در تاریخ ۲۴ اکتبر ۲۰۱۹ ، وقتی گوگل بروزرسانی جدیدی به نام BERT را معرفی کرد، مشخص شد که نحوه عملکرد Google Search با جهشی بزرگ روبرو خواهد شد. این بزرگترین تغییر در الگوریتم جستجوی گوگل نه تنها در سال ۲۰۱۹ بلکه در پنج سال گذشته است و یکی از ۱۰ نتیجه جستجو را تحت تأثیر قرار می‌دهد. در تاریخ ۹ دسامبر، گوگل اعلام کرد که این بروزرسانی اکنون به بیش از ۷۰ زبان در سراسر دنیا تعمیم یافته است.
با توجه به تأثیر بزرگ BERT، درک نحوه کار آن و نحوه تغییر Google Search مسئله مهمی است. در این مقاله، برای شما از مفهوم BERT و تاثیر آن بر سئوی سایت و سایر فرصت‌هایی که برای وب‌سایت شما فراهم می‌کند، صحبت خواهیم کرد.
BERT چیست؟
BERT (Bidirectional Encoder Representations from Transformers) از تکنیک‌های جدید منبع باز گوگل برای پردازش زبان طبیعی (Natural Language Processing-NLP) است که به کامپیوترها در درک زبان انسانی کمک می‌کند.
نکته خاص در مورد BERT این است که می‌تواند همزمان قبل و بعد از یک اصطلاح خاص در یک جمله، کلمات را پردازش کند (به این حالت “bidirectionality” گفته می‌شود)، بنابراین امکان تفسیر دقیق‌تری از متن و معنای واقعی آن اصطلاح را فراهم می‌کند. گوگل از این تکنیک در الگوریتم جستجوی خود استفاده می‌کند تا بهتر متوجه شود که کاربران واقعا به دنبال چه چیزی هستند.
بهبود جستجو در گوگل
گوگل در وبلاگ خود ، اظهار داشت که BERT موتور جستجوگر خود را قادر می‌سازد تا قدرت درک جستجوهای محاوره‌ای و طولانی‌تر را افزایش دهد. به نمونه ارائه شده درمورد جست‌وجوی عبارت “۲۰۱۹ brazil traveler to usa need a visa” توجه کنید که چگونه به وسیله BERT ، کلمه “to” اکنون مهم شناخته شده است و نتایج آن تغییر کرده است:
BERT و RankBrain
گوگل در سال ۲۰۱۵، RankBrain را به همان دلیلی که BERT را در سال ۲۰۱۹ ارائه داد، معرفی کرد: برای درک بهتر اینکه کاربران واقعا چه چیزی را جستجو می‌کنند و مناسب‌ترین نتایج جستجو را برای آنها نمایش دهد.
RankBrain به منظور درک معنای پشت اصطلاحاتی که کاربران جستجو می‌کنند و همچنین تجزیه و تحلیل محتوای صفحات وب ارائه شد.
ارائه BERT، RankBrain را منسوخ نمی‌کند، بلکه به سادگی آن را تکمیل می‌کند. الگوریتم گوگل می‌تواند تصمیم بگیرد که کدام تکنیک برای تفسیر یک جستجوی خاص مناسب است و بر اساس این تصمیم، یکی از آنها را اعمال می‌کند یا حتی آنها را ترکیب می‌کند.
این یک پیشرفت غیرمنتظره برای جستجوهایی معنایی به منظور درک بهتر هدف جستجوگر و همچنین مفهوم پرس‌وجو و رابطه بین کلمات است.
BERT و تاثیر آن بر سئو
گوگل BERT را به روزرسانی بزرگی می‌نامد و اظهار می‌کند که از هر ۱۰ عبارتی که جستجو می‌شود بر یکی تأثیر خواهد گذاشت. با این حال، حوزه SEO از زمان انتشار BERT، هیچ نوسانی در رتبه‌بندی مشاهده نکرده است. دلیل این امر آن است که BERT بیشتر بر نمایش نتایج جستجوهای محاوره‌ای و عبارات کلیدی بلند تأثیر می‌گذارد، جایی که تغییر رتبه‌بندی‌ها غالبا موثر نیست و مورد توجه قرار نمی‌گیرند.
بنابراین همانطور که متوجه شدید، نمی‌توانید وب سایت خود را به طور خاص برای BERT بهینه کنید. درعوض محتواهای عالی همچنان مهم‌ترین عامل موفقیت سئو خواهد بود که باید روی آن تمرکز کنید که با ورود این الگوریتم اهمیت آن حتی از قبل بیشتر شده‌است. الگوریتم BERT پیرامون جریمه کردن کسی نیست، بلکه در مورد هدف جستجو و درک آنچه در واقع کاربران می‌خواهند است. پس بهتر است به جای نوشتن محتوای سئو محور برای گوگل، فقط روی ایجاد محتوای باکیفیت برای مخاطب هدف خود تمرکز کنید.
با این حال، این بدان معنی نیست که BERT برای صاحبان وب‌سایت یک الگوریتم کاملا نامرتبط و بی‌ربط به حساب می‌آید. در حقیقت ، فناوری جدید NLP فرصت های بزرگی ایجاد کرده است از قبیل:
- آموزش سیستم پاسخگویی به سؤال:
از آنجا که فناوری BERT منبع باز است، می‌توانید از آن برای آموزش سیستم پاسخگویی به سؤالات خودتان استفاده کنید، به عنوان مثال برای گفتگوی چت در وب سایت یا برنامه‌های مشابه.
- بهبود کیفیت محتوا:
BERT می‌تواند پیش‌بینی کند که آیا جمله A به دنبال جمله B و مرتبط با آن است یا خیر. این موضوع می‌تواند تجزیه و تحلیل کند که آیا محتوای وب سایت شما از یک رشته منطقی و منسجم پیروی می‌کند یا خیر.
- ترافیک با کیفیت بالاتر:
BERT گوگل را قادر می‌سازد نتایج جستجو را متناسب با نیاز کاربران ارائه دهد. این موضوع می‌تواند منجر به ورود ترافیک بیشتر از جستجو به وب سایت شما شود که از کیفیت بالاتری نسبت به گذشته برخوردار است.
یادگیریBERT
BERT چالش و رویکرد دو طرفه‌ای برای یادگیری مدل دارد. رویکردهای هدایت‌کننده و راهنمایی‌دهنده کلاسیک معمولا با نگاه به دنباله متن قبل از کلمه، کلمه بعدی را در یک جمله پیش بینی می‌کند، به عنوان مثال: “آموزش سئو از—-” اما از آنجایی که BERT کل متن را در نظر می‌گیرد، از یک استراتژی آموزشی به نام masking استفاده می‌کند.
در مرحله اول یادگیری، BERT با متن‌های کاملی که شامل تمام اطلاعات مربوطه است تغذیه می‌شود. در مرحله بعد، تک کلمه‌ای‌ها در جملات با یک نشان [mask] جایگزین می‌شوند. BERT به کلمات چپ و راست آن نشان نگاه می‌کند و سعی می‌کند کلمه گمشده را پیش‌بینی کند. این کار بارها و بارها انجام می‌شود تا به یک پیش‌بینی درست برسد.
یکی دیگر از استراتژی‌های مهم آموزش BERT پیش‌بینی جمله بعدی (NSP) است، که در آن BERT از یک جفت جمله تغذیه می‌شود و در این فرآیند یاد می‌گیرد پیش‌بینی کند که آیا جمله دوم در پیروی از جمله اول است یا خیر. این یک تکنیک مهم برای درک بهتر رابطه بین جملات علاوه بر معنی فردی کلمات و عبارات است.
نقاط ضعف BERT
اگرچه BERT واقعاً باهوش و هیجان انگیز است، اما در حال حاضر نقاط ضعف خود را نیز نشان می‌دهد. Allyson Ettinger از دانشگاه شیکاگو یک مقاله تحقیقاتی را منتشر کرد که در آن از برخی مشکلات درمورد BERT توضیح می‌دهد. نکته‌ای که او به آن اشاره می‌کند این است که “it shows clear failures with the meaning of negation.” برای مثال او برای این ادعا یک جمله مثال می‌زند: “a Robin is a—-”. در این حالت، BERT موفق به پیش‌بینی کلمه bird شد. اما وقتی به عبارت “a Robin is not a—-” تغییر می‌کند، باز هم کلمه پیش‌بینی‌شده bird است.
نتیجه‌گیری
BERT یک فناوری مهم است، که شیوه رتبه‌بندی وب‌سایت‌ها را تغییر نمی‌دهد بلکه درک گوگل را از زبان طبیعی بهبود میبخشد. برای گوگل، این یک گام مهم برای رسیدن به هدف نهایی آنهاست: درک دقیق و درست از آنچه که کاربران در هر موقعیتی به دنبال آن هستند.
اگر می‌خواهید عمیق‌تر موضوع BERT را بررسی کنید مقالات مرتبط زیادی در این خصوص موجود است. همچنین برای کسب اطلاعات بیشتر در مورد چگونگی بهینه‌سازی سئو سایت خود، توصیه می‌کنیم دیگر مقالات سئو ما را در وبلاگ دنبال کنید.