数据科学每天都在接近 SEO。
数据科学，更准确地说是人工智能，并不是什么新鲜事物，但在过去的几年里，它已经成为我们行业的一种趋势。
在本文中，我将通过机器学习简要介绍数据科学的主要概念，并回答以下问题：
- 什么时候可以在 SEO 中使用数据科学？
- 数据科学只是行业中的流行语吗？
- 为什么以及为什么要使用它？
数据科学简介
在分析和操作称为数据集的数据时，数据科学走过了大数据和人工智能的道路。
Google 趋势很好地说明了自 2004 年以来数据科学作为一个研究主题的发展情况。
“机器学习”的用户意图也在增加，并且是最流行的搜索查询之一。
这也是操作人工智能的两种方法之一，也是本文重点介绍的方法。
人工智能和谷歌具体有什么关系？
早在 2011 年，Google 就成立了 Google Brain（一个致力于人工智能的团队）。
谷歌大脑主营业务的主要目标是从内部改造谷歌的产品，利用人工智能让它们“更快、更智能、更有用”。
我们很容易理解搜索引擎是他们最强大的工具，考虑到他们的市场份额（95%的用户使用谷歌作为他们的主要搜索引擎），利用人工智能来提高搜索引擎的质量也就不足为奇了. .
什么是机器学习？
机器学习是为人工智能提供动力的两种学习类型之一。
机器学习倾向于通过参考框架解决问题，并且输出由人检查，因为它总是带有一定比例的错误。
Google 对机器学习的解释如下：
“根据输入数据构建（训练）预测模型的程序或系统。对新数据做出有用的预测（从不之前看到的）从与训练模型相同的分布中提取。机器学习也指与这些程序或系统有关的研究领域。”
Microsoft Azure Machine Learning
更简单，机器学习算法接收训练数据。
在下面的例子中，这个训练数据是猫和狗的图片。
算法然后训练自己理解和识别不同的模式。
训练的算法越多，越多结果将是准确的。
然后，如果您要求模型对新图像进行分类，您将得到正确答案。
当然，Google Images 是最好的例子重现此描述。
人工智能与SEO的具体关系是什么关系？
早在 2015 年——并将讨论限制在主要算法上——部署了 Ranking Brain 以提高搜索结果的质量。
由于大约 15% 的查询以前从未搜索过，目的是自动最好地理解该查询以生成相关结果。
RankBrain 由 Google Brain 开发。
然后，在 2019 年，引入了 Bert 以更好地理解搜索查询。
作为 SEO 专业人士，请务必注意，我们无法针对 RankBrain 或 BERT 优化网站，因为它们旨在更好地理解和回答搜索查询。
总而言之，这些算法中涉及的过程不会影响网站的评估或查询方式。没有办法为他们优化。
但是，由于 Google 使用机器学习，因此了解该领域并能够使用它很重要：它可以帮助您进行日常 SEO 操作。
机器学习对 SEO 有什么价值？
根据我的经验，以下可以被认为是将机器学习应用于 SEO 的重要领域：
- 预测。
- 一代。
- 自动化。
以上内容可以帮助您节省日常运营时间并说服组织中的决策者。
从这里开始，本文的其余部分可能会让您信服（正如我坚信的那样）或让您持怀疑态度。
无论如何，以下部分一定会让您感兴趣。
预测
预测算法可以通过突出显示关键字来帮助确定路线图的优先级。
以上感谢 Mark Edmonson 编写的开源代码。
这个想法基于以下假设：如果我在这些关键字上排名第一，我能赚多少钱？
然后，它会为您提供您当前的职位以及您在考虑误差幅度后可能获得的潜在收入。
它可以帮助说服您的老板专注于某些特定的关键字，但它也可以吸引客户（如果您是顾问或代理机构）。
生成
写内容肯定是SEO中最耗时的工作之一。
你可以自己写内容，或者至少写摘要。
在这两种情况下，有时都很难找到有效工作的灵感。
这就是自动生成的内容很有价值的原因。
正如我已经说过的，机器学习有容错的余地。
这就是为什么需要将这种内容自动化视为生成初始编辑框架的原因。
我在这里分享了一些示例源代码。
同样，获取第一篇编辑内容的自动草稿可以帮助您通过手动突出显示顶部和次要锚标记来实现内部链接的半自动化。
自动化
自动化有助于标记图像，并最终使用图像上显示的对象检测算法标记视频 TensorFlow。
该算法可以帮助标记图像，因此可以轻松优化 alt 属性。
此外，自动化过程可用于 A/B 测试，因为在页面上进行一些基本更改非常简单。
到目前为止，A/B 测试在 SEO 中最常见的用途是使用来自 Google Ads 的数据（例如点击率和转化率）来更好地了解什么效果最好（标题和广告描述） ，然后应用于 SEO。
在这种情况下，由于内容生成，我们的想法是自动化 A/B 测试并根据预期性能对其进行更新。
图片来源
作者截屏，2019年12月
