1915年插圖–弗蘭茨·卡夫卡的“變形”
在弗蘭茨·卡夫卡的“變形記”中，一個人一天早上醒來，發(fā)現他已經變成了一只巨大的昆蟲。如果關鍵字是存在主義者，他們可能會遇到類似的情況，已經被輸入到Google的搜索欄，他們經歷了大量的轉換以成為新的，自己的修改版本 – 谷歌認為這是更好地表示搜索者的意圖的查詢。
為了說明我在說什么，讓我問你一個小小的好處。在Google上輸入“oscar”。不，認真，做。我會掛在這里，而你在它。
機會是所有的頂部結果，你得到的是幾天前發(fā)生的第89屆奧斯卡頒獎典禮。一些結果可能沒有提到單詞“oscar”（你輸入的唯一字，記??？）。不知為什么，Google知道你正在尋找具體的奧斯卡獎，而不是關于儀式，奧斯卡的名字，或奧斯卡的任何其他的一般信息，并將你的查詢在幕后轉換成幾乎不相似于原來的東西。
在這篇文章中，我將看看這個過程如何工作，以及它對SEO的含義。
關聯(lián)，相關性和搜索量
Google最近針對提供搜索查詢優(yōu)化的專利提供了許多關于Google如何處理模糊，過于籠統(tǒng)，過于狹窄或缺乏上下文（例如您剛剛完成的“奧斯卡”搜索）的搜索情況的洞察力。該專利描述了將查詢轉換為自己的更好語言版本的系統(tǒng)，以便Google可以準確地提供用戶想要的搜索結果。
根據該專利，當Google收到查詢時，將根據搜索者鍵入的關鍵字，從其與查詢相關聯(lián)的索引中抓取Web文檔。然后，它將查看其提取的頁面和概念，或語義聚類，它們是相關聯(lián)的。如果它發(fā)現結果屬于幾個非常不同的概念，則很可能得出結論，該查詢是不明確的并且將從精化中受益。
讓我們試著看看實際的細化過程如何在“oscar”例子上工作。當您在Google中輸入“oscar”時，它會繼續(xù)并收集與該查詢完全匹配的多個搜索結果。為了該示例的目的，假設該數字是100.向100個搜索結果中的每一個分配估計它們與原始查詢（“oscar”）的相關性的分數，可能基于傳統(tǒng)的頁內和頁外SEO因子。接下來，Google將去識別這些網頁所屬的主題或語義集群;對于“oscar”，這樣的集群可以是：“奧斯卡獎”，“奧斯卡的名字”，“奧斯卡的魚”，以及可能一些較小的。不知為什么，Google必須找出你感興趣的這些概念 – 這是什么事情變得有趣。
根據該專利，Google將轉而使用其“關聯(lián)數據庫” – 存儲過去查詢，網頁以及兩者之間的關聯(lián)的位置。對于每個關聯(lián)，Google會分配權重 – 網頁與查詢的相關程度，乘以查詢的頻率或搜索量。接下來，Google可能會查找剛剛為此數據庫中的“oscar”查詢提取的結果。它將查看與每個結果相關聯(lián)的過去查詢以及這些關聯(lián)的權重。來自最高得分群集的最高得分關聯(lián)將被挑選為精化查詢的候選。
記住，權重是相關乘以搜索量，你可能開始明白為什么，在這個特定時刻，你搜索“奧斯卡”變成像“奧斯卡頒獎儀式2017”。
值得注意的是，Google通常會選擇多個群集或主題來優(yōu)化查詢。當與原始關鍵字相關聯(lián)的可能群集具有相等或接近相等的權重時，這是特別明顯的，這時Google會讓您決定您感興趣的主題。
上下文
另一個專利闡明了上下文在改進用戶查詢方面的作用。在這種情況下，上下文是與單個域相關聯(lián)的詞和短語的集合。這樣的“上下文”的數據從訓練材料的大語料庫獲得，然后可能通過機器學習來改進和擴展。這些上下文可幫助Google更好地索引信息和提供搜索服務。對于前者，Google將“通信領域”劃分為域，這與上面討論的群集類似。通過查看網頁及其中使用的字詞和表達式，Google可以根據特定上下文中的字詞與網頁中的內容的交集，輕松找出網頁可歸屬的上下文。因此，當它查看包含諸如“學院”，“奧斯卡獎”和“最佳電影”等詞語的網頁時，它會變成“哈哈，這頁的上下文是奧斯卡頒獎典禮”。
在用戶端，為了確定其查詢的上下文，Google會查看用戶的過去搜索記錄，以及必要時查看其整個搜索記錄。換句話說，如果您的搜索記錄暗示您對奧斯卡魚特別感興趣，那么當您搜索奧斯卡時，Google可能會根據其作為搜索者的上下文信息，為魚群相關群集提供幫助。所以事實上，你搜索“奧斯卡”變成“請搜索”奧斯卡“記住所有你知道我，谷歌”。
上下文2.0
您的搜索和瀏覽器歷史記錄不是Google可能用于優(yōu)化查詢的唯一一種“上下文”。幾個最近的專利暗示，關于搜索者的更復雜的細節(jié)，例如他們看到的電影或他們收聽的音樂可以用于改進查詢并返回結果。當用戶進行語音查詢時，也可以使用實時上下文，例如當前正在播放的電影。
例如，用戶可以在設備處輸入自然語言查詢，諸如口語查詢“我什么時候看過這個演員？” 同時觀看特定內容，例如電影“社交網絡”。
根據這些專利，Google也可能會監(jiān)控您所在地區(qū)的電視節(jié)目，并尋找可能與該信息相關的查詢。因此，如果您搜索“社交網絡”，并且電影“社交網絡”目前在您所在的地區(qū)，則可能會影響您收到的搜索結果。例如，這可能優(yōu)先于與您的查詢相關聯(lián)的其他語義集群的“社交網絡電影”集群。
位置
位置，當然是一種上下文，但它應該在這個列表上自己的地方。位置已經影響了大量查詢，對于企圖讓他們的網站在本地排名的企業(yè)尤其重要。但Google使用位置來優(yōu)化查詢可能很快就會超越當前狀態(tài)。
您可能已經知道，如果您搜索“星巴克”，“沃爾瑪”或某個實體，這可能意味著您對某個商家的實際位置感興趣，Google會向您顯示本地信息包，并調整自然搜索結果以幫助您找到您（可能）尋找的實際位置。這可以進一步，因為Google可以查看查詢模式并將它們與接近搜索者位置的實體相關聯(lián)。所以，如果你問谷歌“星巴克什么時候打開？”，甚至，“這個公園叫什么？”，而你所指的實體明確接近，谷歌將足夠聰明，給你答案。
所以下一次你經過一家餐館 – 讓我們說這叫做Zio Pepe – 想知道它是否有什么好，嘗試問谷歌“這個地方的任何評級？ 這個查詢可以變成類似“zio pepe評級”的東西，你不必擔心“zio”如何在意大利語中發(fā)音。
例如，不會說德語的用戶可以在瑞士蘇黎世度假，并且可以在[營業(yè)時間]提交查詢，同時站在名為“Zeughauskeller”的餐館附近，這可能難以發(fā)音和/或拼寫 用戶。 作為另一示例，本公開的實施方式使得用戶能夠更方便和自然地與搜索系統(tǒng)交互（例如，提交查詢[show me lunch specials]而不是查詢[Fino Ristorante＆Bar lunch specials]）。
查詢替換
由Google提交的另一個最近的專利集中于替換術語和同義詞以用于查詢細化。 該過程包括識別用戶查詢中的概念并且確定是否可以不同地表達相同的概念（不扭曲查詢的含義）以提供更好的適合的搜索結果。
要了解這是如何工作的，讓我們做一個谷歌搜索“英國總統(tǒng)”。 如果Google只是查詢查詢中提到的兩個字，“英國”和“總統(tǒng)”，結果可能包括其他國家的總統(tǒng)訪問英國的文章。 相反，Google認為搜索者可能尋找不同類型的信息，而“總統(tǒng)”一詞實際上是當搜索者真正意味著“總理”時所犯的錯誤。 在給定的上下文中，“總理”是“總統(tǒng)”的同義詞; 結合“英國”，它也代表一個已知的實體。 所有這一切使它成為一個好的替換術語。
（請注意，Google如何在SERP的網址中加入“總理”，以及“總裁”一詞在頂級結果中如何出現）。
Word2vec
關于word2vec在最近的SEO空間有很多討論，最近由許多SEO表達的意見，它可能是谷歌的RankBrain使用的技術引發(fā)的。這個意見有其理由：許多在RankBrain工作的人也在word2vec工作，并且兩個項目的許多描述幾乎相同。
word2vec工具將文本語料作為輸入，并生成單詞向量作為輸出。它首先從訓練文本數據構造詞匯表，然后學習單詞的向量表示。所得到的單詞矢量文件可以用作許多自然語言處理和機器學習應用中的特征。
在我們進入word2vec之前，讓我們來解決一個問題。 SEO民眾最近一直在談論詞向量和向量空間。雖然這些概念在理論上可能是復雜的，聽起來像你需要采取微積分課程來掌握他們（如果你想要達到事物的底部，你可以做一些事情），但是他們個人的可視化實際上是令人驚訝的可以理解的。
讓我們來看一個簡單的例子。假設你有一組術語，你需要分成兩個集群，“蔬菜”和“肉”。不是所有的單詞都是蔬菜或肉類，但是你必須這么做，將在肉類情境中出現的詞語更頻繁地分類（例如“熏制”）到“肉類”集群中，反之亦然。
這里是這些單詞向量的可視化可能是什么樣子。
來源: http://bookworm.benschmidt.org/
正如你所看到的，具有高“蔬菜”分數的術語朝向頂部，而具有高“肉”分數的術語朝右。接近中間的線是更中性的術語 – 在兩種情況下同樣頻繁出現的術語。
重要的是要注意，將術語聚集到語義組中遠不是word2vec可以做的唯一的事情。另一個重要方面是通過計算它們的向量之間的物理距離來識別術語之間的關系。上面，你可以看到“肉”和“肉”彼此相鄰，因此在意義上是接近的。 “扒”，“牛排”和“豬肉”更緊密地捆在一起。注意，彼此相鄰的詞語不必是同義詞。它們可以是經常彼此接近的術語，如“香蕉”和“蘋果”。
現在，讓我們向前邁進一步。我們已經知道，我們可以從彼此中減去向量來識別它們的相關性（距離越小，它們的相關性越強）。但是如果我們把兩個向量加在一起呢？然后從總和中減去另一個向量？
顯然，這正是Google對某些查詢的做法。
對于上面的向量，方程式羅馬 – 意大利+中國將等于北京。 事實上，這是一個問題“與羅馬到意大利有中國關系的實體是什么？”，或者簡單地說，“中國的首都是什么？
這里有一個例子，說明如何在查詢處理中使用word2vec。 假設你暫時忘記了“toe”的詞（你迫切需要這個詞）。 感謝術語向量，你可以繼續(xù)和谷歌的“手指”，然而奇怪的是，聽起來，谷歌會得到你的意思。 它會發(fā)現手指是“手”概念的一部分，并將查詢修改為類似“與手指到手有什么相同的關系”的東西。 （或者，在向量談話中，“腳+手指”），并且將在該關聯(lián)中尋找丟失的片段。 感謝你，你會看到你正在尋找什么（而不是提到“腳”和“手指”的頁面列表）。
看看他們如何在特色答案中粗體顯示“腳趾”，而沒有提到單詞“手指”？ 聰明，是嗎？
實體
實體是Google知識圖的元素 – Google知道某些事實的具體對象，例如人物，地點和事物。 企業(yè)，名人或工廠可以是實體。 關于實體的偉大之處在于Google非常了解它們，這讓搜索者可以通過某種事實立即找到一個實體。
因此，搜索Google認為是某個實體的唯一屬性的內容會產生該實體的搜索結果。 這樣，“世界上最大的城市”可以轉化為“哪個實體具有成為世界上最大的城市的獨特屬性？ 并匹配東京的實體。 同樣，“Google CEO”將與Sundar Pichai合作。
種類，你想要有一個獨特的，客觀的特點為您的企業(yè)的實體，不是嗎？
有趣的是，用戶行為信號可能像任何其他類型的結果一樣影響這種基于實體的搜索結果。說，如果Google發(fā)現兩個具有相似權重的實體與查詢匹配，則通常會在SERP中顯示相關的結果。如果您搜索“Joe’s NYC”，只要您以前從未進行過搜索，您就會看到一些商家的名稱：Joe的酒吧，Joe的酒吧，Joe的咖啡店和Joe的披薩店。但是，一旦您點擊某個結果（例如，比薩餅店），Google可能會在此搜索的上下文中將此實體存儲為您的首選實體。因此，當您再次運行類似的搜索時，您的首選實體將可能顯示在結果的頂部，而其他實體可能會從SERP中完全刪除。
最后的話
以上表明，谷歌正在迅速變得更聰明（即使你愿意），在找出關鍵字的意義，改寫這些關鍵字，并產生更好的搜索結果作為回應。我們可能會看到這是壞消息或好消息，但我們沒有什么能做，只有適應。
我想讓你從這篇文章中摘取的一個概念是，用戶看到的搜索結果不僅僅是查詢和排名因素的組合。在中間，Google可以修改查詢，以便它可以更好地回答它，并且這種修改過程對于各種查詢可能非常不同 – 甚至對于在不同時間點進行的相同查詢（假設搜索“oscar”幾個幾個月后）。
所以有什么SEO現在仍然可以做，我們糾結在這個語義網絡？當然。這里有一些提示。
1）獲取知識圖。雖然沒有神奇的公式，肯定會讓你，有一些步驟，將大大提高你的機會，贏得你的業(yè)務知識圖表上市。以下是本地知識圖表面板的步驟，以及更通用的品牌知識圖表的步驟。
2）繼續(xù)爭取這些排名。我一直對一些SEO開始懷疑排名作為SEO KPI的價值感到驚訝，因為搜索的個性化越來越多。不要忘記，當有人首次對您的目標關鍵字進行搜索時，您必須盡量在頂部結果中顯示。如果您這樣做，如果搜索者點擊您的商家信息，您將成為他們的首選實體，隨后的搜索可能會將您的商家作為結果中的頂部（如果不是唯一）實體。否則，如果您的競爭對手位于頂部，而搜索者點擊了他們的商家信息，您可能失去了該客戶。
3）密切監(jiān)控您的利基?，F在很清楚，Google可能會對不同的市場甚至個別查詢使用不同的排名因素（以及不同的查詢細分）。 SEO的普遍方法，其鏈接和網站結構的基礎仍然有效;但在某個查詢的上下文中，它可能超過了該查詢或利基特定的其他因素。例如，在SEO PowerSuite的排名跟蹤器中，我們將其稱為SERP歷史記錄 – 針對您運行的每個排名檢查的前30個搜索結果的歸檔（為了保存SERP歷史記錄，您需要一個排名跟蹤器許可證鍵）。如果您查看SERP波動圖，您可以在每個關鍵字排名檢查期間立即發(fā)現SERP中的重要更改。圖形上的紅色尖峰將立即讓你知道，在SERP中有一個重要的變化，你需要看看。這可能表示Google開始以不同的方式解釋查詢，或者開始查看不同的排名因素。在任何一種情況下，最好與SERP核對，看看發(fā)生了什么變化，這樣你就可以第一次適應。
