موتوری که اسناد مربوط به یک عبارت جستجو (یا اطلاعات توصیفی) را تعیین می کند |
| موتور رتبه بندی | موتوری که مجموعه اسناد بازگردانده شده توسط موتور جستجو را رتبه بندی و/یا هرس می کند |
| پرس و جو جستجو | داده‌هایی که توسط کاربر ارسال می‌شود و احتمالاً با داده‌های اضافی گسترش می‌یابد، به یک موتور جستجو برای ارضای نیاز اطلاعاتی. |
| کامپوننت قالب بندی | مؤلفه ای که برای بهبود یک سند با استفاده از داده های نتایج جستجو استفاده می شود |
پرسش و پاسخ سند یاب
در داخل موتور جستجو
مجموعه ای از نتایج جستجوی اولیه را برای یک پرس و جو برمی گرداند و احتمالاً اسناد فردی را با داده های نتایج بهبود می بخشد.
این مؤلفه ای است که شامل موتور جستجو و موتور رتبه بندی می شود تا مجموعه اولیه اسناد رتبه بندی شده برای یک عبارت جستجو را برگرداند.
مکان یاب اسناد در تعداد زیادی از پتنت های نوشته شده توسط برخی از مهندسان جستجوی بسیار مرتبط گوگل ذکر شده است.
بر اساس تعداد پتنت ها، مشارکت کنندگان در این پتنت ها، تعداد ذکرها و مدت زمانی که ذکر شده است، به احتمال زیاد از سند یاب در جستجو استفاده شده است.
نتیجه
ما دیدیم که چگونه از مکان یاب اسناد در موتور جستجوی گوگل برای یافتن اسناد مرتبط مرتبط با یک عبارت جستجو استفاده می شود.
منابع
استراتژیست سئو در Tripadvisor، Seek سابق (ملبورن، استرالیا). متخصص در سئو فنی. در تلاش برای سئوی برنامه‌ریزی شده برای سازمان‌های بزرگ از طریق استفاده از پایتون، R و یادگیری ماشین.