语音搜索的排名因素分析

Backlonko前几天发了一篇关于语音搜索排名因素的帖子,他们分析了 1 万条语音查询词在Google
Home的搜索结果,进而得出语音搜索算法中一些排名因素的可能应用情况。简要介绍一下他们的结论,想看完整细节的请看原文,这篇帖子并不是翻译。  要说明一下,他们的统计是基于Google  Home回答的结果,并不是手机或电脑的语音搜索结果。Google  Home是谷歌出品的智能音响系统,除了通过语音控制家庭智能设备,也可以通过语音回答用户问题。这与搜索框的搜索有些差别,最大的不同是,智能家居设备只返回
1 条搜索结果,然后用语音读出来,所以搜索引擎对这一条结果需要有很高的自信度。去年Stone Temple做过统计,Google
Home回答了68.1%的问题,剩下的问题不够自信,所以没有回答。回答了的问题完全正确率达到90%以上,亚马逊的Echo、苹果的Siri、微软的Cortana等稍低一点。  智能家居设备的问答也是通过搜索实现,虽然搜索算法可能有些不同,但搜索返回的这唯一的一条结果对SEO们还是有很大借鉴意义的,在Google眼里,这唯一的一条结果是最相关、最权威的。  几年前开某次行业大会时(不记得是哪次了),Inway问过一个问题,未来理想中的搜索引擎是什么样子,我当时回答,未来理想状态的搜索引擎应该只返回一个搜索结果。现在看来,这种状态开始通过智能家居设备逐渐实现中了。  前些天看到一个笑话(大意):  用户问家里的亚马逊Echo:Google Home好不好用啊?  Echo回答,还不错。  旁边的Google Home搭话了:谢谢。  这就离真正的智能差不多了。  下面是Backlonko分析的 11 个语音搜索排名因素。(下面的语音搜索结果,除非特殊说明,指的都是Google
Home用语音给出的唯一的回答,不是普通PC或手机搜索框的语音搜索。)  页面打开速度在语音搜索SEO中起显著作用  页面打开速度可能是语音搜索排名的重要因素之一。语音结果页面速度比其它大部分页面快得多。语音结果的平均接收到首字节时间(Time to First
Byte)是0. 54 秒,其它所有页面平均2. 1 秒,页面完全下载时间为4. 6 秒,其它页面是8. 8 秒。  2018 年 1
月份Google公布,开始把页面打开速度作为移动搜索排名因素之一。语音搜索比典型的移动搜索更要求速度快,问完问题半天没反应的话,恐怕显得有点傻。  
HTTPS页面在Google语音搜索中占主导  
HTTPS页面早就是排名因素之一,但在PC和普通移动搜索中只是个微小因素。但在语音搜索中,https可能起到更大作用,70.4%的语音结果使用了https,PC搜索中只占50%。  
语音搜索结果更简洁  
语音搜索结果平均长度是 29 个单词。中文的话估计更短。  
Schema可能对语音搜索排名没有帮助  Schema是Google、百度、Bing等都支持的一种结构化数据标记规范,有利于搜索引擎理解页面内容。但对语音搜索可能没有多大作用。36. 4
的语音搜索结果页面使用了schema标注,网上所有页面使用schema的也有31.3%,比例没高多少。 
 不过,不是说不要使用schema,有利于搜索引擎理解页面内容是好事,只要可能就尽量用,不管对语音搜索有没有帮助。  
链接权威度高的域名在语音搜索中排名更好  
这是肯定的。有意思的是进一步的分析发现,域名的链接权威度比页面的链接权威度重要得多。Backlinko分析了每个结果的域名强度和页面强度(使用的afrefs的数据),语音结果的平均域名强度是76.8,这是相当高的,但页面的平均强度只有21.1,要低得多。  
这说明要达到比较高的信心指数,Google更相信权威域名的结果,不敢冒险返回弱域名的页面,哪怕看起来相关度更高或者页面有很多链接。 
 在社交媒体上被分享多的页面更容易出现在语音搜索中  语音搜索结果平均有 1199 个facebook分享,Twitter分享 44 个,一般页面facebook分享平均不到 2 个。  
容易读、容易理解的内容在语音搜索排名更好  
文字被读出来是否通顺,是否容易理解是语音搜索的重要因素,使用简单的语法结构、简单的词汇更利于用户理解。  
很少语音搜索结果页面在title中包含完整关键词  
随着人工智能在搜索算法中的使用,搜索引擎更能准确理解用户查询的意图,页面标题标签是否包含完整查询词变得没那么重要。在语音搜索中就更是如此,查询更口语化、长度更长、变化更多,要在title中覆盖所有查询词是不大可能的,从搜索结果看,也没必要。  
只有1.7%的语音搜索结果页面标题包含完整查询词。title的权重被调低,查询词在页面正文中出现就足够了。  
长内容排名更好  
语音搜索结果页面平均长度是 2312 个单词。近年的统计表明,内容篇幅长的页面在普通搜索中排名表现也更好,语音搜索更是如此。  
但这是否说明长度是语音搜索的排名因素呢?也不一定。前面有一个结论,语音搜索结果(语音合成读出来那部分)都是很简洁的,平均 29
个单词,为什么要从这么长的页面中提取这么短的片段呢?并没有必然联系。更大的可能性是,篇幅长,页面正文中命中更多查询词的概率越大,而不是字数本身的原因。  
除了内容长度,内容格式也可能起一定作用。FAQ类的内容更容易出现在语音搜索结果中。春节前关于语音搜索SEO的帖子就提到过,语音搜索查询词更多问题式的长句子,FAQ类页面是最好的匹配。  
PC端排名好有利于被选为语音搜索结果  
这个是很自然的,普通搜索中排名高说明相关性、权威性都符合,被选为语音搜索最佳结果的可能性也越大。
Google
Home给出的结果中74.9%是PC端排名前 3 的页面。  
出现在第 0 位非常有利于语音搜索SEO  
什么是第 0 位结果请参考以前的帖子。  
40.7%的语音搜索结果是已经在PC端获得第 0 位的页面。在普通搜索框的语音搜索中已经是如此,大部分被读出来的答案都是第 0 位结果。

下载方式:https://pan.quark.cn/s/a4b39357ea24 在纺织制造领域中,纱线的品质水平对最终制成品的整体质量具有决定性作用。 鉴于消费者对于产品规格和样式要求的不断变化,纺织制造工艺的执行过程日益呈现为一种更为复杂的操作体系,进而导致对纱线质量进行预测的任务变得更加困难。 在众多预测技术中,传统的预测手段在面对多变量间相互交织的复杂关系时,往往显得力不从心。 因此,智能计算技术在预测纱线质量的应用场景中逐渐占据核心地位,其中人工神经网络凭借其卓越的非线性映射特性以及自适应学习机制,成为了众多预测方法中的一种重要选择。 在智能计算技术的范畴内,粒子群优化算法(PSO)和反向传播神经网络(BP神经网络)是两种被广泛采用的技术方案。 粒子群优化算法是一种基于群体智能理念的优化技术,它通过模拟鸟类的群体觅食行为来寻求最优解,该算法因其操作简便、执行高效以及具备优秀的全局搜索性能,在函数优化、神经网络训练等多个领域得到了普遍应用。 反向传播神经网络则是一种由多层节点构成的前馈神经网络,它通过误差反向传播的机制来实现网络权重和阈值的动态调整,从而达成学习与预测的目标。 在实际操作层面,反向传播神经网络因其架构设计简洁、实现过程便捷,因此被广泛部署于各类预测和分类任务之中。 然而,该方法也存在一些固有的局限性,例如容易陷入局部最优状态、网络收敛过程缓慢等问题。 而粒子群优化算法在参与神经网络优化时,能够显著增强神经网络的全局搜索性能并提升收敛速度,有效规避神经网络陷入局部最优的困境。 将粒子群优化算法与反向传播神经网络相结合形成的PSO-BP神经网络,通过运用粒子群优化算法对反向传播神经网络的权值和阈值进行精细化调整,能够在预测纱线断裂强度方面,显著提升预测结果的...
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测和分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理和优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析和实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习和泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
室内物体实例分割数据集 一、基础信息 • 数据集名称:室内物体实例分割数据集 • 图片数量: 训练集:4923张图片 验证集:3926张图片 测试集:985张图片 总计:9834张图片 • 训练集:4923张图片 • 验证集:3926张图片 • 测试集:985张图片 • 总计:9834张图片 • 分类类别: 床 椅子 沙发 灭火器 人 盆栽植物 冰箱 桌子 垃圾桶 电视 • 床 • 椅子 • 沙发 • 灭火器 • 人 • 盆栽植物 • 冰箱 • 桌子 • 垃圾桶 • 电视 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片为常见格式如JPEG或PNG。 二、适用场景 • 实例分割模型开发:适用于训练和评估实例分割AI模型,用于精确识别和分割室内环境中的物体,如家具、电器和人物。 • 智能家居与物联网:可集成到智能家居系统中,实现自动物体检测和场景理解,提升家居自动化水平。 • 机器人导航与交互:支持机器人在室内环境中的物体识别、避障和交互任务,增强机器人智能化应用。 • 学术研究与教育:用于计算机视觉领域实例分割算法的研究与教学,助力AI模型创新与验证。 三、数据集优势 • 类别多样性:涵盖10个常见室内物体类别,包括家具、电器、人物和日常物品,提升模型在多样化场景中的泛化能力。 • 精确标注质量:采用YOLO格式的多边形标注,确保实例分割边界的准确性,适用于精细的物体识别任务。 • 数据规模充足:提供近万张标注图片,满足模型训练、验证和测试的需求,支持稳健的AI开发。 • 任务适配性强:标注格式兼容主流深度学习框架(如YOLO系列),便于快速集成到实例分割项目中,提高开发效率。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值