Görsel anlambilim: Topikal otoritenin eksik parçası

SEOuzun zamandır bir sayfanın ne söylediğine odaklanmıştır. Giderek artan bir şekilde, bu bilgilerin nasıl sunulduğunu da hesaba katması gerekir.

Google, sayfa düzenini, yapısını ve işlevselliğini anlamada daha iyi hale geldikçe, görsel anlambilim, arama motorlarının web sayfalarını nasıl yorumladığının önemli bir parçası haline geliyor.

Görsel anlam nedir?

Görsel anlambilim, metinsel anlambilim ile birlikte çalışarak belgeleri bölümlere ayırmak, sınıflandırmak ve anlamak için bir anlam modelidir.

Google, bir web sayfasının işlevsel bileşenlerine daha fazla ağırlık vererek gerçek uzmanlığı, benzersizliği ve özgünlüğü daha iyi tanımlamak için "web metninden" "web düzenine" geçerek web belgelerini nasıl yorumladığını değiştiriyor.

Google'ın Kalite Değerlendirici Yönergeleri, bu değerlendirmenin bir yönü olarak tanımlanan "tasarım çabası" ile en önemli kalite ilkelerinden biri olarak "insan çabası ve katılımını" belirtmektedir.

Web sayfası düzeni her zaman SEO'nun önemli bir parçası olmuştur.Google'ın Sayfa Düzeni algoritmaları. Bu ilk algoritmalar, web sayfalarını anlamaya yönelik günümüzün daha sofistike yaklaşımlarının aksine, öncelikle reklam yerleşimine ve basit belge sıralama sinyallerine odaklandı.

Marka olunmüşteriler ilk önce bulur.

Google, AI arama, sosyal, yerel ve satın alma kararlarını etkileyen her kanaldaki görünürlüğünüzü izleyin, büyütün ve ölçün.

Ücretsiz denemenizi başlatın

Google neden sayfa düzenine daha fazla önem veriyor?

Google, web sayfası düzenini anlamanın önemini vurgulayan yeni buluşlar ve patentler sundu. Çoğu web sayfası artık yalnızca düzyazı veya basit metin üzerinden metin düzenleriyle oluşturulmuyor. Bunun yerine, çok daha yoğun bilgi içerirler. 

Her 10 ila 20 piksel, kullanıcılara yardımcı olmak için tasarlanmış yeni bir etkileşim noktası, etkileşim öğesi, tıklanabilir modül, karşılaştırma birimi veya dinamik bileşen sunabilir.

Bu nedenle, Gemini ve AI Modu üzerinde çalışanlar da dahil olmak üzere Google'ın önde gelen mühendislerinden bazıları, Yapılandırılmış Bilgi Kartları ve düzene duyarlı çok modlu belge anlayışı gibi daha yeni icatlarla da ilişkilidir.

Aşağıda, Google'ın şu konudaki çalışmalarından doğrudan bir alıntı verilmiştir:yapılandırılmış bilgi kartları ve düzene duyarlı çok modlu belge anlayışı. Google, önemli bilgileri genellikle sıradan paragraflar yerine etkileşimli kart yapılarında bulur. 

Sonuç olarak, ürün kartları, otel kartları, emlak kartları, yolculuk kartları, kredi kartları ve diğer bilgi kartları dahil olmak üzere farklı kart türlerinin nasıl yapılandırıldığını anlayabilen sistemlere ihtiyaç duymaktadır.

Başka bir deyişle, modern arama motorları yalnızca bir sayfadaki metni değil, aynı zamanda yapılandırılmış her bir bilgi bloğunun düzenini, hiyerarşisini, görsel ilişkilerini, ek açıklamalarını ve işlevsel anlamını da anlamalıdır.

Arama motorları için düzen neden önemlidir?

Yapılandırılmış bilgi kartlarını ve düzene duyarlı belge yorumunu anlamak, sinir ağlarını ve muhtemelen web belgelerini ek açıklamalar ve yüksek güvenilirlikli alıntılarla "sözlü hale getirebilecek" yeni bir LLM türünü gerektirir.

Google, bu belgelere gömülü verileri anlamadan bir uçuş rezervasyonu web sitesini, kredi kartı uygulama toplayıcısını veya benzer platformları güvenilir bir şekilde sıralayamaz. 

Bu verilerin çoğu, düz metin yerine benzersiz şekilde tasarlanmış kart yapıları, karşılaştırma modülleri, tablolar ve etkileşimli düzenler aracılığıyla sunulur.

Aşağıda, Google'ın da belirttiği ViPS adlı Microsoft'tan belge düzeni anlayışının erken bir örneği verilmiştir.

Daha sonra Google, HTML ağırlıklı segmentasyona dayanan alternatif bir yaklaşımın patentini aldı.

Her iki yaklaşım da yakından ilişkilidir ve bir sayfadaki hangi metnin her bölüme, bileşene, varlığa veya görsel bloğa ait olduğunu belirlemek için büyük ölçüde HTML'ye dayanır.

Gömme tabanlı algoritmaların yükselmesiyle birlikte, “parçalama” gibi kavramlar SEO endüstrisinde yaygın olarak tartışılmaya başlanmıştır. 

Bununla birlikte, metin veya belge parçalama ile ilgili birçok tartışma kritik bir noktayı gözden kaçırmaktadır: Parçalama sadece dilsel bir süreç değildir. Aynı zamanda düzene ve yapıya duyarlı bir süreçtir.

Bir belge görsel olarak bölümlere ayrılmamışsa ve arama motorları tarafından yapısal olarak anlaşılamıyorsa, içeriğin yorumlanması zorlaşır. Bu durumda, kaç tane varlık, tahmin, üçlü veya varlık ilişkisi dahil ettiğiniz veya bunların ne kadar doğru olduğu önemli değildir. 

Arama motorlarının hala her bir bilgi parçasının nereye ait olduğunu, çevredeki unsurlarla nasıl ilişkili olduğunu ve hangi görsel veya işlevsel bileşenin ona anlam verdiğini anlaması gerekir.

Daha derine inin:Çok modlu yapay zeka için Image SEO

Merkez parça ek açıklaması sıralamaları nasıl etkiler?

Modern aramada, bilgi kalitesi tek başına yeterli değildir. Bilginin ayrıca makinelerin sınırlarını, hiyerarşisini, bağlamını ve amacını anlamalarına yardımcı olan bir düzen içinde sunulması gerekir.

Google, bu kavramı, sistemlerinin bir belgeyi daha iyi anlamasına yardımcı olan görsel ek açıklamaları açıklayan “merkez notu” ile açıkladı.

Google'dan Martin Splitt, "en önemli ek açıklamanın" bir web sayfasının "birincil içeriğini" temsil ettiğini söyledi. 

Daha sonra, Google'ın antitröst davası sırasında açıklanan belgeler, haber belgelerini sınıflandırmak ve sıralamak için en önemli ek açıklamanın da kullanıldığını gösterdi. 

Merkezdeki açıklama notu öncelikle yaklaşık 400 karakterle sınırlıydı, ancak bu belgeler başka kayda değer ayrıntılar da ortaya koyuyor.

Örneğin, Google'ın HTML'den orta kısım ek açıklamasını nasıl çıkardığını aşağıda görebilirsiniz. Cümle, Facebook, e - posta, Twitter (X) ve Google+ paylaşım düğmeleri gibi gereksiz HTML öğeleri tarafından kesilir.

Google'ın DOJ belgelerinden bir sonraki örnekte, uygun HTML yapısı, paylaşma düğmesi şablonunun merkezdeki ek açıklamayı kesintiye uğratmasını önleyerek Google'ın içeriği doğru bir şekilde çıkarmasına olanak tanır.

Görsel anlambilim pratikte nasıl görünür?

Aşağıda basit bir SEO vaka çalışması bulunmaktadır. 19 değişiklik içermesine rağmen, en büyük sıralama iyileştirmesi basit bir ayardan geldi: bir hesap makinesi bileşenini sayfanın altından en üstüne taşımak, onu en önemli ek açıklama haline getirdi.

Bu değişikliğin sonuçları aşağıda gösterilmiştir.

Metrik	Geri	Güncel	Artış / Değişim	Başarı Üzerine
Toplam Tıklama	3,47 milyon	4,53 milyon	+1.06 milyon tıklama	30 ± 5
Toplam gösterim	84,1 milyon	167 milyon	+82,9 milyon gösterim	+% 98,6
Ortalama CTR	%4,1	%2,7	1,0 yüzde puan).	34(1):
Ortalama pozisyon	8,9	8.5	0,4 pozisyon iyileştirildi	+% 4,5 iyileşme

Bu proje, 100.000 'den fazla sayfayı içeren programatik bir SEO vaka çalışması olduğu için görsel semantiği ve metinsel semantiği yakından bağlamaktadır.

Bu ölçekte, her URL'de küçük bir cümle düzenleme, bileşen güncelleme veya düzen ayarı bile çarpılır. Bu nedenle Google, düzen değiştikten sonra tüm web sitesini yeniden taradı ve gösterimlerin ve tıklamaların daha sonra artmasını sağladı.

Proje, "2m ila cm" ve milyonlarca benzer sayısal ve metrik varyasyon gibi sorgular için sıralanan bir dönüştürücü web sitesidir. Bu tür bir arama ortamında, 10.000 'den fazla rakip web sitesi esasen aynı verileri ve aynı cevabı sağlar.

Bu web siteleri aynı topikal kapsama ve gerçek doğruluğa sahiptir. Rekabet avantajı, daha iyi bir cevap vermekten gelmez, çünkü “1 metreden cm'ye” her yerde aynı değere sahiptir.

Bu, geri alma maliyetinden, belge anlama verimliliğinden, dahili PageRank dağıtımından ve Google'ın ilk sıralama sistemleri için cevabın ne kadar net bir şekilde sunulduğundan kaynaklanmaktadır.

Bu tür sorgularda, cevabı değiştirerek kendinizi farklılaştıramazsınız. Cevabın nasıl yapılandırıldığını, açıklandığını, önceliklendirildiğini ve görsel olarak sunulduğunu değiştirerek kendinizi farklılaştırırsınız.

Bu nedenle, merkezdeki ek açıklamayı değiştirmek Google'ın düzeni yeniden işlemesine, sayfaları yeniden sıralamasına ve sitenin sıralamasını daha da iyileştirmesine neden oldu.

Daha derine inin:Ürünleri çok modlu yapay zeka araması için makine tarafından okunabilir hale getirme

Geri getirmenin maliyeti nedir ve görsel anlambilim ile nasıl bir ilişkisi vardır?

"Bir belgeyi derecelendirmenin maliyeti "," bir belgeyi derecelendirmemenin maliyetinden "daha yüksek olamaz.“ Bu kavramı yıllar önce konferans sunumlarımdan birinde tanıttım. Google, arama kalitesini önemser, ancak sistemleri de kaliteyi maliyete karşı tartar. Bir web sitesinin işlenmesi kalitesinin gerektirdiğinden daha pahalıysa, Google bir alternatif arayacaktır.

Google, HTML dosya boyutu sınırını 2 MB'ye düşürdü ve Aralık 2025 çekirdek güncellemesinin ardından büyük ölçekli indeksleme gerçekleştirdi.

Aynı zamanda, yapay zeka tarafından oluşturulan içeriği anlamlı bir insan çabası olmadan ölçeklendiren web sitelerine açık bir sinyal gönderdi. Google, yıllarca kabul ettiği uygulamalara karşı daha az hoşgörülü görünmektedir ve endeksleme kararlarının daha da seçici hale gelmesi muhtemeldir.

Bir web sayfası kendini net bir şekilde açıklamadığında veya özellikle “merkezdeki ek açıklama” etrafında yeterli alaka ve duyarlılık gösteremediğinde, geri alma maliyetleri artar. "Google'ın Content Warehouse API sızıntısı, şirketin belgeleri kısalttığını ve ilk sinyallere dayanarak kaliteyi tahmin ettiğini gösteriyor. Bir belge bu erken değerlendirmeler sırasında alaka düzeyi ve yanıt verme eşiklerini karşılamıyorsa, aday olarak kabul edilmeyecektir.

Google'ın antitröst denemesi sırasında, Google'ın o zamanki Arama Başkan Yardımcısı Pandu Nayak, Google'ın yeterli tıklama verisine sahip olmadığı için her web sayfasında hesaplama açısından en pahalı algoritmalarını çalıştırmadığını açıkladı. Bunun yerine, öncelikle bir sayfanın endekslenmeye ve aday olarak tutulmaya değer olup olmadığını belirlemek için temel güncellik sinyallerini değerlendirir.

Nayak ayrıca RankBrain benzeri algoritmaların çalıştırılmasının pahalı olduğunu, bu nedenle Google'ın bunları en az bir tıklama olan, güçlü bir güncellik gösteren ve tarama, oluşturma, değerlendirme ve daha fazla işleme yatırımını haklı çıkaran ek açıklamalar içeren sonuçlar için ayırdığını açıkladı.

Başka bir deyişle, belgeleri düzenlerine, bileşenlerine ve yapılandırılmış bilgi kartlarına göre sınıflandırmak, arama kalitesini artırırken geri alma maliyetlerini azaltmanın daha etkili bir yoludur.

Bugün, büyük ölçekli içerik yayıncılarının çoğu daha fazla metin üretmek için yapay zekaya güveniyor. Kullanıcı etkileşimini, etkileşimi ve belge anlayışını geliştiren ön uç ve arka uç sistemlere çok daha az yatırım yapılır.

Bu ayrım, düşük kaliteli ve yüksek kaliteli kaynakları giderek daha fazla ayırmaktadır. Düşük kaliteli kaynaklar öncelikle metni ölçeklendirir. Yüksek kaliteli kaynaklar, hem kullanıcıların hem de arama motorlarının içeriği daha verimli bir şekilde anlamalarına yardımcı olan sistemleri, düzenleri, bileşenleri, yapılandırılmış bilgi kartlarını ve kullanıcı etkileşimlerini ölçeklendirir.

Aşağıda Google'ın web sitesi temsil vektörleri kavramı verilmiştir.

Google, web sitelerini uzman, çırak veya amatör kaynaklara benzeyip benzemediklerini belirlemek için görsel ve düzenle ilgili eklemeler ve özellikler kullanarak sınıflandırır.

• "Örneğin, web sitesi sınıflandırmaları, bilgi alanındaki uzmanlar (örneğin doktorlar) tarafından yazılan birinci bir web sitesi kategorisini, çıraklar (örneğin tıp öğrencileri) tarafından yazılan ikinci bir kategoriyi ve meslekten olmayan kişiler tarafından yazılan üçüncü bir kategoriyi içerebilir..."

---

Google'ın yararlı içerik sistemi görsel anlambilim ile nasıl ilişkilidir?

Yararlı içerik sistemi, hangi web sitelerinin gerçekten yararlı bilgiler veya anlamlı katılım sağladığını tanımlayan ve araştırmacının temel amacını yerine getirmeden yalnızca kullanışlılığı taklit eden bir sınıflandırıcıdır.

SEO endüstrisinin yararlı içerik sistemi analizinin çoğu metinsel özelliklere odaklanmıştır. İlk tartışmalar, bilgi kazanımını artırmak için anahtar kelime doldurma, anlamsız içerik veya "benzersiz bilgi" eklemeye odaklandı. Bununla birlikte, sistemin algoritmalarının çoğu, bir kaynağın işlevine ve türüne odaklanıyor gibi görünmektedir.

Google ilk olarak web sitelerini içerik kalitesinden ziyade türlerine göre sınıflandırır. Bu, aynı içeriğin bir satış ortağı web sitesinde bir e - ticaret web sitesinde olduğundan farklı sıralanabileceği anlamına gelir. 

Peki Google, bağlı kuruluş siteleri, toplayıcılar, hizmet sağlayıcılar, e - ticaret siteleri ve SaaS platformları arasında nasıl bir ayrım yapıyor? Cevap görsel anlambilimdir. Bir sayfanın yapabilecekleri veya yapamayacakları, büyük ölçüde düzeni ve sayfa bileşenleri tarafından belirlenir.

Alaka düzeyi ve yanıt verebilirlik arasındaki en büyük ayrım, anlamadan değil, katılımdan gelir.

Arama sonuçlarını sayfa öğelerine göre sınıflandırmagoogle'ın ne tür bir belgeyi değerlendirdiğini anlamasına yardımcı olur

Google, aşağıdaki gibi sistemler oluşturdu:sinirsel eşleştirmebir sorgudaki varlık türünü ve varlık kimliğini en alakalı belgelerle hizalamak için. Basit bir ifadeyle, sorgudaki varlık belgedeki varlıkla eşleşmiyorsa, o sayfanın sıralanma olasılığı azalır. Bu öncelikle alaka düzeyi ile ilgilidir.

Alaka tek başına yeterli değil. Bir belge alakalı olduğu için sıralanabilir, ancak satın alma, karşılaştırma, sipariş verme, inceleme, filtreleme veya izleme gibi anlamlı kullanıcı eylemlerini desteklemiyorsa, kullanıcının gerçek görevine yanıt vermez.

Bu nedenle yararlı içerik sistemi sadece sayfa metnini değerlendiren bir sistem olarak görülmemelidir. Sayfa fonksiyonunu da değerlendirir. Yararlı bir sayfa sadece alakalı kelimeler içeren bir sayfa değildir. Kullanıcıların sorgunun arkasındaki eylemi, kararı veya bilgi arama görevini tamamlamalarına yardımcı olur.

Google, Faydalı İçerik güncellemelerinden sonra spam politikalarına "yanıltıcı işlevsellik" ekleyerek bu fikri pekiştirdi. Bir sayfa, aslında sağlamadan bir işlevi taklit ederek yararlı görünebilir.

Örneğin, bir sayfa, kullanıcıların bu işlevler gerçekten mevcut olmasa bile bir şeyi karşılaştırabileceğini, filtreleyebileceğini, hesaplayabileceğini, rezerve edebileceğini, gözden geçirebileceğini veya satın alabileceğini önerebilir. Bu durumlarda, sayfa hem kullanıcılar hem de algoritmalar için işlevsel görünebilir, ancak kullanıcının görevine gerçekten duyarlı değildir.

Google, web sitelerini yalnızca sayfa düzenine ve tasarımına göre sınıflandırmaz. Ayrıca serp içinde sonuç türü kısıtlamaları uyguladığı görülmektedir. Örneğin, “en iyi kadın gözlükleri” gibi bir sorgu, aynı sonuç sayfasında listeler, e - ticaret kategorisi sayfaları, ürün ızgaraları, videolar ve ticari kılavuzlar döndürebilir.

Birden fazla arama amacını karşılamak için Google, kaç e - ticaret sayfasının, listelemenin, videonun veya diğer sonuç türlerinin birlikte görüneceğini sınırlayan çeşitlilik kısıtlamaları uygulayabilir.

Google'ın DOJ belgeleri, Twiddlers'ın sonuçları nasıl sınıflandırabileceğini ve aynı küme, kategori veya kaynak türündeki sayfa sayısını nasıl sınırlayabileceğini gösteren “MAX_TOTAL” ve “BlogCategorizer” gibi işlevleri içerir.

Benzer bir ek açıklama, bir sonuca kategorik ağırlık atayan "WebrefFatcatCategory" modülü aracılığıyla Google Content Warehouse API sızıntısında görünür.

Başka bir deyişle, Google belgeleri tek tek sıralamaz. Ayrıca sayfa türüne, kaynak kategorisine ve kategorik çeşitliliğe göre sonuçları sınıflandırır, kümeler ve kısıtlar. Sonuç olarak, bir sayfa sıralamak için yeterince alakalı olabilir, ancak yine de SERP'nin genel bileşimi ile sınırlı olabilir.

"En iyi ürünler" sayfası gibi oluşturulan bir varlık listesi başarılı bir şekilde sıralansa bile, yalnızca bir blog makalesi olduğu için sıralanmaz. Ticari bir kaynak olarak işlev gördüğü için sıralanır. Kullanıcıların bir kararı karşılaştırmasına, değerlendirmesine, filtrelemesine, gözden geçirmesine ve bir karara yaklaşmasına yardımcı olur. Bu anlamda Google, işlevsel bir kategoriye etkili bir şekilde hizmet ettiğinde işlevsel olmayan içeriği sıralayabilir.

Bu mercekten bakıldığında, yararlı içerik sistemi bağlamında “yararlı ”,“ işlevsel ”ile yakından uyumludur.

Aşağıdaki vaka çalışması bu prensibi göstermektedir. Aynı içeriği bir bağlı kuruluş web sitesinden bir e - ticaret web sitesine taşıdık, entegre bir topikal harita ile destekledik ve sıralamaların neredeyse anında iyileştiğini gördük.

Görsel anlambilim yoluyla arama sonuçlarını yeniden sıralamak için tıklama verileri nasıl kullanılır?

Google, bir web sayfasının amacını yalnızca metninden değil, düzeninden de giderek daha fazla anlıyor. Sonuç olarak, tıklama verileri kaynak türüne göre toplanır. Birçok SEO, uzun tıklamaların veya daha uzun bekleme sürelerinin kaliteyi işaret ettiğini varsayar. 

Ancak, Google'ın araştırmasına göre bu her zaman doğru değildir. Kategoriye bağlı olarak, daha kısa bekleme süreleri başarılı bir deneyimi gösterebilirken, daha uzun oturumlar bir "katılım tuzağı" nı işaret edebilir.

Aşağıda, Google'ın izleme bileşenleri tarafından yakalanan kullanıcı davranışına dayalı olarak farklı sıralama ve sıralama değiştirme modelleri uygulayan yeniden sıralama modeli verilmiştir.

Başka bir örnek, DOJ belgelerinde ortaya konan "Twiddler'ın anatomisi" diyagramının yanı sıra Google'ın "Arama Motoru Sonuçlarını Birleştirme" patentinden geliyor.

Google ayrıca, mühendislerin arama sıralaması algoritmalarının kullanıcı davranışını nasıl yorumladığını anlamalarına yardımcı olmak için "Bir Tıklamanın Hayatı" kavramını kullanır.

Birlikte ele alındığında, bu sistemler, tıklama verilerinin yalnızca metin yoluyla değil, bir web sayfasının tasarımıyla birlikte yorumlandığında daha anlamlı bir sınıflandırma sinyali haline geldiğini göstermektedir.

Belgeleri görsel yapılarına göre sınıflandırmak, milyonlarca belgeyi, milyarlarca kelime jetonunu, ortak oluşumları, adlandırılmış varlık kararlarını, öznitelik ayıklamalarını ve değer düzeltmelerini analiz etmekten daha verimli olabilir.

Belirli belge düzenleri sürekli olarak daha güçlü kullanıcı memnuniyeti sağlıyorsa, Google bu sayfaları daha yararlı veya işlevsel olarak sınıflandırabilir. Daha sonra bu sinyalleri benzer düzen modellerine, bileşen yapılarına ve etkileşim modellerine sahip diğer belgeleri tanımlamak için kullanabilir.

Bu, topikal otoritenin yalnızca hangi konuların ele alınacağını tanımlayan topikal bir haritadan gelmediği anlamına gelir. Ayrıca, hangi sayfa düzenlerinin, bileşen yapılarının, bilgi kartlarının, karşılaştırma modüllerinin ve işlevsel tasarımların her bir konu, sorgu ve arama etkinliğiyle en iyi eşleştiğini anlamaktan gelir.

Uygun bir topikal harita yalnızca varlıkları, öznitelikleri, yüklemleri ve bağlamsal ilişkileri tanımlamamalıdır. Ayrıca, hem alaka düzeyini hem de yanıt verebilirliği karşılamak için gereken sayfa türünü ve işlevsel düzeni de tanımlamalıdır.

Bu, kapsama alanı ve alan düzeyinde sınıflandırma kavramlarına yol açar. Aşağıdaki üç örnek bu yaklaşımı göstermektedir.

İlk örnek, tek bir konu etrafında inşa edilmiş bir alt marka olan AudioToText.com'dur.

Audiototext.com'un GSC Metrikleri. Üçüncü taraf Semrush verileri aşağıda gösterilmiştir.

12 dilde yalnızca bir konuyu veya toplamda 13 sayfayı kapsamasına rağmen, site üç nedenden dolayı arama görünürlüğünde büyümeye devam ediyor:

• Tam eşleşme alanı alaka düzeyini güçlendirir.
• Görsel anlambilimi duyarlılığı artırır.
• İlk tıklamalarını hızlı bir şekilde kazanarak Google'ın hesaplama açısından daha pahalı sıralama sistemlerini daha erken çalıştırmasına olanak tanır.

Diğer dil sürümlerinden gelen tıklama memnuniyeti, diller arası bilgi alımı yoluyla İngilizce sürümünü de güçlendirebilir. 

Google, AudioToText.com'u "kayıt gerektirmeyen transkripsiyon aracı" olarak sınıflandırmak ve yapay zeka genel bakışlarında sıralamak için web sayfası düzeni anlayışını ve akıl yürütme zincirini kullanabilir. Bu, Google'ın yalnızca metni okumadığını gösteriyor. Ayrıca sayfanın işlevini, görsel ek açıklamaları ve etkileşim modelini de yorumlar.

Başka bir deyişle, Google, bir sayfanın ne yaptığını anlamak ve belirli bir sorgu için sıralamayı hak edip etmediğini belirlemek için görsel sinyallere dayalı aracı geri alma özelliğini kullanabilir.

Audiototext.com'un temel bilgileri içeren tek sayfalık topikal harita gösterimi aşağıdadır.

Web sayfası, içerik yükleme bileşeni olan birincil dönüşüm öğesini katlamanın üzerine yerleştirirken minimum metinle tasarlanmıştır.

Bu bileşen sayfada daha aşağıya taşınırsa veya daha küçük hale getirilirse, sıralamalar muhtemelen düşecek ve metin değişiklikleri tek başına bunları kurtarmak için yeterli olmayacaktır.

Başka bir örnek, temel içeriği bir filtreleme etkileşimi bileşeni ile birlikte oraya taşındığı için öncelikle bir alt alan adı aracılığıyla sıralanan attorneys.lexinter.net'tir.

Birincil alan gerekli eşikleri karşılamadı, ancak içeriği ek işlevsel öğelere sahip bir alt alana taşımak daha iyi sonuçlar verdi.

Aynı alt alan adı test yaklaşımı Pricelisto.com için de işe yaradı. Tasarım ve içeriğin çoğu aynı kalsa da satın alma, karşılaştırma, inceleme ve gözden geçirme ile ilgili işlevler ve ek açıklamalar ekledik.

Bu işlevsel eklemeler, sayfaların daha az pasif içerik ve daha çok görev tamamlayıcı ticari kaynaklar gibi davranmasını sağladı. Sonuç olarak, site Yararlı İçerik Sistemi ile ilişkili filtrelerden kaçındı.

İyileştirme, metni değiştirmekten kaynaklanmadı. Belgenin nasıl işlediğini, kullanıcıların onunla nasıl etkileşime girdiğini ve Google'ın her sayfa bileşeninin amacını ne kadar net anladığını değiştirmekten geldi.

Arama motorları, mümkün olduğunca hesaplama açısından pahalı algoritmalardan kaçınarak erişim maliyetlerini azaltmaya çalışır. Sonuç olarak, tarihsel veya alan düzeyindeki sinyallerden etkilenen alanlar hemen tamamen yeni bir değerlendirme alamayabilir.

Bir alt alan üzerinde test yapmak, Google'a belgeleri yeniden işlemek, düzenlerini yeniden değerlendirmek ve daha gelişmiş değerlendirme sistemleri çalıştırmak için daha net bir neden verebilir. Bu, iyileştirmelerin birincil alanın tarihsel durumundan ziyade yeni tasarımlardan, işlevsellikten, ek açıklamalardan veya belge yapılarından gelip gelmediğini belirlemeyi kolaylaştırır.

Görsel anlambilim, aramanın geleceği ile nasıl ilişkilidir?

Google, geleneksel arama çubuğunu yeni arayüzlerle değiştirmek de dahil olmak üzere arama sonuçlarında temel değişiklikleri deniyor.

Bunun bir örneği 29 Ocak tarihli patenti ,“Belirli bir kullanıcıya göre uyarlanmış yapay zeka tarafından oluşturulan içerik sayfası.” Patent, bir kullanıcının sorgusunu karşılamak için görsel segmentasyon, ek açıklamalar ve üretken yapay zeka kullanan bir açılış sayfası oluşturmayı açıklar.

Başka bir deyişle, Google görsel anlambilimi yalnızca web belgelerini sıralamak için değil, aynı zamanda yeni arama sonuçları oluşturmak için de kullanabilir.

Daha derine inin:Google patenti, açılış sayfalarınızı yapay zeka sürümleriyle değiştirebileceğini ima ediyor

Google'ın patent çalışması genellikle araştırmasıyla tamamlanmaktadır. Örneğin, “Neural Design Network: Graphic Layout Generation with Constraints” makalesi, sistemlerin arama performansını iyileştirmek için web sayfası düzenlerini nasıl anlayabileceğini, sınıflandırabileceğini ve hatta oluşturabileceğini araştırmaktadır.

Bu, düzenin sadece bir tasarım konusu olmadığını göstermektedir. Ayrıca bir geri alma, sınıflandırma ve sıralama sinyali olarak da hizmet edebilir.

Google'ın çok modlu belge anlayışı, metin, resim, video, ses ve belgeleri anlamak ve vektörleştirmek için üretken sinir ağlarını kullanan en son duyurusu Google Embedding 2 ile de bağlantılıdır.

Bu önemlidir, çünkü aynı web belgesinin farklı sürümleri vektör temsilleriyle karşılaştırılabilir. Bunu yapmak, Google'ın düzen farklılıklarını, görsel yapıyı ve belge düzeyinde anlamı ne kadar iyi anladığını değerlendirmeyi mümkün kılar.

Başka bir deyişle, düzen değişiklikleri sadece görsel değildir. Ayrıca, bir belgenin nasıl anlaşıldığını, sınıflandırıldığını ve alındığını etkileyebilecek farklı vektör gösterimleri de üretebilirler.

Aşağıda, Google'ın sayfa düzenlerini anlamak için sinir ağı sürecine ilişkin örneği verilmiştir. Bir web sayfasını e - ticaret kategori sayfası, ürün sayfası veya SaaS sayfası olarak sınıflandırmaya yardımcı olan temel ek açıklama, bu tür etiketleme sistemlerinden gelir.

Gelecekte Google, birden fazla arama sonucundan kendi açılış sayfalarını oluşturmak için aynı ilkeleri uygulayabilir.

Aşağıda gösterilen patent, Google'ın serp özelliklerini bir kuruluşun birincil özelliklerine göre nasıl ayarlayabileceğini de göstermektedir. Bu, arama sonuçlarının yalnızca sıralanmadığını ve görüntülenmediğini gösterir. Ayrıca varlığa, sorgu amacına ve mevcut belge yapılarına göre yeniden düzenlenebilir, yeniden tasarlanabilir ve dinamik arayüzler olarak sunulabilirler.

Merkez parçası ek açıklaması ve sorgu işleme

Google, sorguları insanların doğal olarak kendileri hakkında düşündüklerinden farklı şekilde sınıflandırır ve artırır. Bu, güncel bir harita oluşturmanın en önemli bölümlerinden birinin, arama terimlerini Google'ın sistemlerinin yaptığı gibi anlamak ve bunları buna göre artırmak olduğu anlamına gelir. Bu sürece sorgu semantiği denir. Aşağıda ChatGPT'den bir sorgu artırma örneği verilmiştir.

Bu örnekte, “en iyi arama motoru optimizasyonu bilgi kaynakları” nı aradık ve GPT, sorguyu aşağıdaki gibi genişletti:

• En iyi SEO bilgi kaynakları: arama motoru optimizasyon kaynakları Google araştırması, patentler, SEO blogları

ChatGPT'de bir arama yaparsanız,Ağchrome DevTools'ta sekme, filtre./xhrve https://chatgpt.com/backend-api/conversation/6a * yolu ile ilişkili JSON dosyasını inceleyin. Sistemin gerçekte ne aradığını gösteren SEARCH_MODEL_QUERIES ifadesini arayın.

Google ayrıca aşağıda gösterilen sorgu artırma adlı bir patente sahiptir.

Patent, Krishna Bharat ve Anand Shukla da dahil olmak üzere mühendislere atfediliyor. Bu isimler önemlidir, çünkü AI Genel Bakışları ve AI Modu ile ilgili patentlerde ve sistemlerde de görünürler.

Örneğin, “Search with Stateful Chat” patenti, adımlarından biri olarak sorgu artırmayı içerir ve terminolojisi ve mucitleri bu sistemle örtüşür.

Merkezdeki ek açıklama, bir web sayfasının amacını, işlevini ve bağlamını yansıtan birincil görsel ek açıklamadır. Artırılmış sorgu aracılığıyla oluşturulan bağlamın, bu merkezdeki ek açıklama ile uyumlu olması gerekir.

Aşağıdaki vaka çalışması, yerel bir hizmet dizini için her biri farklı bir amaç, işlev ve görsel yapıya sahip farklı belge türlerinde sorgu varyasyonlarını ve bağlamlarını nasıl sınıflandırdığımı göstermektedir.

Örnek olarak “klima” sorgularını kullanalım. Her sorgu varyasyonu uygun sayfa türü, düzeni ve işlevi ile eşleştirilmelidir.

• Deneyim sorguları forum tarzı bir düzen gerektirir.“Klimamı nasıl onarırım ?” gibi bir sorgu için amaç deneyime dayalıdır. Bir forum yapısı en iyi sonucu verir çünkü kullanıcılar gerçek sorunlar, cevaplar, sorun giderme yolları ve kişisel deneyimler bekler. Bu içerik, deneyimsel içeriği ana ticari web sitesinden ayırmak için bir alt alanda da yaşayabilir.
• Yerel hizmet sorguları bir dizin sayfası gerektirir."[ Şehir ]' de klima kurulumu "için amaç yerel ve servis odaklıdır. En iyi sayfa türü, sağlayıcılar, hizmet alanları, derecelendirmeler, iletişim seçenekleri ve dönüşüm öğeleri içeren yerel bir dizin veya kayıt sayfasıdır.
• Fiyat sorguları hibrit bir düzen gerektirir."Klima kurulum fiyatları" için amaç hem bilgilendirici hem de ticari niteliktedir. Sayfa, yerel sağlayıcılar, karşılaştırmalar ve teklifle ilgili unsurları sunarken ortalama fiyatlar, maliyet faktörleri ve fiyat aralıkları ile anında yanıt vermelidir.
• Öğretim sorguları bilgi düzeni gerektirir."Klima nasıl kurulur" için amaç öğreticidir. Sayfa, yerel hizmet unsurlarını en aza indirmeli ve bunun yerine adım adım bir kılavuza, gerekli araçlara, güvenlik hususlarına, görsellere ve pratik talimatlara odaklanmalıdır.

Kısacası, topikal bir harita sadece hangi konuların kapsanacağını değil, aynı zamanda her bir arama etkinliği için uygun düzeni, bileşenleri ve sayfa işlevini de tanımlamalıdır. Aşağıdaki örnek, farklı sorgu varyasyonları için sorgu artırma modellerini sınıflandırdıktan sonra bu projeden elde edilen bazı erken sonuçları göstermektedir.

[Local], [Service], [Forum] veya [Instructional List] amacı için ayrı bir sayfaya gerek yoksa budamamız yeterlidir. Diğer sayfalar çok benzerse, bunları birleştiririz.

Sonuç olarak, geri alma maliyetleri ile birlikte sayfa sayısı azalırken, PageRank konsantrasyonu ve belge başına alaka düzeyi artar. Aşağıda birbirine yakından bağlı dört bileşen bulunmaktadır:

• Draw.io'da maket tasarımı.
• Figma'da üretim tasarımı.
• Farklı sorgu türleri için topikal harita.
• Figma ve draw.io tasarımları ile uyumlu içerik özeti.

Başlangıçta, topikal otorite formülünü şu şekilde tanımladık:

• Geçmiş veriler x Konu kapsamı

Daha sonra, şu şekilde genişlettik:

• Tarihsel veriler x Konu kapsamı ÷ Geri alma maliyeti

Bugün, formülü ek bir faktörle genişleteceğim:

• ((Geçmiş veriler x Topikal kapsam) ÷ Geri alma maliyeti) x Sağ görsel ek açıklamalar

En düşük geri alma maliyetine, en yüksek topikal alaka düzeyine, en geniş topikal kapsama alanına, güçlü doğruluğa, en uzun memnun tıklama verisi süresine ve olumlu geçmiş performansa sahip olsanız bile, merkezdeki ek açıklama yanlışsa veya sayfa işlevsel değilse bunların hiçbiri önemli değildir.

Google'ın sıralama sistemi büyük ölçüde bir karar ağacı işlevi görür. İlk karar verme katmanı bir web sitesini reddederse, daha sonraki değerlendirmeler, testler ve yeniden sıralama süreçleri gerçekleşmez.

Sıralama şansınızı en üst düzeye çıkarmak için görsel ek açıklamalar, sayfanın metni, resimleri ve bağlantıları kadar dikkatli bir şekilde optimize edilmelidir.

Aşağıda bu sistemin kavramsal bir modeli verilmiştir.

Bir web sitesi “harfler, pikseller ve baytlardan” oluşur. "Data2Website, metinsel ve görsel anlambilimi bu harfler, pikseller ve baytlar aracılığıyla birleştirerek Google'ın algoritmalarının tercih ettiği bir veri kümesini bir web sitesine dönüştürme işlemidir.

Yukarıdaki örnek, yerel bir hukuk firmasının güncel bir haritadan, anlamsal olarak optimize edilmiş içerik özetlerinden, belirli cümle yapılarından ve görsel tasarım kararlarından nasıl yararlandığını göstermektedir.

Aşağıdaki Semrush sonuçları, firmanın yerel sıralamaları üzerindeki etkisini göstermektedir.

Aynı ilkeleri daha önce başka bir e - ticaret sitesine uyguladık.

Ekran görüntülerini yakından incelerseniz, aynı ilkelerin bir e - ticaret tasarımından yerel bir hizmet sağlayıcısına taşındığını göreceksiniz.

“Houston'daki en iyi hukuk firması” veya “doğum testi kiti fiyatları” gibi varlık arayan bir sorgudaki her öznitelik için, bu öznitelikleri sorgu ağı içinde sınıflandırabilir ve önemlerine göre düzenleyebilirsiniz.

Bazı öznitelikler inceleme bileşenleri gerektirirken, diğerleri doğrudan ticari bileşenler gerektirir.

Aşağıda kardeş web siteleri Morethanpanel.com ve StreamingMafia.com'dan iki tasarım örneği verilmiştir. Ekran üstü ve ekran altı bölümleri, farklı kullanıcı katılımı ve işlevsellik türlerini kapsayacak şekilde benzer şekilde yapılandırılmıştır.

Ekranın üstündeki alan, ana içeriği içerdiği için genellikle makro bağlam olarak adlandırılır. Google'ın Kalite Değerlendirici Yönergeleri, bu bölümde alaka düzeyi, doğruluk ve eksiksizliğin önemini vurgulamak için ana içerik kavramını kullanır.

Ekranın alt kısmındaki alan, Google'ın Kalite Değerlendirici Yönergelerinin mikro bağlam olarak adlandırdığımız tamamlayıcı içerik olarak tanımladığı alana karşılık gelir. Bu bölüm genellikle daha az önemli özellikleri ve çoğu dahili bağlantıyı içerir.

Bir sonraki örnek, gerçek içeriğin, görüşe dayalı içeriğin, yapılandırılmış içeriğin ve yapılandırılmamış içeriğin maket tasarımını ve dağıtımını göstermektedir.

Google, gerçeklere dayalı veya fikir odaklı içeriğe ya da yapılandırılmış içeriğe karşı yapılandırılmamış içeriğe her zaman öncelik vermez. Bunun yerine, bu özellikleri arama sorgusunun nasıl artırıldığına bağlı olarak değerlendirir. Dil uygunluğunu artırmak için farklı görselleştirme, sözelleştirme, ticarileştirme ve bağlamsallaştırma tekniklerini kullanarak farklı tür ve formatlardaki içerikleri dağıtıyoruz.

Aşağıdaki örnek, aynı yaklaşımı, konu haritası, içerik özetleri ve yazarlık kurallarıyla birlikte aynı sektördeki ikinci web sitesine uygulamaktadır.

Algoritmik yazarlık, “Yüksek Lisans Eğitimleri Güvenilir Sıralayıcılar Mıdır?” araştırma makalesi aracılığıyla açıklanabilir. İçeriğin önceden tanımlanmış cümle yapılarına ve kurallarına göre yazılması anlamına gelir. Örneğin, araştırma şunu gösteriyor: “Herhangi bir şeyi ilk önce sıralayın” çerçevesi sıralamaları %20'den %60'a yükseltti.

Sistem, alaka düzeyinin nasıl değiştiğini belirlemek için hangi kelimelerin birbirini takip etmesi gerektiğini değerlendirir. Üretken bir erişim sistemi içinde alma işlemini gerçekleştirir ve alaka düzeyini en iyi şekilde artıran varlık-öznitelik-değer üçlülerini tanımlar. Yukarıdaki örnekte, nitelik olarak “malzeme”, değer olarak ise “çelik” seçilmiştir çünkü bu bağlam içindeki alakayı güçlendirirler.

• Gerçek içerik:Uzmanlık odaklı sorguları destekler.
• Görüş verilen içerik:Deneyim odaklı sorguları destekler.
• Yapılandırılmış içerik:Belirtiler, avantajlar ve faydalar gibi özellikleri destekler.
• Yapılandırılmamış içerik:Tanımlar, süreçler ve önem gibi kavramları destekler.
• Görselleştirme:İçeriği uygun anlamsal nitelikleri kullanarak sunar.
• Ticarileştirme:Kullanıcıların görevlerini tamamlamalarına yardımcı olan işlevsel bileşenler ekler.
• Bağlamsallaştırma:İçeriği sorguyla hizalayarak alaka düzeyini korur.
• Sözlüleştirme:Görsel açıdan önemli bilgileri Yüksek Lisans Uzmanlarının ve arama motoru tarayıcılarının anlayabileceği metne dönüştürür.

Sorguya bağlı olarak Google, görüşe dayalı ve yapılandırılmamış içeriği, gerçeklere dayalı ve yapılandırılmış içeriği veya farklı görselleştirme, ticarileştirme, bağlamsallaştırma ve sözelleştirme teknikleriyle desteklenen diğer kombinasyonları tercih edebilir.

Çevrimiçi flört endüstrisinden aşağıdaki örnek, farklı web sayfası bileşenlerinin alaka düzeyini ve yanıt verme hızını aynı anda nasıl artırabileceğini gösteriyor.

Sonraki örnekler içeriği görselleştirmenin farklı yollarını göstermektedir.

Bu iki bölümü karşılaştırdığınızda, bir cevabın son derece gerçekçi olduğunu, farklı bir arka plan rengiyle ayırt edilen diğerinin ise daha sohbete dayalı ve görüşe dayalı olduğunu göreceksiniz.

Soru-Cevap bileşeni oluşturabilir ve sayfanın altına forum tarzı tartışmalar olarak görüşe dayalı içerik ekleyebiliriz.

Ayrıca kullanıcılara sorular sorabilir ve oylama yoluyla yanıtlara katkıda bulunmalarına izin verebilir, bu yanıtların sürekli güncellenen içeriğe dönüştürülmesine olanak sağlayabiliriz.

Aşağıda önceki soru bileşeni dediğimiz şey var. Semantik olarak benzer bir kavram kullanarak orijinal soruyu yeniden çerçevelendiriyor ve içeriği kademeli olarak gerçeklerden daha fikir temelli hale getiriyor.

Bir sonraki örnekte, dahili bağlantıları ilgili başlıklara dağıtarak bağlamsal kapsamı artıran yatay bir sekme bileşeni gösterilmektedir.

Aşağıdaki Semrush verileri, değiştirdiğimiz URL'lerin erken ve sonraki sonuçlarını göstermektedir.

Görsel anlambilimin arkasındaki patentler ve araştırmalar

Bu noktada görsel anlambilimi açıklamak için gereken temel kavramları, tanımları ve web sitesi örneklerini tanıttık.

Bu örnekleri, süreçleri ve uygulama ayrıntılarını çok daha derinlemesine inceleyebiliriz ancak her kavramsal tartışma, Google'ın nereye gittiğini anlamakla başlar.

Google'ın sorgu anlambilimi, görsel anlambilim, Gemini ve AI Arama alanındaki ilerlemelerinin çoğu iki etkili mühendis tarafından yönlendirilmektedir: Dr. Marc Najork ve Michael Bendersky. Son yıllarda Google'ın en sık alıntı yapılan araştırmacıları arasında yer alıyorlar ve şirketin yapay zeka ile ilgili yönünü şekillendirmede önemli roller oynadılar.

Ayrıca Düzene Duyarlı Belge Anlayışı ve Yapılandırılmış Bilgi Kartları patentlerinde de mucitler olarak listelenmiştir.

Bir diğer önemli katkı sağlayan ise kendisini Google'ın dahili uçtan uca sıralama platformu RankLab'ın kurucusu olarak tanımlayan Alexander Grushetsky'dir.

Bahsetmeye değer çünkü temel patentlerde ve araştırma makalelerinde Bendersky ve Najork'la birlikte sık sık anılıyor.

Grushetsky ayrıca Bendersky ve diğer Google mühendisleriyle birlikte öğe türlerine, özellik kümelerine ve özellik değerlerine dayalı öğe sıralama modelleri üzerinde çalıştı. RankLab'ın neyi temsil ettiğini başka bir zaman daha ayrıntılı olarak inceleyeceğiz.

Günümüzün arama motorları ve büyük dil modelleri, vektörleştirme ve yerleştirme tabanlı sıralama sistemlerinin bir parçası olarak görsel anlambilime giderek daha fazla güveniyor.

Orijinal Transformer araştırmasında bile bu fikirlerin web belgelerine ve düzenlerine genişletilmesi anlatılmıştı.

Yıllar sonra bu vizyon WebRef aracılığıyla gerçeğe dönüştü.Google'ın Web Sayfası Transformatörü.

WebRef, web sayfalarını yalnızca metinlerini değil aynı zamanda görsel düzenlerini, sayfa bileşenlerini, HTML yapısını ve genel belge içeriğini kullanarak vektörleştirir.

Sıralamalarınız öncelikle harici PageRank'e, markalı arama talebine veya anlambilim gibi dahili sinyallere bağlı olsun, bir sayfanın görsel bağlamı, metinsel alaka düzeyinin yanı sıra hâlâ sıralama ağırlığını taşır.