Search engine ranking a SEO

• mám nějaké “ohodnocení” stránek (z Boola, Vectoru, LSI, PageRanku)
• SEO je metoda, jak tvořit webové stránky, aby “rankovaly” co nejvýše
  • adaptace stránky na vyhledávací algoritmus, který se aktuálně používá
  • spíš je to už taková kuchařka, co všecho “platí”

Rankování obecně

• mám spoustu informací (o stránkách - z PageRanku, o uživateli - preference atd.)
• One step ranking
  • mám v atributech uložený různé ranky stránky (PageRank, vektor, LSI)
    • podle podoby obsahu, podoby rozložení (layout), PageRanku (- ten nezáleží na dotazu, je obecný)
  • mám agregační funkci, která tyto ranky projede a pro každý vyplivne jeho finální hodnotu
    • musí být monotónní
    • klasické agregační funkce mohou být Min, Max a Avg
  • tedy mám různé rankingy stránek a po agregační funkci chci, aby je zagregovala, např. “zprůměrovala”
  • Top-k operátor
    • řeší se jenom prvních k stránek
      • nemohu to počítat pro všechny, bylo by to moc náročný
    • Fagin a Threshold algoritmy (fun fact, oba vymyslel týpek Fagin, ale ten druhý už po sobě nemohl pojmenovat) jak najít top-k výsledků na základě několik atributů (různé ranky, PageRank, layout atd.)

Faginův algoritmus

• implementuje one step ranking a Top-k operátor
• čtu tak dlouho, že pro všech k stránek(objektů) mám všech m ranků, které potřebuji k agregování (tedy všechny)
  • až zjistím všechny hodnoty ranků pro prvních k stránek
    • tak musím doplnit celou tabulku (tedy pro ostatní skočím po pointeru k jejich hodnotám)
• optimalizovaný na to, aby minimalizoval náhodný vstupy
• nevýhoda je, že může zajet hodně daleko a tím pádem má velmi velký buffer (klidně i půlka DB)

Threshold

• drží si určitý práh (= threshold)
• theshold se mi postupně snižuje a
• přístup je sekvenční narozdíl od paralelního Fagina
• sekvenčně přečtu a rovnou si doplním zbývající hodnoty přes pointery
  • kandidát je 0.6, ale můj treshold je 0.9 (nemůžu dostat nic lepšího než 0.9)
    • ale mezi 0.9 a 0.6 je rozdíl, takže tam může být lepší výsledek, jedu dál
    • takhle jedu do té doby, než mi treshold nespadne pod ten “horší výsledek” a tím pádem
• nevýhoda
  • RandomAccessem přistupuje častěji (zjišťuje si další hodnoty ihned) - a ten je o něco pomalejší
• výhoda
  • zjišťuje fakt jenom top-k stránek a nenaroste do tak velkých hodnot
• je univerzálnější

Když vybírám, jaký použít, tak to záleží na hodnotě k, m a taky, jak drahý je RandomAccess vs. sekvenční přístup I když je one-step ranking optimalizovaný Faginem a Threshold, tak jsou furt drahý

Multi-step ranking

• nejdříve chci “agresivní filtr” - např. podle contentu (hledám “Botanická zahrada” a vyfiltruju mnohem více stránek než co by mi dal samotný PageRank)
  • omezím si množinu a pak už si to jenom “šoupu” podle ostatních ranků

SEO

The content of web page that is good to human is not enough, it should be also “good” to the machine.

• matoucí název, neoptimalizuji engine, ale optimalizuji stránky PRO engine
• používají se technologie webového designu, ale v souvislosti s tím, jak funguje vyhledávací engine
• chci zlepšit dojem ze stránky, ale pořád zachovat směr a organiku stránky

Etické SEO

• dlouhodobé přidávání a optimalizování organického obsahu → dlouhodobý SEO efekt Neetické SEO
• agresivní manipulace pro okamžitý SEO efekt
  • nedávat klíčová slova o zahradních sekačkách pro stránku o nábytku
  • engine to identifikuje a klasifikuje mě jako spam
• search engines rankují jednotlivé stránky, takže je potřeba mít optimalizovanou každou stránku mé webovky
• chci optimalizovat pro engine a pro uživatele zároveň
  • ta myšlenka zatím původně je tak, že optimalizuji jen pro uživatele a search engine se na to přizpůsobí, ale v praxi to takhle moc není (velká konkurence na webu být první ve výsledcích)

Jak to dělat?

• optimalizovat URL stránky (čitelné URL) a URL textově relevantní k obsahu (a čím kratší, tím lepší)

• název stránky (jen do 64 znaků, více Google nezobrazí) - primární ranking faktor

• meta-tagy - už nejsou moc relevantní, hodně se zneužívali

  • description - může se použít pro specifikování, o čem daná stránka je
  • keywords - už nejsou moc relevantní kvůli zneužívání

• zvýrazňovače textu (jak člověk, tak engine je bere jako významnější)

  • např. strong → tohle vnímá uživatel i engine

• optimalizování obrázků - pokud se na stránce nachází obrázky, jsou to body nahoru

  • engine nemůže “číst” obrázky, je potřeba dobře vyplnit alt tagy
    • keyword vyplň relevantní pouze k danému obrázku, ne k celé stránce
    • once again, pokud budu používat alt ke keyword spammingu, tak mi to dá penalizaci

• jaký je content, struktura linků uvnitř

  • pokud mám vnitřní strukturu linků, tak se spideři mohou rychle pohybovat po všech relevantních stránkách
  • taky záleží na tom, kde jsou linky umístěné
    • nahoře > dole
    • v bloku textu > osamocené

• 2 skupiny klíčových slov - chci dobré namixování těchto skupin

  • generické
  • více relevantní

• mixovat správné keywords (abych se trefil do dotazů zákazníků)

  • obecnější a specifičtější klíčová slova
  • na hlavní stránku spíše ta obecnější (pro vyšší traffic) a na substránky spíše specifičtější
  • udržovat správnou hustotu klíčových slov
    • když nějaké opakuji víckrát, tak v rámci vektorového modelu se vektor pro daný term více prodlouží, pokud budu používat více různých a jenom jednou, tak zase vektor poroste více do stran

• stejně nejdůležitější je organický obsah

  • celé SEO by mělo být augmentace, aby ten organický web lépe sedl na search engine
  • obsah by se měl psát pro uživale, ale stejně se píše i “pro search enginy” - ty se totiž při rozhodování chovají podobně jako uživatel
  • je důležité udržovat obsah aktuální
    • search engine si kontroluje míru updatů stránky a hodně staré stránky už třeba ani neindexuje
      • samozřejmě je tam spoustu jiných parametrů - když je stará, ale pokud na ní lidé pořád chodí, tak ji search engine nechá nahoře
  • potřeba GDPR, Cookies, mít privacy policy stránku

• dále engine penalizuje stránky, které mají duplikovaný obsah (a neřeší, která to “opsala” od které)

• je potřeba optimalizovat i další soubory (PDFs, MS Office atd.) - např. u PDFka se ujistit, že se jedná o machine-readable text a ne pouze o bitmapu

• udělat si rešerši stránek, které na mě mohou ukazovat

  • linkování ze sociálních médií (zapojení uživatelů)
  • chci linky z důvěryhodných a prověřených stránek
  • linky z .gov a .edu jsou více ceněný

Crawler

• krátký program, který instruuje tzv. “Spiders” (roboti, boti, agenti) o tom, jak a jaké stránky mají procházet
• každá stránka by měla mít soubor robots.txt, který takovým botům říká, které části stránky mají dovoleno procházet
  • existuje etické crawlování, kdy to crawleři dodržují, ale také to spousta porušuje (je to jen na bázi dobrovolnosti) - Robot exclusion protocol
    • například e-mailoví sběrači, malware, spamboti atd.

Sitemap

• soubor (html, php, xml), který pomáhá robotům se orientovat na stránce
• měl by následovat hierarchii stránky
• může být ve formátu XML

Robots.txt

• říká robotům, jaké stránky můžou indexovat a crawlovat a jaké ne
• v rootu webového serveru
• také s ním mohu kontrolovat crawlování multimédií (tím pádem šetřit přenosem na serveru) a copyright informacemi

.htaccess

• nastavení funkcionality Apache serveru
• použití: ochrana některých složek heslem
  • redirecting
  • banování botů z určitých zdrojů

Neetické SEO

• lze to “nafejkovat” např. linkovými farmami atd.
• ale většinou je to dosti krátkodobé
  • search engine mě najde a dá na blacklist