در قسمت اول مقاله ضمن تعریف مفهوم موجودیت و ارائه مثال، به اهمیت entity در سئو نیز پرداخته شد. در این قسمت مقاله، برتری سئو موجودیت و روش های ارتقا مدل های قدیمی بررسی می شود.
مدل انتیتی چه برتری نسبت به مدل های جستجوی پیشین دارد؟
مدل های سنتی بازیابی اطلاعات مبتنی بر کلمات کلیدی، دارای محدودیت در بازیابی اسنادی هستند که با عبارت جستجو تطابق ندارند. کاربرد کلیدهای ترکیبی Ctrl + F جهت جستجوی متن در یک صفحه، عملکردی مشابه مدل های سنتی مذکور را به نمایش می گذارد.
با توجه به حجم قابل توجه داده ها در محیط وب، درک معنایی تمامی واژگان، پاراگراف ها، مقالات و وب سایت ها برای گوگل امکان پذیر نیست. انتیتی ها توسط فراهم آوردن ساختاری منسجم، ضمن بهینه سازی بار محاسباتی، باعث درک بهتر گوگل از محتوا می شوند.
تصویر(1)
هدف روش های بازیابی مفهومی و در واقع entity در سئو، غلبه بر چالش موجود توسط ساختارهای کمکی جهت ایجاد وجهه معنایی (Semantic Representations) از کوئری ها و اسناد، در یک فضای مفهومی سطح بالاتر است. این ساختارها شامل واژگان کنترل شده (مانند فرهنگ لغت و اصطلاح نامه ها)، موجودیت شناسی و انتیتی های موجود در پایگاه دانش می باشند.
کریستین بالوگ، مولف اثری جامع پیرامون موجودیت ها، سه راهکار احتمالی جهت ارتقا مدل های سنتی بازیابی اطلاعات را برای ورود به فضای entity در سئو معرفی می نماید.
- روش مبتنی بر توسعه: هدف این روش، بهبود بازیابی توسط گسترش کوئری با استفاده از اصطلاحات مختلف است.
- روش مبتنی بر تصویرسازی (Projection): هدف این روش، تعیین ارتباط بین کوئری و سند با استفاده از تصویرسازی آنها در فضای موجودیت ها است.
- روش مبتنی بر موجودیت: در این روش، معنای دقیق کوئری و متن با استفاده از موجودیت ها مشخص شده و به کلمات معمولی اضافه می گردد.
هدف اصلی مبحث entity در سئو، ارائه تصویری جامع تر از نیاز اطلاعاتی کاربر توسط شناسایی موجودیت هایی است که ارتباط نزدیکی با کوئری یا پرسش دارند. بالوگ در ادامه، شش الگوریتم مرتبط با روش های مبتنی بر تصویرسازی (تکنیک های تبدیل انتیتی ها به فضای سه بعدی و اندازه گیری بردارها توسط هندسه) موجودیت ها را مشخص می کند. درک این روش ها به استفاده درست از entity در سئو کمک می کند.
- تحلیل معنایی صریح (ESA): یعنی توصیف معنای واژه ای مشخص به وسیله یک بردار که میزان همبستگی آن واژه با مفاهیم استخراج شده از ویکی پدیا را در خود جای می دهد.
- مدل فضای موجودیت پنهان (LES): بر مبنای یک فریم ورک مولد مبتنی بر احتمال عمل می کند. امتیاز بازیابی سند، ترکیبی خطی از دو امتیاز است که توسط فضای موجودیت پنهان و پرسش اصلی محاسبه می شود.
- EsdRank: جهت رتبه بندی اسناد برای مبحث entity در سئو، توسط ترکیبی از ویژگی های کوئری-موجودیت و انتیتی-داکیومنت استفاده می شود. این ویژگی ها به ترتیب با مفاهیم مولفه های تصویرسازی کوئری و داکیومنت در LES که قبلا ذکر شد، مطابقت دارند. توسط یک چارچوب یادگیری متمایز می توان عوامل دیگری مانند محبوبیت موجودیت یا کیفیت سند را نیز مد نظر قرار داد.
- مدل رتبه‌بندی معنایی صریح (ESR): با ادغام اطلاعات مربوط به روابط موجود درون یک گراف دانش، امکان پیاده سازی تطبیق نرم را در فضای موجودیت ها فراهم می آورد.
- فریم‌ورک دوگانه کلمه-موجودیت: تعاملات بین معانی مبتنی بر اصطلاح و موجودیت، منجر به چهار نوع تطابق می شود:
- اصطلاحات کوئری با سند
- موجودیت های کوئری با اصطلاحات سند
- اصطلاحات کوئری با موجودیت های سند
- موجودیت های کوئری با سند
- مدل رتبه بندی مبتنی بر توجه: این مدل، به مراتب پیچیده ترین مدلی است که می توان توصیف کرد. این مدل شامل موارد زیر است:
- میزان احتمال ارتباط یک عبارت با موجودیت های مختلف (برای مثال، در ویکی پدیا).
- تعیین اینکه آیا محتوای موجودیت، رایج ترین معنای آن است.
- اختلاف امتیاز عمومیت بین محتمل ترین و دومین گزینه.
- مدل نگاشت مشترک موجودیت ها و اصطلاحات با استفاده از الگوریتم skip-gram روی یک مجموعه متون (corpus) آموزش داده می شود، طوری که ارجاعات به موجودیت ها با شناسه های یکتای متناظرشان جایگزین می گردند.
سه نوع ساختار داده
تصویر(2)
تصویر فوق، روابط پیچیده فضای برداری را از مبحث entity در سئو به نمایش می گذارد. اگرچه این نمونه، اتصالات گراف دانش را نشان می دهد، همین الگو در سطح schema و به صورت مجزا برای هر صفحه نیز قابل اعمال است.
برای درک موجودیت ها و استفاده صحیح از entity در سئو، شناخت سه نوع ساختار داده ای که الگوریتم ها از آنها استفاده می کنند مهم است و در لیست زیر به این موارد پرداخته می شود:
- در توصیفات بدون ساختار ابتدا باید ارجاعات به سایر انتیتی ها شناسایی و ابهام زدایی شوند. سپس، فلش های جهت دار (هایپرلینک) از هر موجودیت به تمام Entity های دیگر ایجاد می گردند.
- در محیط های نیمه ساختاریافته (مانند ویکی پدیا)، ممکن است لینک ها به سایر انتیتی ها مستقیما وجود داشته باشند.
- در داده های ساختاریافته، سه گانه های RDF، ساختار یک گراف (که همان گراف دانش است) را تعیین می کنند. منابع در بخش های موضوع و فاعل (subject و object) و گره ها و روابط (predicates) به صورت فلش ها تعریف می شوند.
یکی از چالش های مرتبط با محیط های نیمه ساختار یافته و دارای ابهام برای امتیاز IR، به دلیل عدم تمرکز یک سند بر موضوعی واحد است. امتیاز IR می تواند تحت تاثیر دو موضوع متفاوت قرار گرفته و کاهش یابد که این امر به نوبه خود موجب افت رتبه نسبی سند در مقایسه با سایر اسناد متنی می گردد. کاهش امتیاز IR ناشی از روابط نامناسب واژگان و مجاورت نادرست کلمات است.
به منظور افزایش امتیاز IR و انتقال شفاف تر مفهوم متن، توصیه می شود کلمات مرتبط و مکمل، در مجاورت یکدیگر درون یک پاراگراف یا بخشی از سند مورد استفاده قرار گیرند. به کارگیری ویژگی ها و روابط موجودیت ها، بهبود نسبی در بازه ۵ تا ۲۰ درصد را نشان می دهد. بهره برداری از اطلاعات مربوط به نوع موجودیت، بازدهی بیشتری داشته و بهبود نسبی از ۲۵ تا بالای ۱۰۰ درصد را همراه دارد.
حاشیه نویسی اسناد با موجودیت ها برای entity در سئو، موجبات ساختاردهی اسناد فاقد ساختار را فراهم آورده و بدین ترتیب، به تکمیل پایگاه های دانش توسط اطلاعات نوین پیرامون انتیتی ها کمک می نماید.
تصویر(3)
استفاده از ساختار دانش ویکی پدیا جهت بهبود سئو موجودیت
استفاده از ویکی پدیا به عنوان چارچوبی برای سئو موجودیت، رویکردی نوین در بهینه سازی موتورهای جستجو است که جای تمرکز صرف بر کلمات کلیدی، روی درک مفهوم و ارتباط بین موجودیت ها (افراد، مکان ها، سازمان ها و مفاهیم) توسط موتورهای جستجو تاکید دارد. این مورد باعث بهبود سئو موجودیت می گردد.
ساختار صفحات Wikipedia
ویکی‌پدیا، دارای ساختار استانداردی برای مقالات است که شامل بخش های مختلفی می باشد. در لیست زیر به این بخش ها پرداخته شده است:
- عنوان (I.)
- بخش مقدمه (II.)
- لینک های رفع ابهام (II.a.)
- جعبه اطلاعات (II.b.)
- متن مقدماتی (II.c.)
- فهرست مطالب (III.)
- محتوای اصلی (IV.)
- پیوست ها و مطالب پایانی (V.)
- منابع و یادداشت ها (V.a)
- لینک های خارجی (V.b)
- دسته بندی ها (V.c)
اغلب مقالات ویکی پدیا مشتمل بر یک متن مقدماتی موسوم به لید یا پیش گفتار هستند که محتوای مقاله را خلاصه ارائه می دهد و معمولا بیشتر از چهار پاراگراف نمی باشد. نگارش این بخش باید طوری صورت پذیرد که موجب ترغیب مخاطب به مطالعه ادامه مقاله گردد.
اهمیت جمله و پاراگراف آغازین برای entity در سئو بسیار زیاد است. جمله اول به عنوان تعریف موجودیت مورد بحث در مقاله تلقی می شود. پاراگراف اول، تعریفی جامع تر و همچنین مختصر ارائه می کند. توجه به این موارد البته اهمیت لینک ها فراتر از صرفا هدایت کاربر است، آنها روابط معنایی بین مقالات را نیز نشان می دهند. به علاوه، انکر تکست ها، منبع غنی گونه های مختلف موجودیت ها هستند. لینک های ویکی پدیا می توانند جهت شناسایی و رفع ابهام موجودیت ها در متن موثر باشند.
- خلاصه حقایق کلیدی درباره موجودیت (جعبه اطلاعات).
- معرفی مختصر.
- لینک های داخلی.
- ذکر تمامی مترادف های رایج و مشهور برای یک موجودیت.
- تعیین دسته بندی صفحه.
- الگوی ناوبری (Navigation Template).
- مراجع.
- ابزارهای خاص برای تحلیل صفحات ویکی.
- انواع رسانه های مختلف.
بهینه سازی entity در سئو
در ادامه، ملاحظات مهم جهت بهینه سازی موجودیت ها برای موتورهای جستجو و entity در سئو ارائه می شود:
- درج کلمات مرتبط از نظر معنایی.
- فراوانی کلمات و عبارات.
- سازماندهی مفاهیم.
- گنجاندن داده های بدون ساختار، نیمه ساختار یافته و ساختار یافته.
- زوج های موضوع-روابط-هدف (SPO).
- اسناد وب درون سایت که به عنوان صفحات یک کتاب عمل می کنند.
- سازماندهی اسناد وب درون یک سایت.
- درج مفاهیمی در یک سند وب که از ویژگی های شناخته شده موجودیت ها هستند.
در مواردی که تاکید بر روابط فی ما بین موجودیت ها باشد، غالبا از اصطلاح گراف دانش به جای پایگاه دانش استفاده می‌شود. چون تحلیل هدف، با بررسی جستجوهای کاربران و سایر مولفه های موضوعی صورت می پذیرد، یک عبارت جستجوی واحد مربوط به دو کاربر مختلف می تواند باعث حصول نتایج متمایز گردد. این امر به دلیل احتمال وجود اهداف متفاوت در کاربران علی رغم به کارگیری پرسش یکسان است.
اگر صفحه وب شما هر دو نوع هدف (Intent) کاربر را پوشش دهد، واجد شرایط بهتری برای کسب رتبه در نتایج جستجو خواهد بود. همانگونه که پیشتر ذکر شد، می توان از ساختار پایگاه های دانش به منظور هدایت الگوهای هدف، کوئری یا پرسش بهره برد. بخش های سوالات متداول کاربران (People Also Ask)، جستجوهای مرتبط (People Search For) و تکمیل خودکار (Autocomplete)، از نظر معنایی با پرسش ارائه شده مرتبط بوده یا به تحلیل عمیق تر موضوع جستجو و عنوان های مرتبط دیگر معطوف می شوند.
اسناد می بایست در برگیرنده حداکثر تنوع ممکن از اهداف جستجو باشند. فرایند خوشه بندی مبتنی بر سه نوع شباهت است:
- شباهت واژگانی
- شباهت معنایی
- شباهت کلیک
پوشش موضوعی
گوگل ابزاری عرضه نموده است که با ارائه یک شاخص، نحوه ادراک گوگل از محتوای مورد نظر را مشخص می سازد و بر اساس آن entity در سئو پیاده سازی می گردد.
در بحث پیرامون موجودیت ها، تمامی واژگان، جملات و پاراگراف ها دارای اهمیت هستند. نحوه سازماندهی محتوا می تواند بر تفسیر گوگل تاثیرگذار باشد. شما ممکن است یک واژه کلیدی مرتبط با سئو را استفاده نمایید اما آیا برداشت گوگل از آن واژه کلیدی همانند شما می باشد؟
با قرار دادن یک یا دو پاراگراف در این ابزار و سپس سازماندهی مجدد می‌توان تاثیر آن را بر افزایش یا کاهش میزان ارتباط مورد ارزیابی قرار داد.
این روش با عنوان رفع ابهام شناخته می شود و از اهمیت بسزایی برای درک صحیح موجودیت ها برخوردار می باشد. با توجه به ابهام ذاتی زبان، ضروری است که عبارات مورد استفاده برای گوگل شفاف تر گردند. برای درک بهتر entity در سئو توجه به این موارد اهمیت زیادی دارد.
اسکیما روشی بسیار موثر برای رفع ابهام از محتوا است. توسط آن، شما ارتباط بین موجودیت های ذکر شده در وبلاگ و پایگاه دانش را برقرار می نمایید. بهینه سازی اسکیما به بهبود تشخیص موجودیت های نامدار (NER) کمک می کند که با عناوینی نظیر شناسایی، استخراج و قطعه بندی entity نیز شناخته می شود. اساس کار در این حوزه، شامل سه مرحله رفع ابهام موجودیت نامدار، ویکی سازی و پیونددهی انتیتی است.
تصویر(4)
سئو فراتر از ابزار
اغلب متخصصین سئو از ابزارهای بهینه سازی داخلی به منظور بهبود entity در سئو و بهینگی محتوای صفحات وب خود استفاده می نمایند. با این حال، ابزارهای فوق جهت شناسایی فرصت های منحصر به فرد محتوایی و ارائه پیشنهادهایی در خصوص جزئیات محتوا، دارای محدودیت هایی می باشند. اغلب موارد، ابزارهای مذکور صرفا به تجمیع نتایج SERP مبادرت ورزیده و میانگینی را جهت بررسی توسط کاربران فراهم می آورند.
متخصصین سئو می بایست این مهم را مد نظر داشته باشند که گوگل در جستجوی اطلاعات تکراری و بازتولید شده نیست. تقلید از رویه های سایرین می تواند مفید واقع شود اما ارائه اطلاعات خاص، رکن اساسی تبدیل شدن به یک وب سایت مرجع و معتبر محسوب می گردد و اینجا اهمیت استفاده از entity در سئو مشخص می شود. در ادامه، شرح مختصری از نحوه پردازش محتوای جدید توسط گوگل ارائه خواهد شد:
اگر مشخص شود سندی به یک انتیتی خاص مرتبط است، برای یافتن اطلاعات جدید و بروزرسانی، پایگاه دانش آن موجودیت بررسی می شود.
هر شخصی که جهت بهبود پایگاه های دانش، تشخیص موجودیت ها و قابلیت خزش اطلاعات، گام بردارد مورد توجه گوگل قرار خواهد گرفت و برای استفاده از entity در سئو می بایست به این امر توجه نمایید. تغییرات اعمال شده در مخزن دانش، قابل ردیابی به سند مبدا خواهند بود.
اگر محتوایی ارائه نمایید که ضمن پوشش جامع موضوع، سطحی از جزئیات و اطلاعات جدید را ارائه دهد، گوگل قادر به شناسایی این اطلاعات منحصر به فرد در سند شما خواهد بود.
نهایتا، تداوم و استمرار ارائه اطلاعات جدید در طی زمان، می تواند باعث تبدیل وب سایت شما به یک منبع قابل اعتماد گردد. این اعتبار، نه بر اساس رتبه دامنه بلکه پوشش موضوعی استوار است و از ارزش والاتری برخوردار می باشد. برای مثال، در مورد موضوع ماهی، می توان موضوعات تکمیلی متعددی از جمله ریشه شناسی، تکامل، آناتومی و فیزیولوژی، نحوه ارتباط ماهی ها، بیماری های ماهی، حفاظت از آنها و اهمیت آن برای انسان را اضافه کرد.
این نکته را در برنامه ریزی کمپین های محتوایی خود مد نظر داشته باشید. صرفا به بازنویسی مطالب موجود اکتفا نکنید بلکه ارزش افزوده ایجاد و محتوایی منحصر به فرد ارائه دهید. الگوریتم های ذکر شده می توانند راهنمای شما در مسیر فوق باشند.
نتیجه گیری
در این مقاله تلاش شد تا اهمیت entity در سئو توضیح داده شود. سئو موجودیت (Entity SEO) به عنوان یک رویکرد نوین و موثر جهت بهینه سازی محتوا و بهبود دیده شدن در موتورهای جستجو، موجب شناسایی و ارتباط بین موجودیت ها و مفاهیم مرتبط شده است که به وب سایت ها کمک می کند تا میان رقبا متمایز شوند. با درک عمیق تر از موجودیت ها، متخصصان سئو می توانند محتوایی ارزشمند و منحصر به فرد تولید کنند که نه تنها به نیازهای کاربران پاسخ می دهد بلکه باعث افزایش اعتبار و تاثیرگذاری وب سایت در صنعت خود می شود. سرانجام توجه به اصول سئو موجودیت و استفاده از ابزارها و استراتژی های مناسب می تواند باعث کسب رتبه های بالاتر در نتایج جستجو و جلب توجه بیشتر کاربران گردد.