搜索引擎没有太多逻辑，这是事实。 但是他们正在尝试。 SEO专家正在努力做出回应-他们正在根据猜测和实验来努力实现页面的最大相关性。
Google最近对新的排名因素感到满意-神经匹配。 我们读到专家对此进行了撰写，并收集了一些技巧，这些技巧将帮助您编写更相关的请求文本。
顺便说一句，NM对您而言不是LSI，它要复杂一些。
2018年9月，丹尼·沙利文（Danny Sullivan） 发推文称，在过去几个月中，谷歌一直在使用AI神经匹配方法更好地将单词与概念相关联。 该算法影响了全球30％的请求结果。
我们不着急编写新算法，我们正在等待Google的澄清和该领域的研究。 但是事情仍然存在-大多数评论员显示相同的屏幕截图，并谈论从单词搜索到意图搜索的过渡。 他们还引用了深度关联匹配模型（DRMM） 。
让我们尝试找出这种“神经匹配”是哪种动物，以及如何调整网站上的内容。
神经匹配的例子
Danny Sullivan概述了神经匹配是什么。 他举例说明了发出“为什么我的电视看起来很奇怪”的查询。 当用户还不知道肥皂剧效果是什么时，用户输入这样的查询。 但是，由于采用了新算法，Google才知道您需要什么：
用俄语讲类似的故事：
另一个例子。 您在公寓里遇到了“美丽”昆虫，却不知道它的名字是：
我们转到Google，输入一组功能，然后在第一个位置获得相关答案：
神经匹配的实现是由于以下事实：用户并不总是知道他们在寻找什么，也不总是正确地提出请求。 丹尼·沙利文（Danny Sullivan）提出了几个这样的“错误”查询：
神经匹配的任务是确定真正的搜索意图 （意图）并产生正确的结果。
为了确定意图，不使用单独的词，而是使用它们之间的本质和关系。 看看它是如何工作的-在查询示例中“喝醉了做什么”和“晚上喝醉了”。
每个请求都包含相同的实体-“醉酒”。 但是，将其与“过夜”的本质结合起来，就向搜索引擎发出信号，表明用户意味着暴饮暴食。 “做什么”的本质很可能与陶醉有关。
Google如何定义意图-语义是否相似？ 搜索引擎比较在页面上并排找到请求中组合的实体的频率。 此外，还会考虑有关请求的统计信息（用户在输入请求时“晚上喝醉”时，通常会点击有关暴饮暴食的文章）。
另一个例子。 用户输入短语“放置窗口”。 这只是Danny Sullivan所说的“错误”请求。 Google理解，“装上”一个人意味着除了简单地安装Windows以外，还有其他东西，并在TOP中显示从他的角度来看正确的结果：
在这种情况下，仅TOP-6中的一页包含单词“ deliver”（按“窗口提供程序”的含义，而不是“自己安装Windows”）。 在TOP-6的其余页面上，没有单词“ put”，甚至没有词根。 尽管下面已经混合了“如何自己安装Windows”之类的结果。
这导致了一个看似自相矛盾的结论：为了在许多单词中占据较高的位置，没有必要使语义类似于搜索查询的文本饱和。 内容的相关性由一组很可能满足搜索意图的实体（标记短语）评估。
这改变了编写SEO文本的方法：以前的键是参考点，现在观众需要。
文档相关性排名和神经匹配-这将如何影响SEO？
罗杰·蒙蒂（Roger Montti）在《搜索引擎期刊》的一篇文章中建议，神经匹配算法可以基于文档相关性排名（DRR）方法工作。 在Google AI上发表的文章“ 使用增强的文档查询交互功能进行深度关联排名 ”中对这种方法进行了描述。
DRR方法的本质是，在确定文档的相关性时，仅使用其文本。 其他因素-链接，锚点，提及，页面SEO-无关紧要。
什么，根本不再需要链接？ 不是那样的 根据所描述的DRR方法的排名是通用排名算法的一部分。 在第一阶段，考虑所有排名因素（链接，密钥，“流动性”，地理位置等）形成发行。 因此，搜索引擎消除了基本内容并识别了信誉良好的网站。 在第二阶段，DRR进入工作-在最佳结果中，他选择最相关的（但仅考虑文本）。
实际上，它可能看起来像这样。 有两个站点：非常有名的站点和年轻站点。 这个年轻的网站包含超级内容，在利基市场中没有类似内容，充满了细节和细节。 但是，由于有更多指向权威站点的链接，因此其页面占据第一位置，而年轻站点的页面则占据第十位。 DRR在这里开始运作-搜索引擎扫描文本并意识到年轻站点的内容比权威站点的内容更有意义。 结果是年轻站点移至更高位置。
在神经匹配下如何做内容
神经匹配是否基于DRR工作并不重要。 重要的是搜索意图在此“驱动”。 不用长的“鞋类”，不要关键字的密度，不要同义词。
在创建内容之前，请确定：
- 他是谁的人（最好进行研究，为用户做肖像并为他们写信）；
- 为什么需要它（完成什么任务）；
- 竞争者所没有的是什么（它带来了什么价值）。
为了提高文本的相关性，除了基本查询外，还使用紧密相关的实体。 如果文本是由专家撰写的，则此类实体很可能在文本中。 向文案撰稿人提供传统知识是另一回事-在这种情况下，有必要确定实体并在任务中指出它们。
让我们考虑使用在线商店“汽油发生器”类别示例收集实体的方法。
1.搜索问题/答案
您可以使用论坛，博客文章评论和社交网络讨论来确定用户需求。 一切正常。 但是，访问Answers@Mail.ru （或西方国家的Quora ），输入搜索查询，浏览问题并突出显示与主键关联的实体会更容易。
应“汽油发电机”的要求，mail.ru发出1624个问题。 我们遍历该列表，然后选择代表目标受众需求的实体。
选择实体后，我们认为什么内容适合它们。 例如，在特定商品的说明中应指出每1小时的汽油消耗量和使用发电机的方法（用于焊接，用于锅炉，用于照明等）。 在“汽油发电机”的描述中，您可以简要描述汽油发电机与天然气，逆变器等的区别。博客文章中描述了发电机运行的问题。
在质量检查服务中处理问题很费力，但是它使您可以突出显示受众的实际需求，而这可能是您没有想到的。
您可以尝试使用Answer The Public service简化工作。 他收集与给定短语一起出现在网络上的问题，比较和各种表述。
唯一的缺点是英语服务。 所需短语的翻译部分解决了该问题。 但是在商业领域，值得记住的是市场的特殊性（印度人担心的可能对俄罗斯人毫无用处）。
2.解析关联短语
在搜索结果下，显示“一起...经常搜索”框-搜索引擎本身与原始短语（“汽油生成器”）相关联的短语。
关联词组分析使您可以识别相关实体：5 kW，3 kW，10 kW，逆变器，1 kW。
还需要考虑如何将它们包括在内容中。 例如，在“汽油驱动的发电机”列的说明中，有必要说明不同功率（1、3、5、10 kW）和类型（逆变器，常规发电机等）的发电机适合什么目的。
如果您有很多初始请求，请长时间手动收集关联-使用解析器 。
3.解析搜索提示
提示是匹配相关实体的另一个来源。
我们补充从协会收集的实体列表：自动运行，柴油，380伏，静音。 这些是很好地描述用户问题的词。
还有一个用于收集提示的解析器 。
原则上，所讨论的方法足以了解受众的需求。 但是，如果您想更深入地了解语义，可以使用以下两种方法。
4.准同义词的选择
准同义词（语义关联）是含义相近但在不同上下文中不能互换的单词。 例如，“ generator”和“ auto generator”一词在汽车零配件上是同义词，但在发电机类型的文本中却不是。
准同义词是根据其在文本中出现的频率来确定的。 为解决此问题，提供了RusVectōrēs服务（“相似词”部分）。 输入感兴趣的单词，标记所有可用的模型和词性，然后开始搜索。
结果，您将获得每种搜索模型的10个最重要的关联。 在传统知识的形成中盲目使用它们是不值得的-这里会有很多“垃圾”（基于搜索引擎数据的关联解析仍然是可取的）。 不过，您可以识别出有趣的单词。 例如，我们看到单词“气体发生器”，“逆变器”，“气体发生器”，“接触器”等与单词“发电机”相关联。
5.解析竞争对手的文本
为了确定观众的需求，这种方法不是最好的。 首先，尚不清楚何时在竞争对手的网站上创建内容（在此期间，搜索偏好可能会发生变化）。 其次，不能保证竞争对手已经仔细分析了观众的问题并根据这些问题创作了文字。
另一方面，如果将此方法用作辅助方法，则有机会识别您可能会错过的实体。
因此，我们在搜索中输入主要查询“汽油生成器”，将相关文本从网站复制到TOP-10，然后使用Advego选择语义：
我们补充相关实体的列表：4冲程，紧急，自治，不间断，用于夏季平房，用于自然等。
将所有内容放在一起，可获得针对神经匹配进行优化的传统知识。
歌词的TK：进行神经匹配而不是LSI
收集相关实体后，您必须编写文本。 但是，仅订购TOR 文本时，仅在TOR中指定键以及同义词和相关词的列表是不够的。
LSI文本的TK示例
在这种传统知识的基础上-仅带有单词列表-有时会获得非常奇怪的文本。
撰稿人之间的常见做法是编写文本，然后在其中输入给定的单词。 这很容易，因为在编写文本的过程中不需要中断单词的选择和插入。 但是，这种插入追溯性会破坏（并且经常破坏）文本的逻辑和样式。
神经匹配下的文字是关于用户及其需求的，而不是关于按键和加号的。 因此，纯传统的营销功能出现在TK中：消费者描述及其动机。 键和加号字淡入背景-它们用作标记，而不用作必需元素。 他们的位置被观众的信息需求所占据。
神经匹配下的传统知识示例
这样的传统知识可以使作者清楚地了解文本的目的，原因以及在何种情况下可以阅读。 这样的传统知识不仅会拼出要使用的单词，还会给出指示-使用这些单词时要写些什么。
当优化搜索页面时，神经匹配将重点从单纯的SEO机制转移到营销。 实际上，这种趋势已经观察了好几年了。 神经匹配只是朝着人性化的搜索引擎优化迈出的又一步。
优化内容以进行神经匹配需要花费时间和精力。 将密钥从AX放到TK中，解析加上单词，然后向文案撰稿人说：“为人写东西”要容易得多。 但是随着AI搜索的发展，这种方法将越来越无效。