Varlık SEO'su: Kesin kılavuz

Bu makale Andrew Ansley tarafından yazılmıştır .

Dizeler değil, şeyler. Bunu daha önce duymadıysanız, Bilgi Grafiği'ni duyuran ünlü bir Google blog gönderisinden geliyor.

Duyurunun 11. yıl dönümüne sadece bir ay kaldı, ancak birçok kişi hala SEO için "dizelerin değil, şeylerin" gerçekten ne anlama geldiğini anlamakta zorlanıyor.

Alıntı, Google'ın bazı şeyleri anladığını ve artık basit bir anahtar kelime algılama algoritması olmadığını aktarma girişimidir.

Mayıs 2012'de, varlık SEO'nun doğduğu iddia edilebilir. Yarı yapılandırılmış ve yapılandırılmış bilgi tabanlarının desteklediği Google'ın makine öğrenimi, bir anahtar kelimenin arkasındaki anlamı anlayabilir.

Dilin muğlak doğası nihayet uzun vadeli bir çözüm buldu.

Öyleyse, varlıklar Google için on yılı aşkın bir süredir önemliyse, neden SEO'ların varlıklar konusunda kafası hala karışık?

İyi soru. Dört neden görüyorum:

• Bir terim olarak Varlık SEO'su, SEO'ların tanımıyla rahat olmaları ve bu nedenle kelime dağarcığına dahil etmeleri için yeterince yaygın olarak kullanılmamıştır.
• Varlıklar için optimizasyon, eski anahtar kelime odaklı optimizasyon yöntemleriyle büyük ölçüde örtüşüyor. Sonuç olarak, varlıklar anahtar kelimelerle birleştirilir. Bunun da ötesinde, varlıkların SEO'da nasıl bir rol oynadığı net değildi ve Google konu hakkında konuşurken "varlıklar" kelimesi bazen "konular" ile değiştirilebilir.
• Varlıkları anlamak sıkıcı bir iştir. Varlıklar hakkında derinlemesine bilgi edinmek istiyorsanız, bazı Google patentlerini okumanız ve makine öğreniminin temellerini bilmeniz gerekir. Entity SEO, SEO'ya çok daha bilimsel bir yaklaşımdır ve bilim herkese göre değildir.
• YouTube, bilgi dağıtımını büyük ölçüde etkilese de, birçok konu için öğrenme deneyimini düzleştirdi. Platformda en başarılı içerik oluşturucular, kitlelerini eğitirken tarihsel olarak kolay yolu seçmişlerdir. Sonuç olarak, içerik oluşturucular yakın zamana kadar varlıklar üzerinde fazla zaman harcamadılar. Bu nedenle, NLP araştırmacılarından varlıklar hakkında bilgi edinmeniz ve ardından bilgiyi SEO'ya uygulamanız gerekir. Patentler ve araştırma belgeleri çok önemlidir. Bir kez daha, bu yukarıdaki ilk noktayı pekiştiriyor.

Bu makale, SEO'ların varlık tabanlı bir SEO yaklaşımında tam olarak ustalaşmasını engelleyen dört sorunun tümüne bir çözümdür.

Bunu okuyarak şunları öğreneceksiniz:

• Varlık nedir ve neden önemlidir?
• Anlamsal aramanın tarihi.
• SERP'deki varlıklar nasıl belirlenir ve kullanılır?
• Web içeriğini sıralamak için varlıklar nasıl kullanılır?

Varlıklar neden önemlidir?

Entity SEO, hangi içeriğin sıralanacağını seçme ve anlamını belirleme konusunda arama motorlarının yöneldiği geleceğin geleceğidir.

Bunu bilgiye dayalı güven ile birleştirin ve SEO varlığının önümüzdeki iki yıl içinde SEO'nun nasıl yapıldığının geleceği olacağına inanıyorum.

varlık örnekleri

Peki bir varlığı nasıl tanırsınız?

SERP, muhtemelen görmüş olduğunuz birkaç varlık örneğine sahiptir.

En yaygın varlık türleri, konumlar, kişiler veya işletmelerle ilgilidir.

Belki de SERP'deki varlıkların en iyi örneği, niyet kümeleridir. Bir konu ne kadar çok anlaşılırsa, bu arama özellikleri o kadar çok ortaya çıkar.

İlginç bir şekilde, varlık odaklı SEO kampanyalarını nasıl yürüteceğinizi bildiğiniz zaman, tek bir SEO kampanyası SERP'in çehresini değiştirebilir.

Vikipedi girişleri, varlıkların başka bir örneğidir. Wikipedia, varlıklarla ilgili bilgilere harika bir örnek sunar.

Sol üstte görebileceğiniz gibi, varlık, anatomisinden insanlar için önemine kadar "balık" ile ilişkilendirilen her türlü niteliğe sahiptir.

Vikipedi bir konuda çok sayıda veri noktası içerse de, hiçbir şekilde ayrıntılı değildir.

Varlık nedir?

Bir varlık, benzersiz bir şekilde tanımlanabilir bir nesne veya ad(lar), tür(ler), nitelikler ve diğer varlıklarla olan ilişkilerle karakterize edilen bir şeydir. Bir varlık, yalnızca bir varlık kataloğunda mevcut olduğunda mevcut olarak kabul edilir.

Varlık katalogları, her varlığa benzersiz bir kimlik atar. Ajansım, her varlıkla ilişkili benzersiz kimliği kullanan programatik çözümlere sahiptir (hizmetler, ürünler ve markaların tümü dahil edilmiştir).

Bir sözcük veya tümceciğin mevcut bir katalogda olmaması, o sözcük veya tümceciğin bir varlık olmadığı anlamına gelmez, ancak genellikle bir şeyin bir varlık olup olmadığını katalogdaki varlığından anlayabilirsiniz.

Wikipedia'nın bir şeyin varlık olup olmadığı konusunda belirleyici faktör olmadığını, ancak şirketin en çok varlık veritabanıyla tanındığını not etmek önemlidir.

Varlıklardan bahsederken herhangi bir katalog kullanılabilir. Tipik olarak bir varlık, bir kişi, yer veya şeydir, ancak fikirler ve kavramlar da dahil edilebilir.

Varlık kataloglarının bazı örnekleri şunları içerir:

• Vikipedi
• Vikiveri
• DBpedia
• serbest taban
• yago

Varlıklar, yapılandırılmamış ve yapılandırılmış veri dünyaları arasındaki boşluğu doldurmaya yardımcı olur.

Yapılandırılmış bilgi tabanlarını doldurmak için metinsel kaynaklar kullanılabilirken, yapılandırılmamış metni anlamsal olarak zenginleştirmek için kullanılabilirler.

Metindeki varlıklardan bahsedilmesinin tanınması ve bu bahsin bir bilgi tabanındaki karşılık gelen girişlerle ilişkilendirilmesi, varlık bağlama görevi olarak bilinir.

Varlıklar, hem insanlar hem de makineler için metnin anlamının daha iyi anlaşılmasını sağlar.

İnsanlar, varlıkların belirsizliğini, bahsedildikleri bağlama dayalı olarak nispeten kolayca çözebilse de, bu, makineler için birçok zorluk ve meydan okuma sunar.

Bir varlığın bilgi tabanı girişi, o varlık hakkında bildiklerimizi özetler.

Dünya sürekli değişirken, yeni gerçekler de su yüzüne çıkıyor. Bu değişikliklere ayak uydurmak, editörlerin ve içerik yöneticilerinin sürekli çaba göstermesini gerektirir. Bu, ölçekte zorlu bir görevdir.

Kuruluşlardan bahseden belgelerin içeriklerinin analiz edilmesiyle, yeni gerçeklerin veya güncellenmesi gereken gerçeklerin bulunması süreci desteklenebilir ve hatta tamamen otomatikleştirilebilir.

Bilim adamları buna bilgi tabanı popülasyonu sorunu olarak atıfta bulunur, bu nedenle varlık bağlama önemlidir.

Varlıklar, anahtar kelime sorgusu ve belge içeriği tarafından ifade edildiği şekliyle kullanıcının bilgi ihtiyacının anlamsal olarak anlaşılmasını kolaylaştırır. Varlıklar böylece sorgu ve/veya belge sunumlarını iyileştirmek için kullanılabilir.

Genişletilmiş Adlandırılmış Varlık araştırma makalesinde yazar, yaklaşık 160 varlık türü tanımlar. İşte listeden yedi ekran görüntüsünden ikisi.

Belirli varlık kategorileri daha kolay tanımlanır, ancak kavramların ve fikirlerin varlıklar olduğunu hatırlamak önemlidir. Bu iki kategorinin Google'ın kendi başına ölçeklenmesi çok zordur.

Belirsiz kavramlarla çalışırken tek bir sayfayla Google'a öğretemezsiniz. Varlık anlayışı, zaman içinde sürdürülen birçok makale ve birçok referans gerektirir.

Google'ın varlıklarla geçmişi

16 Temmuz 2010'da Google, Freebase'i satın aldı. Bu satın alma, mevcut varlık arama sistemine yol açan ilk büyük adımdı.

Freebase'e yatırım yaptıktan sonra Google, Vikiveri'nin daha iyi bir çözümü olduğunu fark etti. Google daha sonra, beklenenden çok daha zor bir görev olan Freebase'i Vikiveri ile birleştirmek için çalıştı.

Beş Google bilim insanı, "Freebase'den Vikiveri'ye: Büyük Göç" başlıklı bir makale yazdı. Anahtar paketler şunları içerir.

“Freebase, nesneler, gerçekler, türler ve özellikler kavramları üzerine kuruludur. Her Freebase nesnesinin "orta" (Makine Kimliği için) adı verilen kararlı bir tanımlayıcısı vardır.

"Wikidata'nın veri modeli, öğe ve ifade kavramlarına dayanır. Bir öğe bir varlığı temsil eder, "qid" adı verilen kararlı bir tanımlayıcıya sahiptir ve birden çok dilde etiketleri, açıklamaları ve takma adları olabilir; diğer Wikimedia projelerindeki varlık hakkında daha fazla açıklama ve sayfalara bağlantılar - en belirgin şekilde Wikipedia. Freebase'in aksine, Vikiveri açıklamaları doğru gerçekleri kodlamayı değil, farklı kaynaklardan gelen ve birbiriyle çelişebilecek iddiaları kodlamayı amaçlar…”

Varlıklar bu bilgi tabanlarında tanımlanır, ancak Google'ın yine de yapılandırılmamış veriler (ör. bloglar) için varlık bilgisini oluşturması gerekiyordu.

Google, Bing ve Yahoo ile ortaklık kurdu ve bu görevi gerçekleştirmek için Schema.org'u oluşturdu.

Google, web sitesi yöneticilerinin Google'ın içeriği anlamasına yardımcı olacak araçlara sahip olabilmesi için şema yönergeleri sağlar. Unutmayın, Google dizelere değil şeylere odaklanmak ister.

Google'ın sözleriyle:

“Sayfaya yapılandırılmış veriler ekleyerek Google'a bir sayfanın anlamı hakkında açık ipuçları vererek bize yardımcı olabilirsiniz. Yapılandırılmış veriler, bir sayfa hakkında bilgi sağlamak ve sayfa içeriğini sınıflandırmak için standartlaştırılmış bir biçimdir; örneğin bir tarif sayfasında malzemeler nelerdir, pişirme süresi ve sıcaklığı, kaloriler vb.

Google şöyle devam ediyor:

"Bir nesnenin gelişmiş görüntüleme ile Google Arama'da görünmeye uygun olması için gereken tüm özellikleri eklemelisiniz. Genel olarak, daha fazla önerilen özellik tanımlamak, bilgilerinizin gelişmiş görüntüleme ile Arama sonuçlarında görüntülenme olasılığını artırabilir. Bununla birlikte, tavsiye edilen her olası mülkü daha az eksiksiz, kötü biçimlendirilmiş veya yanlış verilerle sağlamaya çalışmak yerine, daha az sayıda ancak eksiksiz ve doğru önerilen mülk sağlamak daha önemlidir.”

Şema hakkında daha çok şey söylenebilir, ancak şemanın, sayfa içeriğini arama motorları için anlaşılır hale getirmek isteyen SEO'lar için inanılmaz bir araç olduğunu söylemekle yetinelim.

Bulmacanın son parçası, Google'ın "Gelecek 20 Yıl İçin Aramayı İyileştirme" başlıklı blog duyurusundan geliyor.

Belge alaka düzeyi ve kalitesi, bu duyurunun arkasındaki ana fikirlerdir. Google'ın bir sayfanın içeriğini belirlemek için kullandığı ilk yöntem tamamen anahtar kelimelere odaklanmıştı.

Google daha sonra aramak için konu katmanları ekledi. Bu katman, bilgi grafikleri ve verileri web üzerinden sistematik olarak kazıyarak ve yapılandırarak mümkün olmuştur.

Bu bizi mevcut arama sistemine getiriyor. Google, 10 yıldan kısa bir süre içinde 570 milyon varlık ve 18 milyar gerçekten 800 milyar gerçek ve 8 milyar varlığa ulaştı. Bu sayı büyüdükçe, varlık araması gelişir.

Varlık modeli, önceki arama modellerinden nasıl bir gelişmedir?

Geleneksel anahtar kelime tabanlı bilgi alma (IR) modellerinin, sorguyla açık terim eşleşmesi olmayan (ilgili) belgeleri alamama gibi doğal bir sınırlaması vardır.

Bir sayfada metin bulmak için ctrl + f kullanırsanız, geleneksel anahtar kelime tabanlı bilgi alma modeline benzer bir şey kullanırsınız.

Web'de her gün inanılmaz miktarda veri yayınlanıyor.

Google'ın her kelimenin, her paragrafın, her makalenin ve her web sitesinin anlamını anlaması mümkün değildir.

Bunun yerine varlıklar, Google'ın bilgi işlem yükünü en aza indirirken anlayışı iyileştirebileceği bir yapı sağlar.

"Kavrama dayalı erişim yöntemleri, sorguların ve belgelerin daha üst düzey bir kavram alanında semantik temsillerini elde etmek için yardımcı yapılara güvenerek bu zorluğun üstesinden gelmeye çalışır. Bu tür yapılar arasında, kontrollü sözlükler (sözlükler ve eş anlamlılar), ontolojiler ve bir bilgi havuzundaki varlıklar yer alır.”

– Varlık Yönelimli Arama , Bölüm 8.3

Varlıklar üzerine kesin kitabı yazan Krisztian Balog, geleneksel bilgi erişim modeline üç olası çözüm saptar.

• Genişletme tabanlı : Sorguyu farklı terimlerle genişletmek için varlıkları kaynak olarak kullanır.
• Projeksiyon tabanlı : Bir sorgu ile bir belge arasındaki alaka, bunların gizli bir varlıklar alanına yansıtılmasıyla anlaşılır.
• Varlık tabanlı : Terime dayalı temsilleri artırmak için varlık alanında sorguların ve belgelerin açık semantik temsilleri elde edilir.

Bu üç yaklaşımın amacı, sorguyla yakından ilişkili varlıkları belirleyerek ihtiyaç duyulan kullanıcı bilgilerinin daha zengin bir temsilini elde etmektir.

Balog daha sonra varlık eşlemenin izdüşüm tabanlı yöntemleriyle ilişkili altı algoritma tanımlar (izdüşüm yöntemleri, varlıkları üç boyutlu uzaya dönüştürmek ve geometri kullanarak vektörleri ölçmekle ilgilidir).

• Açık semantik analiz (ESA) : Belirli bir kelimenin semantiği, kelimenin Wikipedia'dan türetilmiş kavramlarla ilişkilendirme güçlerini depolayan bir vektör tarafından tanımlanır.
• Gizli varlık alanı modeli (LES) : Üretken bir olasılıksal çerçeveye dayalıdır. Belgenin alma puanı, gizli varlık alanı puanı ile orijinal sorgu olasılık puanının doğrusal bir bileşimi olarak alınır.
• EsdRank: EsdRank, sorgu-varlık ve varlık-belge özelliklerinin bir kombinasyonunu kullanarak belgeleri sıralamak içindir. Bunlar, daha önce sırasıyla LES'in sorgu yansıtma ve belge yansıtma bileşenleri kavramlarına karşılık gelir. Ayrımcı bir öğrenme çerçevesi kullanılarak, varlık popülerliği veya belge kalitesi gibi ek sinyaller de kolayca dahil edilebilir.
• Açık semantik sıralama (ESR): Açık semantik sıralama modeli, varlık alanında "yumuşak eşleştirmeyi" etkinleştirmek için bir bilgi grafiğinden ilişki bilgilerini içerir.
• Kelime-varlık düet çerçevesi: Bu, terim tabanlı ve varlık tabanlı temsiller arasındaki boşluklar arası etkileşimleri içerir ve dört tür eşleşmeye yol açar: sorgu terimlerinden belge terimlerine, sorgu varlıklarından belge terimlerine, sorgu terimlerinden belge varlıklarına ve sorgu varlıklarına varlıkları belgelemek için.
• Dikkate dayalı sıralama modeli : Bu açık ara en karmaşık olanı.

İşte Balog'un yazdıkları:

“Her bir sorgu varlığı için çıkarılan toplam dört dikkat özelliği tasarlanmıştır. Varlık belirsizliği özellikleri, bir varlık ek açıklamasıyla ilişkili riski karakterize etmeyi amaçlar. Bunlar: (1) yüzey formunun farklı varlıklara bağlı olma olasılığının entropisi (örneğin Wikipedia'da), (2) açıklamalı varlığın yüzey formunun en popüler anlamı olup olmadığı (yani, en yüksek yaygınlığa sahip olup olmadığı). puan ve (3) verilen yüzey formu için en olası ve ikinci en olası adaylar arasındaki ortak puanlardaki fark Dördüncü özellik, sorgu varlığı ile gömme uzaydaki sorgu arasındaki kosinüs benzerliği olarak tanımlanan yakınlıktır. • Spesifik olarak, bir ortak varlık-terimi yerleştirme, bir toplulukta atlama-gram modeli kullanılarak eğitilir, burada varlık bahsedilenleri karşılık gelen varlık tanımlayıcılarıyla değiştirilir. Sorgunun yerleştirmesi, sorgu terimlerinin yerleştirmelerinin merkezi olarak alınır."

Şimdilik, bu altı varlık merkezli algoritmaya yüzey düzeyinde aşina olmak önemlidir.

Ana çıkarım, iki yaklaşımın var olduğudur: belgeleri bir gizli varlık katmanına yansıtma ve belgelerin açık varlık ek açıklamaları.

Üç tür veri yapısı

Yukarıdaki görüntü, vektör uzayında var olan karmaşık ilişkileri göstermektedir. Örnek, bilgi grafiği bağlantılarını gösterirken, bu aynı model sayfa sayfa şema düzeyinde çoğaltılabilir.

Varlıkları anlamak için, algoritmaların kullandığı üç tür veri yapısını bilmek önemlidir.

• Yapılandırılmamış varlık açıklamaları kullanılarak , diğer varlıklara yapılan atıflar tanınmalı ve belirsizliği giderilmelidir. Yönlendirilmiş kenarlar (köprüler), her varlıktan, açıklamasında belirtilen diğer tüm varlıklara eklenir.
• Yarı yapılandırılmış bir ortamda (örn. Wikipedia), diğer varlıklara bağlantılar açıkça sağlanabilir.
• Yapılandırılmış verilerle çalışırken, RDF üçlüleri bir grafiği (yani bilgi grafiğini) tanımlar. Spesifik olarak, özne ve nesne kaynakları (URI'ler) düğümlerdir ve yüklemler kenarlardır.

IR puanı için yarı yapılandırılmış ve dikkat dağıtıcı bir bağlamla ilgili sorun, bir belge tek bir konu için yapılandırılmamışsa, IR puanının iki farklı bağlam tarafından seyreltilmesi ve bunun da başka bir metin belgesine göre göreceli bir sıralamanın kaybolmasına neden olabilmesidir.

IR puanı dilüsyonu, kötü yapılandırılmış sözcüksel ilişkileri ve kötü kelime yakınlığını içerir.

IR Puanını artırmak için bağlamı daha net bir şekilde belirtmek için belgenin bir paragrafında veya bölümünde birbirini tamamlayan ilgili kelimeler birbirine yakın kullanılmalıdır.

Varlık niteliklerini ve ilişkilerini kullanmak, %5–20 aralığında göreli iyileştirmeler sağlar. Varlık türü bilgilerden yararlanmak, %25 ile %100 arasında değişen göreceli iyileştirmelerle daha da faydalıdır.

Belgelere varlıklarla açıklama eklemek, yapılandırılmamış belgelere yapı kazandırabilir, bu da bilgi tabanlarını varlıklar hakkında yeni bilgilerle doldurmaya yardımcı olabilir.

Varlık SEO çerçeveniz olarak Wikipedia'yı kullanma

Wikipedia sayfalarının yapısı

• Başlık (İ.)
• Kurşun bölümü (II.)
  • Anlam ayrımı bağlantıları (II.a)
  • Bilgi kutusu (II.b)
  • Giriş metni (II.c)
• İçindekiler tablosu (III.)
• Vücut içeriği (IV.)
• Ekler ve alt madde (V.)
  • Referanslar ve notlar (Va)
  • Dış bağlantılar (Vb)
  • Kategoriler (Vc)

Çoğu Vikipedi makalesi, bir giriş metni, "öncü", makalenin kısa bir özetini içerir - tipik olarak dört paragraftan uzun değildir. Bu, makaleye ilgi uyandıracak şekilde yazılmalıdır.

İlk cümle ve açılış paragrafı özel bir önem taşır. İlk cümle “makalede anlatılan varlığın tanımı olarak düşünülebilir.” İlk paragraf, çok fazla ayrıntı olmadan daha ayrıntılı bir tanım sunar.

Bağlantıların değeri gezinme amaçlarının ötesine geçer; makaleler arasındaki anlamsal ilişkileri yakalarlar. Ek olarak, bağlantı metinleri, varlık adı varyantlarının zengin bir kaynağıdır. Vikipedi bağlantıları, diğerlerinin yanı sıra, metinde varlığa ilişkin sözlerin tanımlanmasına ve belirsizliğinin giderilmesine yardımcı olmak için kullanılabilir.

• Varlık (bilgi kutusu) hakkındaki temel gerçekleri özetleyin.
• Kısa tanıtım.
• Dahili Bağlantılar. Editörlere verilen temel bir kural, bir varlığın veya kavramın yalnızca ilk geçtiği yere bağlantı vermektir.
• Bir varlık için tüm popüler eşanlamlıları ekleyin.
• Kategori sayfası tanımı.
• Navigasyon Şablonu.
• Referanslar.
• Wiki Sayfalarını anlamak için özel Ayrıştırma araçları.
• Çoklu Ortam Türleri.

Varlıklar için nasıl optimize edilir

Varlıkları arama için optimize ederken göz önünde bulundurulması gereken temel noktalar şunlardır:

• Anlamsal olarak ilişkili kelimelerin bir sayfaya dahil edilmesi.
• Bir sayfada kelime ve kelime öbeği sıklığı.
• Bir sayfada kavramların organizasyonu.
• Bir sayfada yapılandırılmamış veriler, yarı yapılandırılmış veriler ve yapılandırılmış veriler dahil.
• Özne-Yüklem-Nesne Çiftleri (SPO).
• Bir kitabın sayfaları gibi işlev gören bir sitedeki web belgeleri.
• Web belgelerinin bir web sitesinde düzenlenmesi.
• Varlıkların bilinen özellikleri olan kavramları bir web belgesine dahil edin.

Önemli not: Varlıklar arasındaki ilişkiler vurgulandığında, bilgi tabanına genellikle bilgi grafiği denir.

Niyet, kullanıcı arama günlükleri ve diğer bağlam parçalarıyla bağlantılı olarak analiz edildiğinden, 1. kişiden gelen aynı arama ifadesi 2. kişiden farklı bir sonuç oluşturabilir. Kişi, tamamen aynı sorguyla farklı bir amaca sahip olabilir.

Sayfanız her iki amacı da kapsıyorsa, sayfanız web sıralaması için daha iyi bir adaydır. Sorgu amacı şablonlarınıza rehberlik etmesi için bilgi tabanlarının yapısını kullanabilirsiniz (önceki bölümde bahsedildiği gibi).

Kişiler Ayrıca Soruyor, Kişiler Arar ve Otomatik Tamamlama, gönderilen sorguyla anlamsal olarak ilişkilidir ve mevcut arama yönünün daha derinine iner veya arama görevinin farklı bir yönüne geçer.

Bunu biliyoruz, peki bunun için nasıl optimize edebiliriz?

Dokümanlarınız mümkün olduğu kadar çok arama amacı varyasyonu içermelidir. Web siteniz, kümeniz için her arama amacı varyasyonunu içermelidir. Kümeleme, üç tür benzerliğe dayanır:

• Sözlüksel benzerlik.
• Anlamsal benzerlik.
• benzerlik tıklayın.

konu kapsamı

Nedir -> Nitelik listesi -> Her özelliğe ayrılmış bölüm -> Her bölüm tamamen o konuya ayrılmış bir makaleye bağlantı veriyor -> Hedef kitle belirlenmeli ve alt bölüm için tanımlar belirlenmeli -> Nelere dikkat edilmeli ? -> Faydaları nelerdir? -> Değiştirici faydaları -> ___ nedir -> Ne işe yarar? -> Nasıl elde edilir -> Nasıl yapılır -> Kimler yapabilir -> Tüm kategorilere geri bağlantı

Google, size Google'ın içeriği nasıl gördüğünü söyleyen bir belirginlik puanı sağlayan ("güç" veya "güven" kelimelerini kullanma şeklimize benzer) bir araç sunar.

Yukarıdaki örnek, 2018'deki varlıklarla ilgili bir Search Engine Land makalesinden alınmıştır.

Örnekten kişi, diğer ve kuruluşları görebilirsiniz. Araç, Google Cloud'un Doğal Dil API'sidir.

Bir varlık hakkında konuşurken her kelime, cümle ve paragraf önemlidir. Düşüncelerinizi nasıl düzenlediğiniz, Google'ın içeriğinize ilişkin anlayışını değiştirebilir.

SEO ile ilgili bir anahtar kelime ekleyebilirsiniz, ancak Google bu anahtar kelimeyi sizin anlamanızı istediğiniz şekilde anlıyor mu?

Araca bir veya iki paragraf yerleştirmeyi ve dikkat çekiciliği nasıl artırdığını veya azalttığını görmek için örneği yeniden düzenlemeyi ve değiştirmeyi deneyin.

"Belirsizliği giderme" adı verilen bu alıştırma, varlıklar için inanılmaz derecede önemlidir. Dil belirsizdir, bu nedenle kelimelerimizi Google için daha az belirsiz hale getirmeliyiz.

Modern anlam ayrımı yaklaşımları üç tür kanıtı dikkate alır:

Varlıkların ve sözlerin öncelikli önemi.

Bahsi geçen metin ile aday varlık arasındaki bağlamsal benzerlik ve belgedeki tüm varlık bağlayıcı kararlar arasındaki tutarlılık.

Şema, içeriği netleştirmenin en sevdiğim yollarından biridir. Blogunuzdaki varlıkları bilgi havuzlarına bağlıyorsunuz. Balog diyor ki:

"[L]yapılandırılmamış metindeki varlıkları yapılandırılmış bir bilgi havuzuna bağlamak, kullanıcıları bilgi tüketim faaliyetlerinde büyük ölçüde güçlendirebilir."

Örneğin, bir belgenin okuyucuları, tek bir tıklamayla bağlamsal veya arka plan bilgilerini alabilir ve ilgili varlıklara kolayca erişebilirler.

Varlık ek açıklamaları, alma performansını iyileştirmek veya arama sonuçlarıyla daha iyi kullanıcı etkileşimini kolaylaştırmak için aşağı akış işlemede de kullanılabilir.

Burada SSS içeriğinin Google için SSS şeması kullanılarak yapılandırıldığını görebilirsiniz.

Bu örnekte, metnin açıklamasını, kimliğini ve sayfanın ana varlığının bildirimini sağlayan şemayı görebilirsiniz.

(Unutmayın, Google içerik hiyerarşisini anlamak ister, bu nedenle H1–H6 önemlidir.)

Alternatif adlar ve aynı bildirimleri göreceksiniz. Artık Google içeriği okuduğunda, hangi yapılandırılmış veritabanının metinle ilişkilendirileceğini bilecek ve varlığa bağlı bir kelimenin eşanlamlılarına ve alternatif sürümlerine sahip olacak.

Şema ile iyileştirme yaptığınızda, varlık tanımlama, varlık ayıklama ve varlık parçalama olarak da bilinen NER (adlandırılmış varlık tanıma) için iyileştirme yaparsınız.

Buradaki fikir, Adlandırılmış Varlık Belirsizliği Giderme > Vikileştirme > Varlık Bağlama ile meşgul olmaktır.

"Wikipedia'nın ortaya çıkışı, diğer paha biçilmez kaynakların (özellikle köprüler, kategoriler ve yeniden yönlendirme ve anlam ayrımı sayfaları) yanı sıra kapsamlı bir varlık kataloğu sağlayarak büyük ölçekli varlık tanıma ve belirsizliği gidermeyi kolaylaştırdı."

– Varlık Odaklı Arama

Nasıl SEO aracı önerilerinin ötesine geçin

Çoğu SEO, içeriklerini optimize etmek için bazı sayfa içi araçlar kullanır. Her aracın, benzersiz içerik fırsatlarını ve içerik derinliği önerilerini belirleme yeteneği sınırlıdır.

Çoğunlukla, sayfa içi araçlar yalnızca en iyi SERP sonuçlarını topluyor ve taklit etmeniz için bir ortalama oluşturuyor.

SEO'lar, Google'ın aynı yeniden düzenlenmiş bilgileri aramadığını hatırlamalıdır. Başkalarının yaptıklarını kopyalayabilirsiniz, ancak benzersiz bilgiler bir kaynak site/yetkili site olmanın anahtarıdır.

Google'ın yeni içeriği nasıl ele aldığının basitleştirilmiş bir açıklaması aşağıda verilmiştir:

Belirli bir varlıktan bahseden bir belge bulunduğunda, bu belge, o varlığın bilgi bankası girişinin güncellenebileceği yeni olguları muhtemelen keşfetmek için kontrol edilebilir.

Balog'un yazısı şöyle:

"Belirli bir ilgi konusu varlık kümesinin (yani, belirli bir düzenleyicinin sahip olduğu varlıklar) KB girişlerinde değişiklik yapılmasını ima edebilecek içeriği (haber makaleleri, blog gönderileri vb.) otomatik olarak tanımlayarak editörlerin değişikliklerden haberdar olmalarına yardımcı olmak istiyoruz. dan sorumlu)."

Bilgi tabanlarını, varlık tanımayı ve bilgilerin taranabilirliğini geliştiren herkes Google'ın sevgisini kazanacaktır.

Bilgi deposunda yapılan değişiklikler orijinal kaynak olarak belgeye kadar izlenebilir.

Konuyu kapsayan içerik sağlarsanız ve nadir veya yeni bir derinlik düzeyi eklerseniz Google, belgenizin bu benzersiz bilgiyi içerip içermediğini belirleyebilir.

Sonunda, bir süre boyunca sürdürülen bu yeni bilgiler, web sitenizin bir otorite haline gelmesine yol açabilir.

Bu, etki alanı derecelendirmesine dayalı bir otoriterlik değil, çok daha değerli olduğuna inandığım güncel kapsamdır.

SEO'ya yönelik varlık yaklaşımıyla, arama hacmine sahip anahtar kelimeleri hedeflemekle sınırlı kalmazsınız.

Yapmanız gereken tek şey ana terimi doğrulamak ("örneğin oltaları uçurmak") ve ardından iyi moda insan düşüncesine dayalı arama amacı varyasyonlarını hedeflemeye odaklanabilirsiniz.

Wikipedia ile başlıyoruz. Sinek balıkçılığı örneğinde, bir balıkçılık web sitesinde en azından aşağıdaki kavramların ele alınması gerektiğini görebiliriz:

• Balık türleri, tarihçesi, kökenleri, gelişimi, teknolojik gelişmeler, genişleme, sinek avcılığı yöntemleri, döküm, spey döküm, alabalık için sinek avcılığı, sinek avcılığı teknikleri, soğuk suda balık avı, kuru sinek alabalık avcılığı, alabalık için su perisi, durgun su alabalık avlama, alabalık oynama, alabalık salma, tuzlu suda sinek avcılığı, olta takımı, yapay sinekler ve düğümler.

Yukarıdaki konular sinek balıkçılığı Wikipedia sayfasından alınmıştır. Bu sayfa konulara harika bir genel bakış sunarken, anlamsal olarak ilgili konulardan gelen ek konu fikirleri eklemeyi seviyorum.

"Balık" konusuna etimoloji, evrim, anatomi ve fizyoloji, balık iletişimi, balık hastalıkları, koruma ve insanlar için önemi gibi birkaç ek konu ekleyebiliriz.

Alabalık anatomisi ile belirli balıkçılık tekniklerinin etkinliği arasında bağlantı kuran var mı?

Tek bir balıkçılık web sitesi tüm balık çeşitlerini kapsıyor ve her balığa ait balıkçılık teknikleri, oltalar ve yem türleri arasında bağlantı kuruyor mu?

Şimdiye kadar, konu genişletmenin nasıl büyüyebileceğini görebilmelisiniz. Bir içerik kampanyası planlarken bunu aklınızda bulundurun.

Sadece tekrarlama. Değer katmak. Benzersiz olmak. Bu makalede bahsedilen algoritmaları rehberiniz olarak kullanın.

Çözüm

Bu makale, varlıklara odaklanan bir dizi makalenin parçasıdır. Bir sonraki makalede, varlıklar etrafındaki optimizasyon çabalarını ve piyasadaki bazı varlık odaklı araçları daha derinlemesine inceleyeceğim.

Bu kavramların çoğunu bana açıklayan iki kişiye seslenerek bu makaleyi bitirmek istiyorum.

SEO by the Sea'den Bill Slawski ve Bütünsel SEO'dan Koray Tugbert. Slawski artık bizimle olmasa da katkıları SEO endüstrisinde dalgalanma etkisi yaratmaya devam ediyor.

Makale içeriği için ağırlıklı olarak aşağıdaki kaynaklara güveniyorum, çünkü bu kaynaklar konuyla ilgili mevcut en iyi kaynaklardır:

• Genişletilmiş Adlandırılmış Varlık Hiyerarşisi, Satoshi Ketine, Kiyoshi Sudo ve Chikashi Nobata
• Varlık Odaklı Arama, Krisztian Balog , Bilgi Erişim Serisi (INRE, cilt 39)
• Varlık Tespiti ile Sorgu Yeniden Yazma , Google Patenti
• Arama Sorgularını Hassaslaştırma , Google Patenti
• Bir Varlığı Bir Arama Sorgusuyla İlişkilendirme , Google Patenti