文章编号：957 / 更新时间：2023-04-11 / 浏览：次

三年前，Googled的AlphaGo横空出世时，我写了《AlphaGo、深度学习及SEO》这篇帖子，在那之后，我一直非常关注人工智能与搜索算法的进展。

人工智能与搜索算法

我不知道搜索算法什么时候会大规模以AI为基础，也不知道目前AI技术在搜索算法中应用到了什么程度。由于目前人工智能技术的不可解释性，搜索引擎以AI作为算法基础会是非常谨慎的，不然很不容易debug。

不过算法中的一些模块应用AI是肯定的，以前介绍过百度的DNN模型和Google的RankBrain算法，都是AI在搜索算法中的应用。

那么完全以人工智能为基础的搜索算法是什么样的？工作原理和流程是什么？简单说一下我的理解。

人工智能的优势与搜索

目前实现人工智能的主流方法是机器学习中的深度学习分支，在这篇帖子里就不加严格区分了。

传统的搜索算法是搜索工程师人工选择排名因素，人工给予排名因素一定的权重，根据给定公式，计算出排名。这种方法的弊端是，当数据量大了，排名因素多了的时候，调整排名因素的权重是件很困难的事。最初的权重很可能就是根据常识，再加上拍脑袋，具有很大的主观随意性。当有几百个因素，这些因素又互相影响时，调整这些因素的权重就变成混乱、无法预见结果的事了。

而从海量数据中找模式正是AI的擅长。AI可以快速寻找可能的排名因素，调整排名因素权重，自动迭代计算，拟合出排名因素和用户满意的搜索结果之间的计算公式。

通过训练数据训练出来的计算公式就是AI搜索算法，可以应用于用户更多的搜索了。

前不久Google质量评估指南帖子里详细介绍了质量评估员的工作。这些真实用户（他们不是Google员工），在学习质量评估指南后，Google在评估系统中给评估员真实网站、真实查询词数据，评估员进行相关评估，最主要的就是：

给特定查询词的搜索结果打分

Google的质量评估员很早就存在了，应该不是为了开发AI算法招募的，而是用来评估传统算法质量的。但他们的评估数据刚好可以被人工智能系统有效使用。

这样，AI系统就知道，针对某个查询词，用户满意的搜索结果是哪些页面，是按什么顺序排名的。

训练人工智能搜索算法

与传统算法不同的是，需要哪些特征（排名因素），这些特征给予多少权重，不是工程师决定的，是AI系统自己寻找和评估的。这些因素也许是工程师想得到、早就在用的，比如：

页面的关键词密度

页面上有没有广告

页面有多少外部链接

页面有多少内部链接

页面有多少以查询词为锚文字的链接

页面所在域名有多少外链

页面打开速度多快

等等等等，可能有几百上千个

也许是工程师压根儿没想过的，也许有些是表面上看起来毫无关系、毫无道理的，比如：

页面正文用的几号字

页面第一次被抓取是星期几

页面外链数是单数偶数

以上只是举例，为了说明，AI寻找的不是因果关系，而是相关关系。只要AI看到排名好的页面有哪些特征就够了，至于把这些特征与排名联系起来是不是看着有道理，并不是AI关心的，也是不必要关心的。

当然，有些因素可能是负面的，比如域名长度，很可能与高排名是负相关的。

被训练过的AI搜索算法就可以应用于其它没在训练数据里的查询词了。

验证过的算法就可以上线，接受真实用户的检验了。这里很可能牵扯到一个SEO们普遍认为与排名有关、但搜索引擎一直否认的排名因素：用户体验数据是否是排名因素？

很多SEO排名因素统计表明，页面点击率、跳出率、用户停留时间、访问深度与排名有很高的相关性，但Google一直明确否认这些数据是排名因素。当然，对百度来说，点击率显然是排名因素。

原因很可能就是，搜索引擎需要用这些用户体验数据验证搜索算法质量，如果用户普遍点击率降低、跳出率提高，说明新上线的算法有问题，需要调整。虽然搜索引擎没有直接使用用户数据来排名，但算法的目标就是提高用户数据，使得这两者之间高度相关。

扫描二维码推送至手机访问。

3浏览自媒体运营与推广

2浏览网站结构优化

2浏览外部链接建设

2浏览自媒体运营与推广

相关标签： 人工智能、

本文地址：https://www.badfl.com/article/965f976d905926277970.html

上一篇：一个关于Google排名的有趣问题...
下一篇：未来SEO也许不用再操心爬行抓取问题？...