原文地址：https://ipullrank.com/google-patents-and-leaks 当一家市值千亿的企业坐镇整个SEO行业的中心，你很难全盘相信他们所说的一切。 层出不穷的新闻发布会，发言人们模棱两可的引述，瞬间就能让行业陷入混乱——但这并非无法应对。 真相隐藏在纷繁信息之中，关键在于你是否懂得如何发掘。 从专利文件、内部泄露到官方公关声明，需要过滤的信息浩如烟海。不过，解析谷歌所发布信息的方式其实有很多。这篇博客将教你如何解读其背后的真实含义，从模糊的企业话术中分辨虚实。 理解谷歌专利 多年来，知名SEO研究员比尔·斯劳斯基一直走在分析谷歌专利的前沿。自他2022年离世后，薪火相传的方式与其说是传递，不如说是分散到了多位试图接续其工作的SEO从业者手中。 专利观察员与泄露信息分析师迈克·金仍推崇比尔的工作，并建议任何专利新手都应阅读他在”SEO by the Sea”网站上的研究，并熟悉其内容。这样，你将开始理解并识别谷歌使用的术语。 “难点在于专利文件的写作总是非常艰深，”迈克如此评价这些专利，”它们本就不是为了易读而撰写的。” 专利之所以这样写是故意的，通过模糊的措辞和宽泛的描述，在法律上为谷歌覆盖所有基础。…

原文地址：https://www.mariehaynes.com/what-if-user-satisfaction-is-the-most-important-factor-in-seo/ 让我看看能否说服你！ 我在视频中分享了许多内容，并在下方文章中总结了我的观点。此外，这是我上周内就此话题撰写的第二篇博客文章。关于用户数据及谷歌如何运用这些数据，更多详细信息可查阅我之前的博客文章。 排名机制包含三大组成部分从谷歌反垄断案庭审中我们了解到，谷歌的排名流程主要涉及三大组成部分： 1.传统系统用于初始排名2.人工智能系统（如RankBrain、DeepRank和RankEmbed BERT）对前20-30个文档进行重新排序3.这些系统依据质量评估员的评分进行优化调整，而在我看来更重要的是基于实时用户测试结果进行调整谷歌反垄断案庭审详细讨论了谷歌如何凭借海量用户数据获得巨大优势。在上诉中，谷歌表示不愿遵从法官要求其向竞争对手移交用户数据的裁决。他们列举了两种利用用户数据的途径：一是通过名为”粘合剂”的系统，该系统整合了Navboost来分析用户的点击与互动行为；二是在RankEmbed模型中运用用户数据。 RankEmbed模型非常精妙。它将用户的搜索查询映射至向量空间，与该查询可能相关的内容会被定位在邻近区域。该模型的优化依据两个方面： 2) 真实环境下的实时实验：小部分真实搜索用户会看到来自旧算法与新训练算法的对比结果。他们的点击与互动行为有助于优化系统。 这些系统的终极目标，是持续提升搜索结果排名以满足搜索者的需求。 关于实时测试的进一步思考——用户告诉谷歌的是“有帮助的页面类型”，而非具体页面我意识到，谷歌的实时用户测试不仅是为了收集特定页面的数据，更重要的是训练系统识别规律模式。谷歌未必通过追踪每一次用户互动来为某个具体网址排名，而是在利用这些数据教会他们的人工智能识别什么才是“有帮助的”内容。系统通过学习识别那些能满足用户意图的内容类型，进而预测你的网站是否符合这种成功模式。 他们将持续改进预测哪些内容可能更有帮助的流程。这显然远远超越了简单的向量搜索。谷歌正在不断探索理解用户意图及如何满足意图的新方法。…

原文地址：https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/ 问题所在： 过去几年里，企业为追踪其品牌和产品在人工智能中的可见度投入了巨额资金。据估计，每年在这类新型搜索分析上的花费已超过1亿美元。然而，我发现完全没有研究能证明，当要求AI工具列出品牌/产品推荐时，其推荐结果是否具备足够的一致性，从而能产出有效的可见度指标。关于AI准确性的研究有很多（事实上，我们这项工作就以卡内基梅隆大学的《评估LLM一致性：用户基线vs代理指标》为模型），但在回答ChatGPT、Claude或Google AI等工具生成的推荐列表是否足够一致、从而值得有效追踪这个问题上…… 一片空白。 如果你向ChatGPT请求品牌推荐列表100次，会得到多少种不同的答案？什么鬼？！ 任何认真的高管，怎么可能在没有得到这个基本问题（以及由此衍生的几十个重要后续问题）答案的情况下，就心甘情愿地花费数千甚至数百万美元购买AI追踪服务？ 解决方案： 每当我看到又有品牌将本就不断缩减的营销预算砸在“追踪AI排名”上时，与其每次都怒火中烧，我决定亲自（在他人帮助下）开展这项研究。帕特里克·奥唐奈是我的一位老朋友（我们经常一起玩《龙与地下城》），去年他加入了西雅图的AI追踪领域初创公司Gumshoe.ai。利益冲突？嗯，也许吧。但鉴于我本身就是一个坚定的怀疑论者，早已认定AI追踪是场骗局，而帕特里克冷静沉稳，能获取数百万个AI响应数据点，并且愿意运用他的数学专业背景和编程技能，这使他成为了绝佳的研究伙伴。而且我保证（你也会看到），在研究过程中我毫不留情地质询了所有环节。 我们实验的假设是： AI工具生成的推荐列表随机性太高，而用户的提示词又千差万别，以至于试图追踪某个品牌/产品在特定主题领域或用户意图下的排名或可见度是毫无意义的（钱太多的品牌还不如直接付钱给ChatGPT等公司，买它们即将推出的广告产品中的曝光数据）。 第一步： 找一群人反复运行相同的AI提示词，并记录结果。 我们的选择是： 我们选取了美国最受欢迎的三款AI工具：ChatGPT、Claude，以及谷歌搜索的“AI概览”（如果未显示AI概览，则使用“AI模式”）。600名志愿者通过这三款工具，总共执行了2,961次测试，针对12组不同的提示词。他们将AI工具的回复复制并粘贴到调查表中，随后由帕特里克（以及我的新任幕僚长克里斯蒂·莫里森）将这些回复整理、规范化为有序的产品/品牌结果列表。 那么，这些品牌列表的差异性究竟有多大呢？ 上图所示提示语——“预算在300美元以内，适合业余家庭厨师使用的顶级厨师刀品牌和型号有哪些？”——是我们为面向消费者的产品类别选定的十二个提示语之一。我们试图涵盖多个行业领域以及各种推荐品牌/产品数量预期不同的场景。 下方，我将十二组提示语（每组重复测试60-100次）所产生的、极其丰富的品牌/产品列表组合进行了可视化呈现：…