Sử dụng trí tuệ nhân tạo để giải quyết các vấn đề SEO

(Thegioiđặt cược bet365_trang web chính thức của bet365_bet365 không thể mở) - Gần đây, Scott Stouffer (Một chuyên gia Seo trên searchenginejournal) đã viết một bài viết về tập hợp mô hình thống kê các kết quả tìm kiếm và tôi hy vọng rằng nó sẽ cung cấp cho các chuyên gia tiếp thị có một cái nhìn tổng quan về ngành công nghiệp SEO hiện nay. Trong bài viết này, Scott Stouffer sẽ đề cập đến các mô hình công cụ tìm kiếm có thể "tự hiệu chỉnh" hoặc đưa các thuật toán và trọng số của các thuật toán và sự tương quan các mô hình dữ liệu đối với dữ liệu thực tế từ các công cụ tìm kiếm chung để tìm một mô hình công cụ tìm kiếm chính xác trong bất kỳ môi trường nào.

Với hàng nghìn các tham số và cố gắng để tìm kiếm sự kết hợp tốt nhất phù hợp với kết quả tìm kiếm là những gì mà ngành khoa học máy tính gọi là vấn đề NP-Hard (tạm hiểu là bài toán lập lịch). Đó là quan niệm về mặt xử lý tính toán. Đây thực sự là vấn đề khó khăn.

Vậy làm thế nào chúng ta có thể thực hiện nhiệm vụ này để tự hiệu chỉnh một mô hình công cụ tìm kiếm? Vâng, nó chỉ ra rằng chúng tôi sẽ chuyển sang các loài chim để giải quyết vấn đề vô cùng khó khăn này.

Phương pháp Tối ưu bầy đàn

Scott Stouffer sẽ chuyển sự chú ý của các bạn đến một giải pháp như tối ưu hóa bầy đàn (PSO), đó là một kỹ thuật trí thông minh nhân tạo (AI) được xuất bản lần đầu vào năm 1995, nó được coi như là một mô hình của các hành vi xã hội. Kỹ thuật này được thực hiện theo mô hình khái niệm về bird flocking (mô hình bắt chước các loài chim).

Một ví dụ về hành động tối ưu hóa bầy đàn​

Việc tối ưu hóa thực sự là rất đáng được chú ý. Trong thực tế, tất cả các thuật toán đều dựa vào các quy tắc của chúng ta mà chúng ta đã phát minh ra để cập nhật vẫn không thể được sử dụng để tìm các giải pháp gần đúng để tối đa hóa và giảm thiểu các vấn đề cực kỳ khó khăn hoặc không thể. Tuy nhiên, bằng cách sử dụng một mô hình đơn giản về cách birds flock có thể giúp bạn tìm ra một câu trả lời trong khoảng một thời gian ngắn. Chúng ta đã nghe tin tức về những thời kỳ tối tăm và suy sụp về AI nhưng trong trường hợp này AI có thể giúp chúng ta giải quyết những vấn đề tuyệt vời nhất,

Scott Stouffer đã tham gia vào một dự án Swarm Intelligence trong suốt sự nghiệp của ông. Tháng 2 năm 1998, Scott Stouffer đã làm việc với một kỹ sư truyền thông về dự án Millibot (trước đây gọi là dự án Cyberscout). Cyberscout là một quân đoàn robot nhỏ bé được phân tán vào một tòa nhà và cung cấp vùng phủ sóng toàn bộ cho tòa nhà đó. Robot có khả năng giao tiếp và chuyển tiếp thông tin với nhau, cho phép các “bầy đàn” của robot hoạt động, việc chuyển đổi hiệu quả là một nhiệm vụ rất tẻ nhạt trong việc tìm kiếm của cả một tòa nhà (hầu hết các robot tí hon phải đi tổng cộng vài mét).

Tại sao nó lại làm việc?

Điều thực sự thú vị về PSO là nó không thực hiện bất kỳ giả định nào về các vấn đề bạn đang giải quyết. Nó là một sự chồng chéo giữa một thuật toán dựa trên các quy tắc để cố gắng hội tụ vào một giải pháp và một mạng lưới các nơron thần kinh AI – cố gắng để khám phá ra các vấn đề không gian.

Nếu không có tính chất thăm dò của phương pháp tối ưu này, các thuật toán chắc chắn sẽ hội tụ về những thứ mà các nhà thống kê gọi là “tối đa hóa cục bộ” (một giải pháp giống với tối ưu nhưng không phải là tối ưu).

Đầu tiên, bạn bắt đầu với một số “phỏng đoán”. Trong một mô hình công cụ tìm kiếm thì điều này có thể là các trọng số khác nhau của phạm vi thuật toán. Ví dụ, với 7 đầu vào khác nhau, bạn sẽ bắt đầu với ít nhất 7 dự đoán tại mỗi trọng số. Một dự đoán cụ thể sẽ chỉ đơn giản là một mảng với 7 trọng số khác nhau.

Ví vụ về các yếu tố đầu vào của mô hình công cụ tìm kiếm​

Ý tưởng đằng sau PSO là mỗi dự đoán nên được cách nhau để không một dự đoán nào trong số đó gần nhau. Nếu không bạn có thể sử dụng một số kỹ thuật để đảm bảo điểm bắt đầu của bạn là tối ưu.

Sau đó, bạn bắt đầu những dự đoán “tiến hóa”. Quá trình tiến hóa sẽ bắt chước những gì một một đàn chim sẽ làm. Một trong những dự đoán ngẫu nhiên sẽ được gần gũi hơn so với những dự đoán khác và những dự đoán sẽ điều chỉnh các dự đoán tiếp theo của họ dựa vào các thông tin toàn cục này.

Tôi đã đưa vào một mô phỏng hình ảnh rất lớn về quá trình này:

Hình ảnh trực quan PSO làm việc như thế nào​

Việc triển khai

Điều tuyệt vời nhất về PSO là nó rất dễ dàng để thực hiện. Có rất ít thông số điều chỉnh (một dấu hiệu tốt của một thuật toán mạnh) và rất ít nhược điểm.

Tùy thuộc vào vấn đề của bạn, việc triển khai của bạn có thể bị mắc kẹt vào tối thiểu hóa địa phương (giải pháp không tối ưu). Bạn có thể dễ dàng khắc phục điều này bằng cách giới thiệu cấu trúc khu vực liên kết, trong đó hạn chế các vòng lặp thông tin phản hồi để nhận được sự phỏng đoán tốt nhất.

Phần lớn công việc của bạn sẽ được thiết kế với chức năng “tập thể dục” hoặc phạm vi thuật toán mà bạn sẽ sử dụng để xác định khoảng cách giữa bạn với các mục tiêu tương quan của bạn. Trong trường hợp của chúng tôi, với SEO, chúng tôi muốn có sự tương quan với một thực thể được biết đến như kết quả của Google Mỹ. Bạn có thể dễ dàng hoán đổi với bất kỳ phiên bản nào khác của công cụ tìm kiếm.

Sử dụng PSO để tạo ra mối tương quan một mô hình công cụ tìm kiếm​

Khi bạn có hệ thống tính điểm, thuật toán PSO sẽ cố gắng tối đa hóa số điểm dựa trên các khả năng kết hợp với hệ thống tính điểm. Hệ thống xếp hạng có thể đơn giản như thực hiện một số mối tương quan giữa mô hình công cụ tìm kiếm và các kết quả tìm kiếm chung hoặc nó có thể phức tạp như tham gia vào các mối tương quan và bổ sung các điểm với các kịch bản cụ thể (ví dụ: 10 điểm phù hợp với #1, 5 điểm phù hợp với #2..).

Vấn đề tương quan chống lại hộp đen

Gần đây, đã có nhiều SEOer cố gắng liên hệ với “hộp đen” của Google. Tôi hoan nghênh những nỗ lực này nhưng đó là sai lầm nghiêm trọng. Tôi sẽ giải thích điều này như sau:

Đầu tiên, mối tương quan không có nghĩa là mối quan hệ nhân quả. Đặc biệt là nếu các yếu tố đầu vào hộp đen của bạn không gần với kết quả đầu ra. Ví dụ đầu tiên, đầu vào rất gần với kết quả của mình: một doanh nghiệp kinh doanh kem. Khi nhiệt độ ấm hơn, người ta mua rất nhiều kem. Có thể dễ dàng thấy rằng đầu vào là nhiệt độ sẽ được gắn liền với đầu ra là kem.

Đáng tiếc là, hầu hết SEOer đều không thích bất kỳ sự gần gũi nào giữa việc thống kê của họ (đầu vào) và kết quả tìm kiếm (đầu ra).


Trên thực tế, việc tối ưu phải đi qua 4 lớp: crawl, index, cho điểm và cuối cùng là lớp truy vấn thời gian thực. Trong thực tế, Google thực sự đưa ra những tin đồn đáng kể, tương tự như cách thức chính phủ Mỹ đưa ra thông tin về các chòm sao GPS, vì vậy mọi người sẽ không nhận được độ chính xác. Nó được gọi là lớp truy vấn thời gian thực. Lớp truy vấn hiện đang hoạt động như một rào cản lớn đối với chiến thuật tương quan SEO.

Lớp truy vấn của một công cụ tìm kiếm​

Tương tự, tôi sử dụng mô hình của một vòi nước tưới cây. Tại lớp tính điểm của một công cụ tìm kiếm, bạn có tầm nhìn về thương hiệu với những chuyện đang xảy ra. Nước từ các ống sẽ được tổ chức và dự đoán được – đó là bạn có thể thay đổi mọi thứ và dự đoán chính xác sự thay đổi về lưu lượng nước (kết quả tìm kiếm).

Một cách tương tự, lớp truy vấn này (kết quả tìm kiếm) lan truyền vào hàng triệu giọt (biến thể của các kết quả tìm kiếm), nó phụ thuộc vào người dùng. Hầu hết những thay đổi thuật toán này đang xảy ra trên các lớp truy vấn để tạo ra nhiều các biến thể của kết quả tìm kiếm với cùng một số người dùng. Thuật toán Hummingbird của Google là một ví dụ cụ thể. Sự thay đổi trong lớp truy vấn cho phép các công cụ tìm kiếm tạo ra nhiều thị trường cho quảng cáo PPC của họ.

Việc tìm kiếm thông qua sự tương quan​

Lớp truy vấn là quan điểm của người dùng về những gì đang xảy ra, nó không phải là của thương hiệu. Do đó, mối tương quan tìm kiếm này rất hiếm khi là mối quan hệ nhân quả. Và điều này là giả định rằng bạn đang sử dụng một công cụ để tìm kiếm và nhào nặn dữ liệu của bạn. Thông thường, SEO sẽ sử dụng một số dữ liệu đầu vào cho mô hình của họ, gia tăng những tin đồn và làm giảm nguy cơ của việc tìm kiếm nguyên nhân.

Làm thế nào để tìm kiếm mối quan hệ nhân quả trong SEO?

Bí quyết để nhận được sự tương quan để làm việc cho một mô hình công cụ tìm kiếm là siết chặt các đầu vào và đầu ra. Các yếu tố đầu vào hoặc các biến thể phải được đặt tại chỗ hoặc ở trên lớp tính điểm trong mô hình công cụ tìm kiếm. Chúng tôi làm điều này như thế nào? Chúng tôi phải chia hộp đen công cụ tìm kiếm thành các thành phần chính của nó. Chúng tôi phải xây dựng mô hình công cụ tìm kiếm từ đầu đến cuối.

Các kết quả thậm chí còn khó khăn hơn để tối ưu: chúng tôi đã thảo luận về lý do tại sao các công cụ tìm kiếm chung có một khối lượng lớn các tin đồn do lớp truy vấn thời gian thực tạo ra hàng triệu biến thể do người dùng. Ở mức tối thiểu, chúng tôi sẽ cần phải thực hiện mô hình kết quả tìm kiếm đầu ra của chúng tôi trước sự thay đổi của hàng triệu các biến thể truy vấn điển hình. Điều này sẽ đảm bảo rằng sẽ có ít nhất một bên là ổn định.

Nếu chúng ta xây dựng mô hình công cụ tìm kiếm từ dưới lên thì chúng ta sẽ có thể hiển thị các kết quả tìm kiếm trực tiếp ra khỏi lớp tính điểm thay vì lớp truy vấn, nó sẽ cho chúng ta một mối quan hệ ổn định và chính xác hơn giữa các yếu tố đầu vào và đầu ra mà chúng tôi đang cố gắng cân nhắc. Bây giờ, với những mối liên hệ được thắt chặt và có ý nghĩa giữa đầu vào và đầu ra, sự tương quan có nghĩa là mối quan hệ nhân quả. Khi chúng tôi đẩy mạnh tầm quan trọng của một đầu vào, nó sẽ mang lại cho chúng tôi kết nối trực tiếp đến kết quả mà chúng tôi thấy. Sau đó, chúng tôi có thể tiến hành những phân tích SEO điển hình để xác định việc tối ưu hóa sẽ có lợi như thế nào trong mô hình công cụ tìm kiếm đã được mô tả.

Tóm lại

Tôi là một fan hâm mộ của lĩnh vưc trí tuệ nhân tạo và tôi rất vui khi có một cái gì đó đơn giản trong tự nhiên có thể dẫn đến những khám phá khoa học và đột phá về công nghệ. Có một mô hình công cụ tìm kiếm cho phép chúng ta nhìn thấy sự minh bạch giữa các kết nối đầu vào với kết quả tìm kiếm, nó sẽ cung cấp cho chúng ta khả năng để kết nối với mối tương quan nhân quả.

Lưu ý: Đây là một bài viết nghiên cứu khó về Seo, đòi hỏi người đọc có kiến thức khá rộng về lĩnh vực trí tuệ nhân tạo và Search Engine... Không dành cho các bạn Seo mới bắt đầu.

Ghi nguồn www.thegioiđặt cược bet365_trang web chính thức của bet365_bet365 không thể mở.com khi đăng tải lại bài viết này.
Link: Sử dụng trí tuệ nhân tạo để giải quyết các vấn đề SEO.​

Cảm ơn bài viết hay và công phu, để em ngâm cứu món này thêm đã nhé, xưa học có môn này mà thấy khoai quá

em là đặt cược bet365_trang web chính thức của bet365_bet365 không thể mở mới vào nghề, đọc chả hiểu gì. em nhìn qua cứ tưởng mấy công thức toán học

em vẫn chưa hiểu. Có bác nào hiểu siêu nhân Seo nói gì ko

E đọc hết bài viết mà rất là mơ hồ, chưa hiểu vấn đề là gì nữa

Thuật toán thì ai cũng biết rồi, cách tính trọng số mới là điều đáng quan tâm, còn về cái hệ thống tìm kiếm này mình không có chuyên môn, đọc cũng không hiểu!

Giờ có biệt danh siêu nhân đặt cược bet365_trang web chính thức của bet365_bet365 không thể mở nữa ak , 2 ae mình bắt tay được

Đúng là bài này thật là công phu, mình đọc mà vẫn chưa hiểu hết ý nghĩa của nó. Cái này đúng là gọi trí tuệ luôn.

Khó như vậy thì mới cần ACE ai có chuyên môn nghiên cứu thêm, chứ dễ thì các bác lại thuộc lý thuyết quá rồi bài toán quá khó

Vậy làm thế nào chúng ta có thể thực hiện nhiệm vụ này để tự hiệu chỉnh một mô hình công cụ tìm kiếm

trí tuệ nhân tạo à bác. em chưa nghe nói đến bao giờ

Không biết ai là tác giả của bài viết này, có lẽ người này trí tuệ cũng cao siêu lắm. Chứ mình đọc được nửa bài là không muốn đọc nữa rồi. Môn này thì mình may mắn ko học, còn môn khoa học máy tính thì nó làm cho em đóng ko biết bao nhiêu là tiền học lại

môn trí tuệ nhân tạo mình cũng học rồi nhưng thấy áp dụng vào đặt cược bet365_trang web chính thức của bet365_bet365 không thể mở rắc rối quá

Bài này công nhận khó, xưa em có học qua môn này mà sơ sài quá, chắc phải ngâm cứu thêm về nó mới hiểu được mất

mình mới học đặt cược bet365_trang web chính thức của bet365_bet365 không thể mở nên nhìn cái này cũng không hiểu cho lắm con mô hồ không biết được gì có gì các bạn chỉ bảo nhé

bài viết ảo diệu quả, em chả hiểu gì )

em đọc hết rồi mà vẫn chưa hiểu lắm về trí tuệ nhân tạo lắm bác mod ơi

sử dụng trí tuệ nhân tạo liệu có hiệu quả không vậy bác

nói vậy thôi chứ bản thân vãn là yếu tố quan trọng nhất quyết định sự thành công

hay quá jờ có trí tuệ nhân tạo nên anh em cũng bớt vất vả hơn