Wir sehen mehr und mehr maschinelles Lernen in der Art und Weise, wie Google 2020 Seiten und Bilder in den Suchergebnissen einordnet.
Dieses Prinzip vom maschinellen Lernen könnte, was wir als traditionelle Ranking Signale kennen, hinter sich lassen und einen neuen Weg ebnen.
Es lohnt sich, diese älteren Ranking-Ssignale zu betrachten, denn sie können eine Rolle beim Ranking spielen.
Als ich über dieses neue Patent zum Ranking von Bildergebnissen schreibe, beschloss ich, das, was ich mir früher angesehen habe, in das Ranking von Bildern aufzunehmen.
Bilder können bei der Bildsuche in eine Rangfolge gebracht werden, und sie können Seiten, die sich auf einem höheren Rang befinden, helfen, so dass eine Seite für die Suchbegriffe, nach denen sie gerankt wird, relevanter wird.
Bilder SEO - Welche Faktoren
Hier sind Signale, die ich beim Versuch, die Suchergebnisse nach Bildern zu ordnen, einbeziehen würde:
- Verwenden Sie aussagekräftige Bilder, die widerspiegeln, worum es auf der Seite geht - machen Sie sie relevant für eine Suchanfrage
- Verwenden Sie einen Bilddateinamen, der für den Inhalt des Bildes relevant ist (ich trenne Wörter in Dateinamen für Bilder auch durch Bindestriche)
- Verwenden Sie alt-Text für ein alt-Attribut, um das Bild gut zu beschreiben, mit Text, der für die Abfrage relevant ist, und vermeiden Sie das Füllen mit Schlüsselwörtern
- Verwenden Sie eine Beschriftung, die hilfreich und relevant für den Suchbegriff ist, um den es auf der Seite geht
- Verwenden Sie einen Titel und den dazugehörigen Text auf der Seite, die für das Thema der Seite und die Darstellung auf dem Bild relevant sind
- Verwenden Sie ein Bild in anständiger Größe und Auflösung, das nicht mit einer Miniaturansicht verwechselt wird Diese Signale helfen beim Ranking von Bildsuchergebnissen und helfen auch beim Ranking dieser Seite.
Eine neue Patentanmeldung verwendet maschinelles Lernen, um Bild-Suchergebnisse zu ordnen. Sie listet nicht die Funktionen auf, die das Ranking von Bildern unterstützen, wie z. B. Alt-Text, Bildunterschriften oder Dateinamen. Sie bezieht sich jedoch auf “Merkmale”, die wahrscheinlich diese und andere Signale enthalten.
Maschinelle Lernmodelle zur Einordnung von Bild-Suchergebnissen
Dieses Modell des maschinellen Lernens kann viele verschiedene Arten von Modellen des maschinellen Lernens verwenden.
Diese Modelle können sein:
- Tiefes maschinelles Lernen (z.B. ein neuronales Netz, das viele Schichten nichtlinearer Operationen enthält).
- Andere Modelle (z.B. ein verallgemeinertes lineares Modell, ein Zufallswald, ein Entscheidungsbaummodell usw.)
Dieses Modell des maschinellen Lernens generiert präzise Relevanzbewertungen für bildlandende Seitenpaare in der Indexdatenbank”.
Das Patent sagt uns etwas über ein Bildsuchsystem, das eine Trainingsmaschine beinhaltet.
Die Trainingsmaschine trainiert das maschinelle Lernmodell unter Verwendung von Trainingsdaten von Bild-landenden Seitenpaaren, die bereits mit der Ground Truth oder bekannten Werten der Relevanzbewertung verknüpft sind.
Ein Beispiel für das Modell des maschinellen Lernens generiert einen Relevanz-Score für ein Bild-Suchergebnis aus einem Bild, einer Landing Page und Abfragefunktionen. In diesem Bild reicht ein Suchender eine Bildsuchanfrage ein. Das System generiert Bildabfragemerkmale auf der Grundlage der vom Benutzer eingereichten Bildsuchanfrage.
Dieses System lernt Landing-Page-Merkmale für die durch das jeweilige Bild-Suchergebnis identifizierte Landing-Page sowie Bildmerkmale für das durch dieses Bild-Suchergebnis identifizierte Bild.
Das Bildsuchsystem liefert dann die Abfragemerkmale, die Landingpage-Merkmale und die Bildmerkmale als Eingabe in das maschinelle Lernmodell.
Bildsuchergebnisse einstufen
Google kann die Bildsuchergebnisse auf der Grundlage verschiedener Faktoren einstufen
Das können separate Signale sein:
- Merkmale des Bildes
- Merkmale der Landing Page
- Kombinieren der einzelnen Signale nach einem festen Gewichtungsschema, das für jede empfangene Suchanfrage gleich ist.
Dieses Patent beschreibt, wie es die Ergebnisse von Bildrecherchen auf diese Weise einordnen würde:
- Erhalten vieler Kandidaten-Bildsuchergebnisse für die Bildsuchanfrage
- Jedes Suchergebnis eines Bildkandidaten identifiziert ein entsprechendes Bild und eine entsprechende Zielseite für das entsprechende Bild
- Für jede Verarbeitung der Bildsuchergebnisse des Kandidaten ** Merkmale der Bildsuchanfrage ** Merkmale des jeweiligen Bildes, die durch das Suchergebnis des Bildkandidaten identifiziert wurden
- Merkmale der jeweiligen Landingpage, die durch das Suchergebnis des Bildsuchkandidaten identifiziert wird, unter Verwendung eines maschinellen Lernmodells zur Bewertung von Bildsuchergebnissen, das darauf trainiert ist, einen Relevanz-Score zu generieren, der die Relevanz des Suchergebnisses des Bildsuchkandidaten für die Bildsuchanfrage misst
- Rangfolge der Kandidaten-Bildsuchergebnisse auf der Grundlage der Relevanzbewertungen, die durch das Modell des maschinellen Lernens für die Bildsuchergebnisse generiert werden
- Generierung einer Präsentation der Bildsuchergebnisse, die die Ergebnisse der Bildsuche des Kandidaten nach der Rangfolge geordnet anzeigt
- Bereitstellung der Bildsuchergebnisse zur Präsentation durch ein Benutzergerät
Vorteile der Verwendung eines maschinellen Lernmodells zur Einstufung von Bildsuchergebnissen
Wenn Google mithilfe eines maschinellen Lernmodells Bildsuchanfragepaare auf der Grundlage von Relevanzbewertungen ein Ranking erstellen kann, kann es die Relevanz der Bildsuchergebnisse als Antwort auf die Bildsuchanfrage verbessern.
Dies unterscheidet sich von herkömmlichen Methoden zur Einstufung von Ressourcen, da das Modell des maschinellen Lernens eine einzige Eingabe erhält, die Merkmale der Bildsuchanfrage, der Zielseite und des durch ein bestimmtes Bildsuchergebnis identifizierten Bildes enthält, um die Relevanz des Bildsuchergebnisses für die empfangene Anfrage vorherzusagen.
Dieser Prozess ermöglicht es dem Modell des maschinellen Lernens, dynamischer zu sein und Landingpage-Merkmalen oder Bildmerkmalen in einer abfragespezifischen Weise mehr Gewicht zu geben, wodurch die Qualität der an den Benutzer zurückgegebenen Bildsuchergebnisse verbessert wird.
Durch die Verwendung eines maschinellen Lernmodells wendet die Bildsuchmaschine nicht für jede empfangene Anfrage das gleiche feste Gewichtungsschema für Landingpage- und Bildmerkmale an. Stattdessen kombiniert sie die Landingpage- und Bildmerkmale in einer abfrageabhängigen Weise.
Aus dem Patent geht auch hervor, dass ein trainiertes maschinelles Lernmodell die den verschiedenen Merkmalen zugewiesenen Gewichtungen auf der Grundlage von Änderungen der ursprünglichen Signalverteilung oder zusätzlicher Merkmale einfach und optimal anpassen kann.
Bei einer herkömmlichen Bildsuche wird uns gesagt, dass ein erheblicher technischer Aufwand erforderlich ist, um die Gewichte eines traditionellen, manuell abgestimmten Modells auf der Grundlage von Änderungen der ursprünglichen Signalverteilung anzupassen.
Bei diesem patentierten Verfahren ist es jedoch wesentlich einfacher, die Gewichte eines trainierten maschinellen Lernmodells auf der Grundlage von Änderungen der Signalverteilung anzupassen, wodurch die Wartungsfreundlichkeit der Bildsuchmaschine verbessert wird.
Auch wenn ein neues Merkmal hinzugefügt wird, passen die manuell abgestimmten Funktionen die Funktion des neuen Merkmals unabhängig von einem Objektiv an (d.h. Verlustfunktion, während bestehende Merkmalsfunktionen konstant gehalten werden).
Ein trainiertes maschinelles Lernmodell kann jedoch die Merkmalsgewichte automatisch anpassen, wenn ein neues Merkmal hinzugefügt wird.
Stattdessen kann das maschinelle Lernmodell das neue Merkmal einbeziehen und alle seine vorhandenen Gewichtungen entsprechend neu austarieren, um für das Endziel zu optimieren.
Auf diese Weise kann die Genauigkeit, Effizienz und Wartung der Bildsuchmaschine verbessert werden.
Die Patentanmeldung der Ergebnisse der Rank Image Search finden Sie hier