SEO ها داده های ساخت یافته را برای جستجوی هوش مصنوعی توصیه می کنند… چرا؟


یک پست در لینکدین این ایده را زیر سوال برد که داده های ساختاری Schema.org بر خروجی یک مدل زبان بزرگ تأثیر دارد. ظاهراً برخی از SEO ها وجود دارند که داده های ساختاریافته را برای رتبه بهتر در موتورهای جستجوی هوش مصنوعی توصیه می کنند.

پاتریک استوکس پست زیر را در لینکدین نوشت:

«چیزی از دست دادم؟ چرا SEO ها فکر می کنند نشانه گذاری طرحواره بر خروجی LLM تأثیر می گذارد؟

پاتریک گفت “خروجی LLM” در زمینه یک توصیه SEO، بنابراین به احتمال زیاد اشاره ای به ChatGPT Search و سایر موتورهای جستجوی هوش مصنوعی است. بنابراین آیا موتورهای جستجوی هوش مصنوعی داده های خود را از داده های ساخت یافته به دست می آورند؟

LLM ها بر روی متن های وب، کتاب ها، سوابق دولتی، اسناد قانونی و سایر داده های متنی (و همچنین سایر اشکال رسانه ها) آموزش می بینند که سپس برای تولید خلاصه و پاسخ، اما بدون سرقت اطلاعات آموزشی استفاده می شود. معنی آن این است که فکر اینکه بهینه سازی محتوای وب شما منجر به ارسال ارجاع توسط LLM به آن وب سایت می شود، بیهوده است.

موتورهای جستجوی هوش مصنوعی بر اساس شاخص‌های جستجو (و نمودارهای دانش) از طریق Retrieval Augmented Generation (RAG) مبتنی هستند. ایندکس های موتورهای جستجو خود از داده های خزیده شده ایجاد می شوند، نه داده های ساختار یافته Schema.

به عنوان مثال، هوش مصنوعی Perplexity محتوای خزیده شده در وب را با استفاده از نسخه اصلاح شده PageRank در فهرست جستجوی آنها رتبه بندی می کند. Google و Bing داده‌های متنی را می‌خزند و کارهایی مانند حذف محتوای تکراری، حذف کلمات توقف و سایر دستکاری‌های متن استخراج‌شده از HTML انجام می‌دهند، به‌علاوه هر صفحه داده‌های ساختاری روی آن ندارد.

در واقع، Google تنها از بخشی از داده های ساختار یافته Schema.org برای انواع خاصی از تجربیات جستجو و نتایج غنی استفاده می کند، که به نوبه خود نوع داده های ساختار یافته ای را که ناشران استفاده می کنند محدود می کند.

سپس این واقعیت وجود دارد که هر دو خزنده‌های Bing و Google HTML را ارائه می‌کنند، سرصفحه‌ها، پاورقی‌ها و محتوای اصلی را شناسایی می‌کنند (که متن را برای اهداف رتبه‌بندی از آن استخراج می‌کنند). اگر بخواهند به داده های ساختاری Schema تکیه کنند، چرا باید این کار را انجام دهند، درست است؟

این ایده که استفاده از داده های ساختاری Schema.org برای رتبه بهتر در موتور جستجوی هوش مصنوعی خوب است، بر اساس واقعیت ها نیست، فقط یک حدس و گمان خیالی است. یا ممکن است از یک اثر “بازی تلفنی” باشد که در آن یک نفر چیزی می گوید و سپس بیست نفر بعداً به چیزی کاملاً متفاوت تبدیل می شود.

به عنوان مثال، جونو آلدرسون پیشنهاد کرد که داده های ساختاریافته می تواند استانداردی باشد که موتورهای جستجوی هوش مصنوعی می توانند از آن برای درک بهتر وب استفاده کنند. او نمی‌گفت که موتورهای جستجوی هوش مصنوعی در حال حاضر از آن استفاده می‌کنند، او فقط پیشنهاد می‌کرد که موتورهای جستجوی هوش مصنوعی باید آن را در نظر بگیرند و شاید این پست بیست بعد از آن به یک نظریه کامل تبدیل شود.

متأسفانه، ایده‌های بی‌اساس زیادی در حلقه‌های سئو وجود دارد. روز دیگر دیدم که SEO در رسانه‌های اجتماعی ادعا می‌کند که جستجوی محلی Google از آدرس‌های IP در پاسخ به جستجوهای جستجوی «نزدیک من» استفاده نمی‌کند. تمام کاری که هر کسی برای آزمایش این ایده باید انجام می داد این است که به یک VPN وارد شود، یک مکان جغرافیایی برای آدرس IP خود انتخاب کند و یک جستجوی “در نزدیکی من” انجام دهد و خواهند دید که آدرس IP استفاده شده توسط VPN روی “نزدیک من” تأثیر گذاشته است. ” نتایج جستجو

اسکرین شات از پرس و جوی نزدیک من تحت تاثیر آدرس IP

گوگل حتی یک صفحه پشتیبانی منتشر می‌کند که می‌گوید از آدرس IP برای شخصی‌سازی نتایج جستجو استفاده می‌کند، اما افرادی هستند که عقیده دیگری دارند، زیرا برخی از SEO یک مطالعه همبستگی انجام داده‌اند و وقتی از آنها سؤال می‌شود، به کسی برمی‌گردیم که ادعا می‌کند گوگل دروغ می‌گوید.

آیا چشمان دروغگوی خود را باور خواهید کرد؟

نتایج جستجوی داده های ساختاریافته Schema.Org و هوش مصنوعی

«سئوهای جستجوگر» توصیه می‌کنند که ناشران از داده‌های ساختاری Schema.org برای داده‌های آموزشی LLM استفاده کنند، نیز منطقی نیست، زیرا داده‌های آموزشی در خروجی LLM ذکر نمی‌شوند، فقط برای خروجی‌هایی که از وب منشأ می‌شوند، که خود از فهرست جستجویی که منبع آن است. از یک خزنده همانطور که قبلا ذکر شد، ناشران تنها از بخشی از داده های ساختار یافته Schema.org استفاده می کنند زیرا خود گوگل تنها از بخش کوچکی از آن استفاده می کند. بنابراین منطقی نیست که موتور جستجوی هوش مصنوعی برای خروجی خود به داده های ساختاریافته تکیه کند.

کارشناس بازاریابی جستجو، کریستوفر شین (نمایه لینکدین) نظر داد:

“پس از خواندن پست خود پاتریک به همین فکر می کنم. من فعلاً اینطور تفسیر می کنم. من فکر می‌کردم که LLM معمولاً از سرویس‌های موتورهای جستجو پاسخ نمی‌دهد، بلکه بیشتر از تفسیر داده‌ها پاسخ می‌دهد. درسته؟ اما نشانه‌گذاری داده‌های طرحواره توسط SER برای نشان دادن قطعه‌های غنی و غیره استفاده می‌شود. نه؟ من فکر می‌کنم تفاوت کلیدی در طرح‌واره و LLM این است که موتورهای جستجو از طرح‌واره برای SERP استفاده می‌کنند، در حالی که LLM از تفسیر داده‌ها برای تأثیرگذاری طرح‌واره بر LLM استفاده می‌کند.

افرادی مانند کریستوفر شین و پاتریک استوکس به من امیدواری می دهند که سئوی عملگرا و معقول هنوز برای عبور از سر و صدا مبارزه می کند، پست لینکدین پاتریک گواه آن است.

سئو عملی

تعریف عمل گرا انجام دادن کارها به دلایل معقول و واقع بینانه است نه بر اساس نظراتی که بر اساس اطلاعات ناقص و حدس و گمان است.

صحبت کردن به عنوان کسی که تقریباً از بدو تولد با سئو درگیر بوده است، و فکر نکردن به همه چیز به این دلیل است که سئوکاران و ناشران به طور سنتی زمان خود را با مسائل مبهم تعریف شده تلف می کنند، چرخ خود را بر روی فعالیت های بی فایده ای مانند سیگنال های سطحی EEAT و غیره و غیره می چرخانند. . اشاره به اسناد و بیانیه‌های رسمی و متعجب شدن با اظهاراتی مانند «گوگل دروغ می‌گوید» واقعاً مایوس‌کننده است. این نوع نگرش باعث می‌شود که فرد «می‌خواهد فریاد بزند».

کمی سئوی عملی تر لطفا.



منبع

مطالب مرتبط