RankBrain 与反向链接：常见说法的谬误
关于机器学习排名的一半建议都是未经来源验证的重复说法。这里将每个流行说法与 Google 的实际声明并列，并说明哪些可以通过链接数据进行验证。
结论
RankBrain 是查询系统，因此针对它的链接技巧往往徒劳无功
Google 在 2015 年 10 月将 RankBrain 描述为一种处理从未见过搜索请求的机制。链接并未包含在该描述中。任何兜售 RankBrain 链接套餐的人，卖的都是故事。
- 已记录：RankBrain 有助于将非典型查询匹配到相关页面。
- 已记录：2019 年 10 月推出的 BERT 能够理解查询中的词语语境。
- 未记录：这两个系统内部是否存在任何链接公式。
迷思与现实
| 你会听到的说法 | 官方记录 | 链接数据能否验证？ |
|---|---|---|
| 使用精确锚文本构建链接，以便 RankBrain 学习你的页面 | 没有任何证据表明 RankBrain 会读取锚文本；它解析的是查询 | 部分可行：查看竞争对手拥有哪些锚文本，然后进行判断 |
| BERT 会惩罚关键词堆砌的锚文本 | BERT 是用于查询和段落的语言模型，而非惩罚机制 | 否；Penguin 和 SpamBrain 才是处理链接的机制 |
| 更多的引用域名总是优于更好的内容 | Google 列出了多种信号，且从未将链接列为首要排名因素 | 是，在你的样本中：比较数量与排名位置 |
| 有用内容需要链接才能被判定为有用 | 该系统（2022 年 8 月推出）对内容进行评分；链接并非其输入数据 | 仅作为辅助检查，查看谁引用了你 |
| 低 DR 值意味着机器学习系统不信任你 | DR 是一种第三方风格指标；Google 并未使用它 | 否；我们的指标是引用域名的对数刻度 |
三个说法，逐一验证
大多数关于机器学习排名的迷思具有相同的结构。一个拥有公开名称的系统被赋予了一个私有公式。而这个公式，恰好能卖出某种产品。选取三个常见说法，对每一个提出同一个问题：验证方法是什么？
RankBrain 会读取锚文本吗？
想象一位营销人员，他使用单一精确锚文本构建链接，希望 RankBrain 能学习该页面。Google 将 RankBrain 描述为一种用于解释未见过查询的系统。它并未被描述为能读取锚文本，因此该说法要求系统执行一项无人记录过的任务。
更公平的测试是查看你的竞争对手使用了哪些锚文本，以及那些页面是否排名靠前。这个问题关乎你的样本，而非隐藏的权重，我们的 anchors 接口返回一个站点的锚文本信息，费用为 2 个信用点。
BERT 会惩罚堆砌的锚文本吗？
BERT 是一种语言模型，用于在语境中读取查询和段落的词语。Google 将其记录为一种理解语言的方式，而非针对重复短语的惩罚机制。
垃圾邮件政策是另一回事。大量相同的商业锚文本会引发链接侧的疑问，垃圾邮件操作手册 详细介绍了该检查流程。
Google 关于 BERT 的文档讨论的是查询和段落，这与链接是不同的对象。当有人引用 BERT 来推销链接时，请牢记这一区别。
更高的链接数量总是能获胜吗？
在小规模测试中，数量看起来很有说服力。然而，Google 列出了多种信号，拥有更多引用域名的站点仍可能输给能更好回答查询的站点。
将数量与所有查询的排名位置进行比较。如果关系微弱，说明数量从来不是全部，该理论需要其他理由来支撑。
值得关注的日期
2015 年 10 月：Google 确认 RankBrain。随后 2018 年带来了 8 月核心更新，2019 年 10 月带来了 BERT。2022 年 8 月推出了有用内容系统，随后 SpamBrain 的链接垃圾邮件更新于同年 12 月推出。
2024 年 3 月，有用内容成为核心排名的一部分，Google 于当天（3 月 5 日）运行了一次垃圾邮件更新。并排阅读这些条目可以看出，链接侧和内容侧的系统在不同的时间线上运行。
将时间线放在任何流量图表旁边。当日期无法对应时，大多数关于机器学习因果关系的说法都会消失。
Google 记录了什么，以及未记录什么
公开记录比大多数文章暗示的要窄。在基于此构建理论之前，值得仔细阅读。
公开记录中的内容
Google 发布了关于 RankBrain、BERT 和有用内容系统的简短描述。这些说明指出，每个系统的工作重点是查询、语言和内容的质量。任何关于这些系统的链接公式均未在已发布的描述中提及。
仔细研读措辞。宣布一个系统存在，告诉你的是它的目的。它并未告诉你它的权重。
从未发布的内容
Google 尚未发布 RankBrain 如何权衡链接与内容，也未发布任何系统如何针对特定查询对页面进行排名。任何声称知道这些权重的人，无论语气如何，都是在猜测。
这种沉默具有双重含义。没有人能证明链接在这些系统中毫无作用，因此诚实的立场是狭窄的：未知，值得测试而非假设。
当来源给你一个精确的权重时，问这个数字来自哪里。没有文档支撑的数字只是销售话术，无论图表看起来多么科学。
迷思的来源
机器学习听起来像魔法。人们用他们已有的销售产品来填补空白。链接供应商说链接，内容代理商说内容。
Google 自己的措辞更为严谨。2016 年 3 月，一位 Google 搜索主管将链接、内容和 RankBrain 列为三大信号，但公司从未发布 RankBrain 的计算方式或它如何权衡链接。
因此，请阅读谨慎的版本：一个系统存在，它很重要，但其内部运作未发布。要求任何说法提供其验证方法。如果无法提供，请继续。
供应商和顾问并非唯一扭曲故事的人。爱好者会反复重复一种巧妙的解读，直到它听起来像事实，因此在看到来源之前，将任何整洁的解释视为草稿。
整洁的故事为何传播
整洁的解释易于重复，且适合幻灯片。真正的系统很少给出如此干净的答案。两者之间的差距是大多数自信说法的来源。
当你看到整洁的因果链时，问哪一步被测量了，哪一步只是被假设。
为何一个轶事不是样本
一个在链接推广后恢复的站点证明了该站点恢复了。它对于做了同样事情但保持平稳的站点一无所知。在接受故事之前，要求提供分母。
30 个可比样本比单个戏剧性案例更有教育意义。
在你的查询上运行声称测试
你可以在没有实验室的情况下测试大多数链接和 ML 声称。使用你已跟踪的简短查询列表。
- 1
选择 30 个查询
选择你已经知道前三名结果和你自己排名的查询。30 个足以显示模式，而不会被噪音淹没。
- 2
获取领先者的数量
对每个查询的前三个域名调用
compare。一次调用消耗 1 个信用点，即 $0.0001，并接受最多 20 个域名。 - 3
记录快照日期
在每个数量旁边存储刷新日期。没有它，后续的拉取无法与此进行比较。
- 4
检查所有 30 个查询的关系
查看整个列表中的模式。单个查询中链接和排名不一致只能证明很少的内容。
- 5
在下一次刷新后重复
月度刷新后的第二次拉取显示模式是否持续，还是只是暂时的差距。
营销人员实际上能做什么
跳过理论，运行比较。我们的工作示例 展示了调用过程，使用虚构的站点，以免人们将其误认为发现。
然后查看另一侧。如果下降紧随奇怪锚文本的浪潮之后，垃圾邮件操作手册 会告诉你是否采取行动或等待。通常你会等待。
BERT 很好地展示了过度解读。炒作曾很高涨。它在 2019 年 10 月扩展到美国的英语搜索，12 月扩展到 70 多种语言，许多站点根本没有任何变化。为它重写每个页面浪费了一个季度。
如果你的团队不断争论哪种变化导致了下降，将两个候选原因写在同一页上，并标注每个原因的日期。该页面比辩论更短，通常能确定检查顺序。
保持写作简洁。带有日期和一个表格的简短备忘录比充满箭头的幻灯片更不容易被误读。
使下一个测试更小
如果第一次测试太宽泛而无法阅读，将其缩小到一个查询组和一个日期范围。狭窄的测试可能看起来枯燥，但它是唯一能清晰失败的测试类型。
在运行测试之前写下预期结果。没有预期结果的测试很容易在事后被重新解释。
选择 30 个你跟踪的查询。使用 compare 获取前三个结果的引用域名数量，每次调用消耗 1 个信用点。如果数量与 30 个查询的排名没有关系，你关于链接和 ML 的理论就已经站不住脚了。
如何阅读链接和 ML 声称
- 找到日期和来源；Google 公告都包含这两者。
- 检查它讨论的是查询、内容还是链接。
- 寻找大于一个站点的样本。
- 注意作者是否销售该声称所推荐的内容。
- 在下一次月度索引刷新后重复你的拉取。
关于 RankBrain 和反向链接的问题
如果 RankBrain 是关于查询的，为什么链接仍然重要？
链接出于其他原因对搜索很重要，例如发现和 Google 描述的更广泛的信号组合。RankBrain 只是该组合的一部分。在阅读关于流量下降的文章时，将这两个问题分开。
BERT 改变了链接的计数方式吗？
Google 发布的任何内容中都没有。BERT 涉及查询和段落中的语言。如果来源说它重新加权了锚文本，请要求提供相关文档。
高 DR 是 Google 读取的信号吗？
不是。Google 不使用域名评级（DR），我们的指标是我们自己的引用域名对数刻度计数。它有助于对列表进行分类，而不是预测排名。如果供应商将 DR 作为排名因素出售，请要求他们展示相关文档。
在评估链接变化之前我应该等待多久？
给它几个刷新周期。我们的索引刷新大约每月一次，Google 按其自己的时间表重新抓取。一次快照很少能解决问题。
