Aşağıdaki makale size yardımcı olacaktır:SEO, Web Hakkında Bilgi Edinmek İçin Veri Grafiklerine Dönüyor
Veri Grafikleri Olarak Web, SEO için Yeni Bir Yöndür
İnsanların SEO hakkında yazdığı makalelerin çoğu, web sayfalarını ve sayfalar arasındaki bağlantıları içerir. Yine de, bu gönderi varlıklar ve varlıklar arasındaki ilişkiler ve web sayfalarında yazılan gerçekler hakkındadır. Ayrıca, web sayfalarında bulunan varlıklarla ilgili gerçekler ve nitelikler hakkında web’deki veri grafiklerinden gelen sorgulara verilen yanıtlara da bakar. Geçenlerde WIPO (Dünya Fikri Mülkiyet Örgütü) sitesinde yazmaya değer olduğunu düşündüğüm bir patent başvurusuna rastladım. Patent, bize bunun hakkında olduğunu söyleyerek başlar:
Patentin başlığı bize, bunun ideal olarak bir arama motoruna doğal dilde (insanların konuşma ve bilgisayarların anlamaya çalıştığı şekilde) sorgular göndermekle ilgili olduğunu söylüyor.
Patent bize veri grafikleri, insanlar, yerler, şeyler, kavramlar vb. gibi düğümler olarak saklanabilen varlıklarla ilgili bir örnek gösterir. Bu düğümler arasındaki kenarlar, düğümler arasındaki ilişkiyi gösterebilir (insanların bulabileceği gerçekler). SEO’da, web sayfalarını ve düğümleri ve bu sayfalar arasındaki bağlantıları kenarlar olarak duymaya alışkınız.
Varlıklara bu yaklaşım, düğümlere ve kenarlara bakmanın farklı bir yoludur. Son zamanlarda, sayfalardan bahseden bağlantıların yerine varlıklardan bahseden insanlar gördük. SEO’nun web gibi büyük bir veri tabanından bahsederken varlıklar gibi gerçek dünyadaki nesneleri düşünmek için ilerlemesinin bir yolu budur. Google’ın benim bildiğim ikinci patenti (geçici olan), gerçekler ve büyük bir veri tabanı hakkındaydı. bunun hakkında yazdım Google’ın İlk Semantik Arama Buluşu 1999’da Patentlendi.
Arama motorunun web’i nasıl okuyabileceği ve ondan varlık bilgilerini çıkarabileceği ve Web’i büyük bir dağınık veritabanı olarak nasıl kullanabileceği konusunda Google’da daha yeni bir patent hakkında yazdım. Bu gönderi, Google’da Bilgi Grafikleri için Varlık Ayıklamaları’dır. Bir belgedeki sözcükleri konuşma bölümleriyle etiketleyebilen BERT gibi ön eğitim programları hakkında çevrimiçi bilgiler gördük. Ayrıca sayfalardan çıkarılan ve arama motoru tarafından öğrenilen varlıkları tanımlayabilir ve tanıyabilir.
Bu en yeni patent bize, bu tür veri grafiklerinde “Maryland” ve “United States” gibi düğümlerin “ülke içi” ve/veya “belirtildi” kenarlarıyla bağlanabileceğini söylüyor.
Ayrıca, bu tür veri grafiklerinin temel biriminin, iki varlık ve varlıklar arasındaki bir ilişkiyi içeren bir demet olduğu söylendi.
Bu demetler, “Maryland Amerika Birleşik Devletleri’nde bir eyalettir” gibi gerçek dünya gerçeklerini temsil edebilir.
Demet, bağlam bilgisi, istatistiksel bilgi, denetim bilgisi vb. gibi diğer bilgileri de içerebilir.
Bir veri grafiğine varlık ve ilişki eklemek, genellikle manuel bir işlem olmuştur ve bu da büyük veri grafiklerini zorlaştırır ve yavaşlatır.
Ve büyük veri grafikleri oluşturmanın zorluğu, gerçekler olarak var olan ancak henüz grafiğe eklenmemiş birçok “eksik” varlığa ve varlıklar arasında “eksik” ilişkilere neden olabilir.
Bu tür eksik varlıklar ve ilişkiler, veri grafiklerini sorgulamanın kullanışlılığını azaltır.
Bazı uygulamalar, örneğin Web’den metinden sözdizimsel ve anlamsal bilgi çıkarır ve bunu veri grafiklerinden anlamsal bilgi ile birleştirir.
Varlıklar ve Gerçekler Arasındaki İlişkiler Hakkında Güven Oluşturma
İlişki Puanları, birden çok varlık arasındaki, varlıklar ve bu varlıklar için nitelikler arasındaki ve bu varlıklar için varlıklar ve sınıflandırmalar arasındaki ilişkilerdeki güveni ölçer. Bunlar, Google Web’deki metinden varlık bilgilerini çıkardığında oluşturulur. 1/2
— Bill Slawski ⚓ (@bill_slawski) 25 Haziran 2020
Metinden ve veri grafiğinden çıkarılan bilgi, veri grafiği için demetleri tahmin edecek bir makine öğrenimi algoritmasını eğitmek için girdi olarak kullanılır.
Eğitilmiş makine öğrenimi algoritması, belirli bir ilişki için birden çok ağırlıklı özellik üretebilir; her özellik, iki varlığın nasıl ilişkili olabileceğine dair bir çıkarımı temsil eder.
Bir özelliğin ağırlığının mutlak değeri, karar vermede göreceli önemi temsil edebilir. Google, diğer patentlerde, bu tür ilişkiler arasındaki güveni ölçtüklerini ve bu ağırlıkları “ilişkilendirme puanları” olarak adlandırdıklarını belirtmiştir.
Eğitilmiş makine öğrenimi algoritması daha sonra büyük bir korpustaki belgelerin analizinden bir veri grafiğinden ve veri grafiğindeki mevcut bilgilerden ek demetler oluşturabilir.
Bu yöntem, veri grafiği için birçok ek demet sağlar ve bu veri grafiklerini büyük ölçüde genişletir.
Bazı uygulamalarda, tahmin edilen her demet bir güven puanıyla ilişkilendirilebilir ve yalnızca bir eşiği karşılayan demetler otomatik olarak veri grafiğine eklenir.
Kalan demetler tarafından temsil edilen gerçekler, veri grafiklerine eklenmeden önce manuel olarak doğrulanabilir.
Bazı uygulamalar, doğal dil sorgularının veri grafiklerinden yanıtlanmasına izin verir.
Makine öğrenimi modülü, özellikleri sorgularla ve olası sorgu sonuçlarını sağlamak için kullanılan özelliklerle eşleyebilir.
Eğitim, arama kayıtlarından olumlu örneklerin veya belge tabanlı bir arama motorundan elde edilen sorgu sonuçlarının kullanılmasını içerebilir.
Eğitilmiş makine öğrenimi modülü, her bir özelliğin veri grafiğinde bir yolla temsil edilen olası bir sorgu yanıtını temsil ettiği birden fazla ağırlıklı özellik üretebilir.
Özelliğin ağırlığının mutlak değeri, karar vermedeki göreceli önemi temsil eder.
Makine öğrenimi modülü, birden çok ağırlıklı özellikle uygun şekilde eğitildikten sonra, veri grafiğindeki bilgileri kullanarak doğal dil sorgularına yanıt verebilir.
Bilgisayarla uygulanan bir yöntem, bir sorgu için birden çok ağırlıklı özelliğe sahip bir model üretmek üzere eğitilmiş bir makine öğrenimi modülünün alınmasını içerir. Her ağırlıklı özellik, bir veri grafiğindeki bir yolu temsil eder.
Yöntem aynı zamanda birinci arama terimini içeren bir arama sorgusu almayı, arama sorgusunu sorguyla eşlemeyi, birinci arama terimini veri grafiğindeki bir birinci varlıkla eşlemeyi ve birinci varlığı kullanarak veri grafiğinde ikinci bir varlığı tanımlamayı da içerir. ve çoklu ağırlıklı özelliklerden en az biri.
Özellik, arama sorgusuna yanıt olarak ikinci varlıkla ilgili bilgilerin sağlanmasını da içerebilir.
Sorgu, bir doğal dil sorgusu olabilir.
Başka bir örnek olarak, yöntem, bu patentin odak noktası olan modeli üretmek için makine öğrenimi modelinin eğitilmesini içerebilir.
Bir Veri Grafiğinden Doğal Dil Sorgularından Arama Sonuçları Elde Etme
Makine öğrenimi modülünün eğitimi, gürültülü sorgu yanıtları oluşturmayı ve gürültülü sorgu yanıtlarından olumlu ve olumsuz eğitim örnekleri oluşturmayı içerebilir.
Gürültülü sorgu yanıtlarının oluşturulması, bir belge külliyatı için bir arama motorundan arama sonuçlarının elde edilmesini içerebilir; her sonucun bir güven puanı vardır ve eğitim örneklerinin oluşturulması, pozitif eğitim örnekleri olarak önceden belirlenmiş sayıda en yüksek puanlı belgenin seçilmesini ve önceden belirlenmiş sayıda belgenin seçilmesini içerebilir. negatif eğitim örnekleri olarak bir eşiğin altında puana sahip belgeler.
Arama sonuçlarının elde edilmesi, geçmiş sorgular için arama kayıtlarından arama sonuçlarının okunmasını içerebilir.
Pozitif ve negatif eğitim örnekleri oluşturmak, sorgu yanıtlarında varlık eşleştirme gerçekleştirmeyi ve pozitif eğitim örnekleri olarak en sık görülen varlıkları seçmeyi içerebilir.
Yöntem ayrıca, en az bir ağırlıklı özelliğin ağırlığına dayalı olarak ikinci varlık için bir güven puanının (yukarıda atıfta bulunulan ilişkilendirme puanları gibi) belirlenmesini içerebilir.
Grafikteki ikinci varlığın belirlenmesi, güven puanına göre ikinci varlığın seçilmesini içerebilir ve ikinci varlık için güven puanının belirlenmesi, iki veya daha fazla özelliğin ikinci varlığa bağlandığının belirlenmesini ve ağırlıklarının bir kombinasyonunun kullanılmasını içerebilir. ikinci varlık için güven puanı olarak iki veya daha fazla özellik.
Bilgisayar tarafından uygulanan bir yöntem, bir sorgu için birden çok ağırlıklı özellik oluşturmak ve sorguyu istemek için bir makine öğrenimi modülünün eğitilmesini içerir.
Yöntem aynı zamanda sorgu talebinden bir birinci varlığın belirlenmesini, bir veri grafiğinde var olan birinci varlığın varlıklara ve kenarlara sahip olmasını ve birinci varlığın ve sorgunun makine öğrenimi modülüne sağlanmasını içerir.
Bu yöntem, makine öğrenimi modülünden çoklu ağırlıklı özelliklerin bir alt kümesinin alınmasını da içerebilir; ve çoklu ağırlıklı özelliklerin alt kümesi kullanılarak elde edilen bilgileri içeren talebe bir yanıtın üretilmesi.
Bunlar, aşağıdaki özelliklerden birini veya birkaçını içerebilir. Örneğin, makine öğrenimi modülünün eğitimi şunları içerebilir:
- Sorgu için veri grafiğinden olumlu örnekler ve olumsuz örnekler seçme
- Eğitim için makine öğrenimi modülüne olumlu örnekler, olumsuz örnekler ve veri grafiği sağlama
- Makine öğrenimi modülünden çoklu ağırlıklı özelliklerin alınması, her bir özelliğin veri grafiğinde bir yürüyüşü temsil etmesi
- Birden çok ağırlıklı özelliğin en azından bazılarını sorguyla ilişkili bir modelde depolamak
Bu sürecin izleyeceği özelliklerden bazıları, özellikler için bir yol uzunluğunun önceden belirlenmiş bir uzunlukla sınırlandırılmasını içerebilir, yol uzunluğu, belirli bir özellik için yolda katedilen kenarların sayısıdır ve/veya pozitif ve negatif örnekler oluşturulur. belge tabanlı bir arama motoru için arama kayıtlarından.
Çoklu ağırlıklı özellikler, veri grafiğinde önceden belirlenmiş bir sayıdan daha az meydana gelen özellikleri hariç tutabilir.
Sorguya yanıtın oluşturulması, veri grafiğinde en yüksek ağırlığa sahip ikinci bir varlığın belirlenmesini ve yanıttaki ikinci varlıktan gelen bilgilerin dahil edilmesini içerebilir.
İkinci varlığın ağırlığı, ikinci varlıkla ilişkili her özelliğin ağırlığının toplamı olabilir. Böylece, sorgu bir sorgu kümesini temsil edebilir.
Ayrıca, bir bilgisayar sistemi, her bir demetin bir ilişkiyle bağlı iki varlığı, en az bir işlemciyi ve en az bir işlemci tarafından yürütüldüğünde bellek depolama talimatlarını temsil ettiği, demetler kullanılarak oluşturulan yönlendirilmiş kenar etiketli bir veri grafiğini depolayan bir bellek içerebilir. , bilgisayar sisteminin işlem yapmasına neden olabilir.
Bu işlemler şunları içerebilir:
- sorgu alma
- Sorgu için sorgu yanıtları oluşturma
- Sorgu yanıtlarından olumlu ve olumsuz eğitim örnekleri oluşturma
- Pozitif örnekleri, negatif örnekleri ve veri grafiğini eğitim için bir makine öğrenimi modülüne sağlama
İşlemler aynı zamanda sorgu için makine öğrenimi modülünden çok sayıda özelliğin alınmasını ve çok sayıda özelliğin makine öğrenimi modülünde sorgu ile ilişkili bir model olarak saklanmasını içerebilir.
Aşağıdaki özellikler kullanılmalıdır: ağırlıklı özellikler ve sorgunun doğal dil sorgusu olması.
Özellik sayısı ayrıca, veri grafiğinde önceden belirlenmiş sayıdan daha az meydana gelen özellikleri ve önceden belirlenmiş bir eşiğin altına düşen doğru bir hedefe ulaşma olasılığı olan özellikleri hariç tutabilir.
Sorgu yanıtları oluşturmanın bir parçası olarak, talimatlar en az bir işlemci tarafından yürütüldüğünde şunları yapabilir:
- Bilgisayar sisteminin sorgu için bir sorgu şablonu belirlemesine neden olun
- Sorgu şablonuyla eşleşen sorgular için arama kayıtlarını inceleyin
- Sorgu şablonuyla eşleşen sorgular için arama kayıtlarından arama sonuçları alın
Olumlu ve olumsuz eğitim örnekleri oluşturmanın bir parçası olarak, talimatlar:
- Bilgisayar sisteminin, sorgu şablonuyla eşleşen arama kayıtlarındaki bir sorgudan bir kaynak varlık çıkarmasına neden olur
- Sorgu şablonuyla eşleşen sorgunun arama sonuçlarından varlıkları çıkarın
- Sorgu şablonuyla eşleşen sorgunun arama sonuçlarında bir hedef varlığın kaç kez göründüğünü belirleme
- Bir eşiği kaç kez karşılıyorsa, kaynak varlığı ve hedef varlığı olumlu bir eğitim örneği olarak kullanın
Özellikler ağırlıklı olabilir.
Unsurların her birinin kendi ilişkili ağırlığı olabilir.
Bir özellik, ilişkili bir güven puanıyla birlikte veri grafiğinde bir yol olabilir. Yol, veri grafiğindeki bir kenar dizisini temsil edebilir.
Patent bize, Sorgulama Veri Grafiği patentindeki süreci kullanmanın aşağıdaki avantajlarını anlatıyor.
-
- Uygulamalar, İnternet üzerinde bulunan belgeler veya bir milyondan fazla belge içeren diğer derlemler gibi büyük bir metin külliyatından ilişkisel bilgileri okuyarak bir veri grafiğini otomatik olarak genişletebilir ve bu bilgileri veri grafiğindeki mevcut bilgilerle birleştirebilir.
- Bu tür uygulamalar, yüksek doğrulukta bir veri grafiği için milyonlarca yeni demet oluşturabilir.
- Bazı uygulamalar, veri grafiğinden sorgu sonuçları üretmek için doğal dil sorgularını veri grafiğindeki yollarla da eşleyebilir.
- Doğal dil sorgularıyla ilgili bir zorluk, veri grafiğindeki ilişkiler veya kenarlar ile sorgu arasında bir eşleşme bulmaktır.
- Bazı uygulamalar, makine öğrenimi modülünü eşlemeyi gerçekleştirmesi için eğiterek, doldurulması, bakımı ve doğrulanması zor olabilecek manuel olarak girilen bir eşanlamlı tablo olmadan grafiğin doğal dilde sorgulanmasını mümkün kılar.
etraflıca
Bu patent burada bulunabilir:
Doğal Dil Sorgularını Kullanarak Veri Grafiği Sorgulama
Mucitler Amarnag Subramanya, Fernando Pereira, Ni Lao, John Blitzer, Rahul Guptag
Başvuranlar GOOGLE LLC
US20210026846
Patent Başvuru Tarihi 13 Ekim 2020
Patent Numarası 20210026846
Verildi: 28 Ocak 2021
Soyut
Bir Veri Grafiğini Daha İyi Anlamak
Örnek bir uygulama ile patentte açıklanan sözdizimsel-anlamsal bir çıkarım sistemi.
Bu sistem, incelediğim gibi, halihazırda grafikte bulunan bilgilere ve/veya ayrıştırılmış metin belgelerine dayalı olarak veri grafiği için yeni demetler oluşturmak üzere, veri grafiğindeki birden çok ağırlıklı özelliği veya yürüyüşleri tanımak üzere bir makine öğrenimi modülünü eğitmek için kullanılabilir. Yukarıda bağlantı verdiğim Entity Extraction patentinde veya başka bir patentte Bilgi grafiği mutabakatı hakkında da yazdığım.
Sistem, bir doğal dil sorgusundan veri grafiğinden arama sonuçları oluşturmak için çalışabilir.
Bu patent, İnternet üzerinden mevcut belgeleri kullanacak bir sistemi açıklamaktadır.
Ancak bize başka yapılandırmaların ve uygulamaların kullanılabileceği söylendi.
Bunlar, İnternet üzerinden erişilemeyen dahili belgeler veya bir kütüphaneden, kitaplardan, bilimsel veriler külliyatından veya diğer büyük külliyattan başka bir özel külliyat gibi başka bir belge külliyatından kaynaklanan belgeleri içerebilir.
Sözdizimsel-anlamsal çıkarım sistemi, örneğin standart bir sunucu, bu tür sunuculardan oluşan bir grup veya bir raf sunucu sistemi gibi birkaç farklı aygıt biçimini alan bir bilgi işlem aygıtı veya aygıtı olabilir.
Sözdizimsel-anlamsal çıkarım sistemi bir veri grafiği içerebilir. Veri grafiği, yönlendirilmiş kenar etiketli bir grafik olabilir. Böyle bir veri grafiği, düğümleri ve kenarları saklar.
Veri grafiğindeki düğümler, bir kişi, yer, öğe, fikir, konu, soyut kavram, somut öğe, başka bir uygun şey veya bunların herhangi bir kombinasyonu gibi bir varlığı temsil eder.
Veri grafiğindeki varlıklar, varlıklar arasındaki ilişkileri temsil eden kenarlarla birbirleriyle ilişkili olabilir.
Örneğin, veri grafiği, aktör Kevin Bacon’a karşılık gelen bir varlığa sahip olabilir. Ek olarak, veri grafiği, Kevin Bacon varlığı ile Kevin Bacon’ın rol aldığı filmleri temsil eden varlıklar arasındaki ilişkide rol almış olabilir.
Birçok varlık ve hatta sınırlı sayıda ilişki içeren bir veri grafiğinin milyarlarca bağlantısı olabilir.
Bazı uygulamalarda, veri grafikleri sistemden erişilebilen harici bir depolama cihazında saklanabilir.
Bazı uygulamalarda, veri grafiği birden çok depolama aygıtına ve/veya birden çok bilgi işlem aygıtına, örneğin birden çok sunucuya dağıtılabilir.
Patent, gerçeklerin güven puanlaması, bir derlemdeki sözcüklerin konuşma etiketleme bölümleri, varlık çıkarma hakkında daha fazla ayrıntı sağlar.
Özellikle Miles Davis, John Coltrane ve New York’a bakar ve belgelerdeki zamirleri daha iyi anlamak için bağıntı çözümlemesini kullanır.
Patente göre oluşturulan bir metin grafiği de veri grafiğine bağlanabilir.
Patent bize, bağlantının varlık çözümlemesi yoluyla veya veri grafiğinden hangi varlığın bir belgedeki bir isim tümcesiyle eşleştiğini belirleyerek gerçekleşebileceğini söyler.
Patentten şuna benzer ifadelerle SEO’da bahsetmeleri kullanma fikrine geri döndük:
Bu, HTML’de gördüğümüz bağlantılardan farklıdır, ancak göz önünde bulundurulmaya değer. Patent bize, bir veri grafiğinde bunun gibi düğümler ve kenarlar arasındaki ilişkileri anlatıyor:
Patent, güven puanlarının kullanımını açıklar ve bu sistemi kullanan eğitim hakkında bize söylenen bunun gibi sorguları kullanan kuruluşlara güvenmek için ağırlık verir:
Patent bize, makine öğrenimi algoritmasına, sorgulanan kişiyle bağlantılı olarak belirtilen diğer kişilerin mesleklerine dayalı olarak bir kişi varlığının mesleğini anlamayı öğreten pozitif bir eğitim örneğini gösteriyor.
Bu blogun ilk sayfasında yer alan ve bu kişilerin mesleklerinden bahseden öne çıkan görsele bakın (şu anda aşağıda da mevcut). Patent bize böyle bir özelliğin {Basma, bağlaç, Söz −1, Meslek} şeklinde görünebileceğini söyler; burada Sözler veri grafiğini metin grafiğine bağlayan söz konusu kenarı temsil eder, bağlaç metin grafiğinde bir kenardır, Söz -1, metin grafiğini veri grafiğine bağlayan söz konusu kenarı temsil eder ve Meslek, veri grafiğinde bir kişi için bir varlığı mesleği temsil eden bir varlığa bağlayan bir kenarı temsil eder.
Daha sonra bize patentte söylendi:
Ayrıca, “eş”, “karı”, “koca”, “önemli kişi” ve “evli” sorgularını veri grafiğindeki çeşitli yollara eşlemek için eğitilen makine öğrenimi modülüyle ilgili örnekleri de öğreniyoruz. Eğitim verileri.
Bu sorgular, makine öğrenimi modülünün sorgu kümeleri için eğitilebilmesi için kümelenebilir.
Ve sorgular, benzer anlamlara sahip bir sorgu kümesine atıfta bulunabilir.
Patent, yukarıdaki örnekler kullanılarak birkaç varlık hakkında bir veri grafiğinin nasıl öğrenilebileceğine dair birçok örnek sağlar. Bu eğitim daha sonra veri grafiğinden gelen sorguları yanıtlamak için kullanılabilir. Ek olarak, patent bize belge tabanlı bir dizin gibi internet dışındaki kaynaklardan gelen bilgileri kullanabileceğini ve veri grafiğinden elde edilen sonuçları belgeye dayalı dizinden elde edilen sonuçlarla birleştirebileceğini söylüyor.
Bu patent ayrıca Google’ın bir veri grafiğini nasıl genişletebileceğine dair geniş bir bölüme sahiptir. İşlem, yukarıda bağlantısını verdiğim varlık çıkarma hakkında yazdığım zaman anlattığım sürece çok benziyor. Bize bir veri grafiğinin milyonlarca belgeden öğrenmeyi içerebileceği söylendi.
Patentte ayrıca, Makine Öğrenimi modülünü kullanarak çıkarımsal demetleri güven puanlarıyla ilişkilendirme hakkında bir bölüm vardır. Aynı zamanda bize, bir eşiğe göre çıkarsanan demetler için güven puanını kontrol etme hakkında da bilgi verir.
Doğal Dil Sorgularını Kullanarak Veri Grafiği Sorgulamanın Amacı
Bu patent bize, varlıkları ve bunlarla ilişkili demetleri tanımlamak için bir veri grafiğinin nasıl oluşturulabileceğini anlatıyor. Bu varlıklar ve bunlarla ilgili gerçekler arasındaki güven puanlarını anlayan bir veri grafiği oluşturabilir ve benzer özelliklere sahip benzer varlıkları anlayabilir. Tüm bu varlıklar hakkındaki sorguları yanıtlamak için bu veri grafiklerini kullanırdı. Bu yaklaşım, Web’i okumaktan ve varlıklar hakkında bilgi toplamaktan ve onlarla karşılaşıldığında onlar hakkındaki gerçeklerden fayda sağlayacaktır. Patentin birçok yönünü özetledim ve ayrıntılarını daha derinlemesine öğrenmek için okumanızı tavsiye ediyorum. Son olarak, karşılaştığı web’den nasıl öğrendiğini ve insanların sorduğu soruları yanıtlamak için bu bilgiyi nasıl geliştirdiğini açıklamak istedim.
Bir arama motorunun dünyayı okuduklarından daha iyi anlamak için kullanabileceği ilgili yaklaşımları açıklayan daha birçok patentle karşılaşacağımızdan şüpheleniyorum.
Bill Slawski hakkında
26 yılı aşkın SEO deneyimi ve Hukuk Doktoru Derecesi ile Bill Slawski, Google’ın SEO ile ilgili patentleri konusunda en önde gelen uzmandır. Patent Keşfi, SEO hakkında yeni bilgiler bulmanın en hızlı ve en ayrıntılı yollarından biridir. Bill, önde gelen bir arama motoru optimizasyonu blogu olan SEO by the Sea’nin Editörüdür ve burada 1.300’den fazla gönderinin yazarıdır. Bill’in deneyimi, Fortune 500 markalarını ve dünyanın en büyük web sitelerinden bazılarını içerir. Bill, Moz, Search Engine Land ve Search Engine Journal için katkıda bulunan bir yazardır. 2014-2021’de arama motoru algoritmaları, evrensel ve harmanlanmış arama, aramada kişiselleştirme, arama ve sosyal ve yinelenen içerik sorunları, yapılandırılmış veri ve şema gibi konularda sektör lideri uluslararası konferanslarda konuşma yaptı.
