05 facebook權重算法(騰訊算法高級研究員陳松堅：智能問答技術及其應用)

經有非常多成熟的電商網站平臺、開店系統，能讓企業直接套模板解決大部分網站功能的需求，小型企業只需要小額租用開店平臺的系統，加上一個懂得如何做網站優化及更新系統的工程師，就可以把你的網站顧得好好的。 平臺的工程師將會負責開發與設計新的功能，以提供給租用的使用者有最新、最方便的串接服務。如此一來，不論是設計響應式網頁（RWD）、要串Facebook Messenger、Line bot 、金流、物流API，都相對更方便快速。當然，如果企業規模很大、整體的系統串接很復雜，那么還是要有很好的系統整合商或者內部的工程師來協助處理，網絡上的資源所有的串接。 這邊雖然有點叉開話題，但總之，你的網站是否能跟上消費者、使用者的習慣去做應變，將會是非常重要的！

URL 也就是指向自身網頁的一個標簽，許多人在架構網頁時，會繼續沿用原本由隨機數碼組成的買粉絲名稱。然而，在搜索引擎的算法下，其較偏好擁有敘述性、永久性的買粉絲名稱，因為這代表了該網站可能擁有較高的質量。 以下方兩個實際的例子看一下： 買粉絲s://transbiz …../k743621 買粉絲s://transbiz …./growth-by-crossborder-e買粉絲merce/ 而前述由隨機數碼組成的買粉絲容易被搜索引擎判定為一組浮動、可能隨時更換的 URL，因此當用戶輸入關鍵詞詞時，可能就會被搜索引擎排除。 這也是為什么，在網頁的重新導向上，建議使用 301 導向，而非 302 導向。301 導向為永久性網頁所常用的網頁導向，而 302 導向則為浮動網頁所使用。如果自身網頁誤用 302 導向，也將使的網頁被判定為浮動網頁。 對華人世界來說，買粉絲的名稱設定有兩種方式：中文和英文。 而目前就搜索引擎算法而言，并不會因為 URL 語言選擇的不同，而對 SEO 造成影響。不過需要注意的是，中文 URL 僅適用于臺灣及中國，在其他地區則以「編碼」呈現。 比如，在這篇文章的買粉絲，我在我的搜索引擎上看到的買粉絲是包含中文字詞的

但是，當我將這個買粉絲貼到像是facebook或是記事本等甚至在這篇文章里面，它將會自動被轉化成百分比符號、英文字母以及數字的搭配組合如下： /b2bb2c%E5%A4%96%E9%8A%B7%E7%B6%B2%E7%AB%99-%E9%96%8B%E5%BA%97%E7%B3%BB%E7%B5%B1%E6%AF%94%E8%BC%83/ 也就是說，雖然以中文 URL 呈現便于華人記憶，但是對于其他地區而言卻會因為編碼問題而造成 URL 過于復雜，進而可能間接造成 SEO 自然搜尋下降。 因此，當你在設計網頁的選定哪種 URL 時，要先考慮用戶的區域性。 比如你的主要目標客群是使用日文、西班牙文、俄羅斯文、土耳其文⋯⋯，那你的買粉絲是不是就要用當地的語言比較好？當然，你也可以選擇統一使用英文，相對來說也會容易被全世界的消費者搜尋到。 或者，你在下關鍵詞廣告的時候可以使用當地的語言、頁面跳轉的時候根據使用者所在的地區給予不同語言的頁面內容。不過這已經有點太進階了，買粉絲的部分就先講到這里。

在 SEO 優化中，網頁的讀取時間是決定關鍵詞搜尋排名的一項重要因素。如前述所言，搜索引擎有自身一套讀取網站的算法，因此如果能按照搜索引擎所要求的方式做網頁架構設計，可以有效增加網頁讀取時間。 在架構的設計上，除了由專業的 IT 人員進行設計外，也能搭配相關工具進行分析及優化，例如－Google Search Console。Search Console 是 Google 的一項輔助工具，它能幫網頁檢查是否符合 Google 搜索引擎的算法，如果有錯誤發生也能明確指出錯誤所在，方便 IT 人員修復。 另外，隨著 UI (User Interface) 和 UX (User Experience) 日益受到重視 ，對于 SEO 優化來說雖然并沒有證實會直接的造成影響，但 TransBiz 認為透過 UI 和 UX 的概念去設計的網頁將更能滿足使用者的需要，自然而然也會帶動關鍵詞搜尋逐步提升。

— —（2018.09補充更新）— —

Google此次的更新，主要在于「提供重大生活決策的建議頁面」（Your Money Your Life），包括教育、健康、財務、購屋等可能影響未來幸福或財務等生活決策時，提供建議的網站或是頁面的權重調整。 調整的方向參考「E-A-T」Expertise（專業度）、Authority（權威度）、Trustworthy （信任度）。 根據想要稱霸亞洲SEO SaaS的awoo詳盡根據此次google算法調整的說明包括以下幾點注意事項：

— — — —

推薦算法簡介

寫在最前面：本文內容主要來自于書籍《推薦系統實踐》和《推薦系統與深度學習》。

推薦系統是目前互聯網世界最常見的智能產品形式。從電子商務、音樂視頻網站，到作為互聯網經濟支柱的在線廣告和新穎的在線應用推薦，到處都有推薦系統的身影。推薦算法是推薦系統的核心，其本質是通過一定的方式將用戶和物品聯系起來，而不同的推薦系統利用了不同的方式。

推薦系統的主要功能是以個性化的方式幫助用戶從極大的搜索空間中快速找到感興趣的對象。因此，目前所用的推薦系統多為個性化推薦系統。個性化推薦的成功應用需要兩個條件：

在推薦系統的眾多算法中，基于協同的推薦和基于內容的推薦在實踐中得到了最廣泛的應用。本文也將從這兩種算法開始，結合時間、地點上下文環境以及社交環境，對常見的推薦算法做一個簡單的介紹。

基于內容的算法的本質是對物品內容進行分析，從中提取特征，然后基于用戶對何種特征感興趣來推薦含有用戶感興趣特征的物品。因此，基于內容的推薦算法有兩個最基本的要求：

下面我們以一個簡單的電影推薦來介紹基于內容的推薦算法。

現在有兩個用戶A、B和他們看過的電影以及打分情況如下：

其中問好（?）表示用戶未看過。用戶A對《銀河護衛隊 》《變形金剛》《星際迷航》三部科幻電影都有評分，平均分為 4 .7 分 （ (5+4+5 ) / 3=4.7 ）；對《三生三世》《美人魚》《北京遇上西雅圖》三部愛情電影評分平均分為 2.3 分 （ ( 3十2+2 ) /3=2.3 ）。現在需要給A推薦電影，很明顯A更傾向于科幻電影，因此推薦系統會給A推薦獨立日。而對于用戶B，通過簡單的計算我們可以知道更喜歡愛情電影，因此給其推薦《三生三世》。當然，在實際推薦系統中，預測打分比這更加復雜些，但是其原理是一樣的。

現在，我們可以將基于內容的推薦歸納為以下四個步驟：

通過上面四步就能快速構建一個簡單的推薦系統。基于內容的推薦系統通常簡單有效，可解釋性好，沒有物品冷啟動問題。但他也有兩個明顯的缺點：

最后，順便提一下特征提取方法：對于某些特征較為明確的物品，一般可以直接對其打標簽，如電影類別。而對于文本類別的特征，則主要是其主題情感等，則些可以通過tf-idf或LDA等方法得到。

基于協同的算法在很多地方也叫基于鄰域的算法，主要可分為兩種：基于用戶的協同算法和基于物品的協同算法。

啤酒和尿布的故事在數據挖掘領域十分有名，該故事講述了美國沃爾瑪超市統計發現啤酒和尿布一起被購買的次數非常多，因此將啤酒和尿布擺在了一起，最后啤酒和尿布的銷量雙雙增加了。這便是一個典型的物品協同過濾的例子。

基于物品的協同過濾指基于物品的行為相似度（如啤酒尿布被同時購買）來進行物品推薦。該算法認為，物品A和物品B具有很大相似度是因為喜歡物品A的用戶大都也喜歡物品B。

基于物品的協同過濾算法主要分為兩步：

基于物品的協同過濾算法中計算物品相似度的方法有以下幾種：

（1）基于共同喜歡物品的用戶列表計算。

此外，John S. Breese再其論文中還提及了IUF（Inverse User Frequence，逆用戶活躍度）的參數，其認為活躍用戶對物品相似度的貢獻應該小于不活躍的用戶，應該增加IUF參數來修正物品相似度的公式：

上面的公式只是對活躍用戶做了一種軟性的懲罰， 但對于很多過于活躍的用戶， 比如某位買了當當網80%圖書的用戶， 為了避免相似度矩陣過于稠密， 我們在實際計算中一般直接忽略他的興趣列表， 而不將其納入到相似度計算的數據集中。

（2）基于余弦相似度計算。

（3）熱門物品的懲罰。

此外，Kary pis在研究中發現如果將ItemCF的相似度矩陣按最大值歸一化， 可以提高推薦的準確率。 其研究表明， 如果已經得到了物品相似度矩陣w， 那么可以用如下公式得到歸一化之后的相似度矩陣w'：

歸一化的好處不僅僅在于增加推薦的準確度，它還可以提高推薦的覆蓋率和多樣性。一般來說，物品總是屬于很多不同的類，每一類中的物品聯系比較緊密。假設物品分為兩類——A和B， A類物品之間的相似度為0.5， B類物品之間的相似度為0.6， 而A類物品和B類物品之間的相似度是0.2。 在這種情況下， 如果一個用戶喜歡了5個A類物品和5個B類物品， 用ItemCF給他進行推薦， 推薦的就都是B類物品， 因為B類物品之間的相似度大。 但如果歸一化之后， A類物品之間的相似度變成了1， B類物品之間的相似度也是1， 那么這種情況下， 用戶如果喜歡5個A類物品和5個B類物品， 那么他的推薦列表中A類物品和B類物品的數目也應該是大致相等的。 從這個例子可以看出， 相似度的歸一化可以提高推薦的多樣性。

那么，對于兩個不同的類，什么樣的類其類內物品之間的相似度高，什么樣的類其類內物品相似度低呢？一般來說，熱門的類其類內物品相似度一般比較大。如果不進行歸一化，就會推薦比較熱門的類里面的物品，而這些物品也是比較熱門的。因此，推薦的覆蓋率就比較低。相反，如果進行相似度的歸一化，則可以提高推薦系統的覆蓋率。

最后，利用物品相似度矩陣和用戶打過分的物品記錄就可以對一個用戶進行推薦評分：

基于用戶的協同算法與基于物品的協同算法原理類似，只不過基于物品的協同是用戶U購買了A物品，會計算經常有哪些物品與A一起購買（也即相似度），然后推薦給用戶U這些與A相似的物品。而基于用戶的協同則是先計算用戶的相似性（通過計算這些用戶購買過的相同的物品），然后將這些相似用戶購買過的物品推薦給用戶U。

基于用戶的協同過濾算法主要包括兩個步驟：

步驟（1）的關鍵是計算用戶的興趣相似度，主要是利用用戶的行為相似度計算用戶相似度。給定用戶 u 和 v，N(u) 表示用戶u曾經有過正反饋（譬如購買）的物品集合，N(v) 表示用戶 v 曾經有過正反饋的物品集合。那么我們可以通過如下的 Jaccard 公式簡單的計算 u 和 v 的相似度：

或通過余弦相似度：

得到用戶之間的相似度之后，UserCF算法會給用戶推薦和他興趣最相似的K個用戶喜歡的物品。如下的公式度量了UserCF算法中用戶 u 對物品 i 的感興趣程度：

首先回顧一下UserCF算法和ItemCF算法的推薦原理：UserCF給用戶推薦那些和他有共同興趣愛好的用戶喜歡的物品， 而ItemC

很赞哦!（6）