RankBrain-backlänkar: vad påståendena missar

Tre påståenden, kontrollerade ett i taget

De flesta myter om maskininlärningsrankning delar en form. Ett system med ett offentligt namn får en privat formel. Formeln, bekvämt, säljer något. Ta tre av de vanliga och ställ samma fråga till var och en: vad är testet?

Läser RankBrain ankertext?

Föreställ dig en marknadsförare som bygger länkar med en exakt ankertext, i hopp om att RankBrain ska lära sig sidan. Google beskriver RankBrain som ett system för att tolka frågor de inte sett förut. Den beskriver inte att läsa ankertexter, så påståendet ber systemet att göra en uppgift som ingen dokumenterat.

Ett mer rättvist test frågar vilka ankertexter dina konkurrenter använder och huruvida de sidorna rankas. Den frågan handlar om ditt urval, inte en dold vikt, och vårt anchors-anrop returnerar formuleringen för en webbplats för 2 krediter.

Straffar BERT fyllda ankertexter?

BERT är en språkmodell som läser orden i en fråga och en passage i kontext. Google dokumenterade det som ett sätt att förstå språk, inte som ett straff för upprepade fraser.

Spampolicy är en annan sak. En plötslig skara av identiska kommersiella ankertexter väcker en länksidfråga, och spam-runboken går igenom den kontrollen.

Googles dokumentation om BERT handlar om frågor och passager, vilket är ett annat objekt från en länk. Håll den distinktionen i minne när någon citerar BERT i ett länkpitch.

Vinner ett högre länkan alltid?

Antal ser övertygande ut i ett litet test. Google listar dock många signaler, och en webbplats med fler hänvisande domäner kan fortfarande förlora mot en som svarar på frågan bättre.

Jämför antalen med positionerna över dina frågor. Om relationen är svag var antalet aldrig hela historien, och teorin behöver en annan anledning att stå.

Datum att känna till

Oktober 2015: Google bekräftar RankBrain. Sedan 2018 kommer augusti-kärnuppdateringen, och oktober 2019 kommer BERT. Augusti 2022 ger oss hjälpsamt innehållssystem, följt av SpamBrain's länkspam-uppdatering i december samma år.

I mars 2024 blev hjälpsamt innehåll en del av kärnrankningen och Google körde en spam-uppdatering samma dag, 5 mars. Att läsa dessa poster sida vid sida visar att länksid- och innehållssid-systemen rör sig på olika klockor.

Håll den tidslinjen bredvid varje trafikdiagram. De flesta påståenden om ML-kausalitet försvinner när datumen inte stämmer överens.

Vad Google dokumenterat, och vad de inte gjorde

Det offentliga arkivet är smalare än de flesta artiklar antyder. Det är värt att läsa långsamt innan du bygger en teori på det.

Vad som finns i arkivet

Google har publicerat korta beskrivningar av RankBrain, BERT och hjälpsamt innehållssystem. Dessa noter namnger frågor, språk och innehållskvalitet som arbetet för varje system. En länkformel för någon av dem finns inte bland de publicerade beskrivningarna.

Läs formuleringen noggrant. En tillkännagivande att ett system finns berättar dess syfte. Det berättar inte dess vikter.

Vad som aldrig publicerats

Google har inte publicerat hur RankBrain väger länkar mot innehåll, eller hur någon av de tre systemen rankar en sida för en given fråga. Alla som namnger dessa vikter är gissar, oavsett vilken ton de använder.

Den tystheten klipper båda vägarna. Ingen kan bevisa att en länk inte gör något inuti dessa system heller, så den ärliga positionen är smal: okänd, och värd att testa snarare än att anta.

När en källa ger dig en exakt vikt, fråga varifrån talet kom. Ett tal utan ett dokument bakom det är en säljrad, hur vetenskapligt diagrammet ser ut.

Varifrån myterna kommer

Maskininlärning låter som magi. Folk fyller gapet med vad de redan säljer. Länkleverantörer säger länkar, innehållsbyråer säger innehåll.

Googles egna formulering är smalare. I mars 2016 namngav en Google-sökledare länkar, innehåll och RankBrain som de tre toppsignalerna, men företaget publicerade aldrig hur RankBrain beräknas eller vad det väger mot länkar.

Så läs den försiktiga versionen: ett system finns, det är viktigt, och dess inre funktioner är opublicerade. Be vilket påstående som helst att namnge sitt test. Om det inte kan, gå vidare.

Leverantörer och konsulter är inte de enda som böjer en historia. Entusiaster upprepar en smart läsning tills det låter som en fakta, så behandla varje snygg förklaring som ett utkast tills du har sett dess källa.

Varför en ren historia sprids

En snygg förklaring är lätt att upprepa, och den passar en bild. Riktiga system ger sällan den typen av rent svar. Gapet mellan de två är där de flesta självsäkra påståendena kommer från.

När du ser en snygg kedja av orsak och verkan, fråga vilket steg som mättes och vilket steg bara antogs.

Varför en anekdot inte är ett urval

En webbplats som återhämtade sig efter en länkpush bevisar att en webbplats återhämtade sig. Det säger inget om de webbplatser som gjorde samma sak och förblev platta. Fråga efter nämnaren innan du accepterar historien.

Ett urval av trettio jämförbara webbplatser lär mer än ett enskilt dramatiskt fall.

Vad en marknadsförare faktiskt kan göra med detta

Hoppa över teorin och kör en jämförelse. Vårt arbetsexempel visar anropen, med uppfunna webbplatser så att ingen misstar det för en fynd.

Titta sedan på andra sidan. Om ett fall följde av en våg av konstiga ankertexter, säger spam-runboken om du ska agera eller vänta. Ofta väntar du.

BERT visar överläsning väl. Hype var hög. Den nådde engelska sökningar i USA i oktober 2019 och över 70 språk i december, och många webbplatser såg ingenting alls. Att skriva om varje sida för det var en slöseri med ett kvartal.

Om ditt team fortsätter att argumentera om vilken förändring som orsakade ett fall, skriv de två kandidata orsakerna på en sida med datum för var och en. Sidan är kortare än debatten, och den löser vanligtvis ordningen på kontroller.

Håll skrivningen enkel. En kort memo med datum och en tabell är svårare att missförstå än ett bildspel fullt av pilar.

Gör nästa test mindre

Om det första testet var för brett att läsa, klipp ner det till en frågegrupp och ett datumintervall. Ett smalt test kan se tråkigt ut, men det är den enda typen som kan misslyckas rent.

Skriv det förväntade resultatet innan du kör testet. Ett test utan förväntat resultat är lätt att tolka om efteråt.