Google專利:Google可能使用KBT計算網站的可信度

文章目錄

分享給更多人知道

KBT對SEO的啟發

以下為依個人經驗所揣測的SEO作法,可能並不為Google演算法所採用。

  • 應以寫出高品質、事實準確的內容為優先,而不是建立大量的反向連結。
  • 應用結構化資料可能會幫助搜尋引擎更方便提取網站中的事實資訊。
  • 建立嚴格的事實查核流程,以確保網站上呈現的資訊的正確性。
  • 清楚地引用資料來源來為論點提供證據,可能有助於建立信任度。
  • 用數據佐證論點,可能可以提升網站的權威性和可信度。

什麼是Knowledge-Based Trust?

我們每天都接觸到海量的網路資訊,不過這些資訊的品質良莠不齊,真假難辨。因此學會評估網路資訊的可信度對Google來說變得至關重要。傳統的網頁排名方法(例如,PageRank),主要依賴於網頁的受歡迎程度和反向連結數量,卻忽略了資訊本身的準確性。為了解決這個問題,Google提出了一個名為Knowledge-Based Trust,簡稱KBT的全新評估方法,以下我們就來一起探討該實驗的發現和KBT被Google應用在演算法中的可能性。

KBT的運作方式

這項學術實驗認為,網頁的可信度是取決於其所提供事實資訊的準確性。換句話說,一個網頁如果很少出現錯誤資訊,那麼它就會被認為是更可靠的。KBT評估網站可信度的過程主要分為以下三個步驟。

事實資訊提取

資訊提取工具會掃描和分析大量的網頁,自動收集大量的”事實“數據。這些數據以『三元組(Semantic Triple)』的形式呈現,每個三元組包含主語(Subject)、謂語(Predicate)和賓語(Object),例如:Barack Obama is a USA citizen。同一主題的事實資訊可以從不同的網站提取,提供更多元的依據來評估資訊的正確性。

錯誤識別

區分錯誤來源:系統會自動分辨兩種錯誤

  • 網站錯誤:指的是網頁本身存在的事實錯誤。
  • 提取錯誤:指的是資訊提取工具在收集數據過程中產生的錯誤。

概率模型:系統採用複雜的多層概率模型來計算每個事實資訊正確的概率。該模型會考慮多種因素,包括資訊來源的權威性、提取工具的性能以及不同來源之間的一致性(可能會與權威網站比較,如Wikipedia、華盛頓郵報⋯⋯等等)。

可信度計算

基於前兩個步驟的分析,每個網站會得到一個KBT分數,代表其整體的可信度。網站中事實錯誤越少,無論是來源本身的錯誤還是提取過程中的錯誤,其KBT分數就越高。KBT分數本質上是每個事實資訊正確概率的加權平均值。這意味著,網站中準確資訊的比例越高,其可信度也就越高。

KBT vs PageRank

PageRank vs KBT
來源: Google

此外,這項學術研究還探討了,KBT與傳統PageRank之間的關係。參照上方這張圖表的數據分佈,我們可以得出一些關於這兩個指標之間關係的重要結論。

首先,在圖表上的數據呈現出分散的狀態,沒有明顯的規律或趨勢,這表明PageRank和KBT之間沒有強烈的相關性。換句話說,一個網站的受歡迎程度並不能代表其資訊的準確性。

其次,圖表中存在KBT高但PageRank低的網站(位於圖表右下方),這些網站可能是提供準確資訊但尚未獲得廣泛關注的專業網站。

相反,也存在 PageRank高但KBT低的網站(位於圖表左上方),這些網站可能是社群媒體或八卦網站等熱門平台,其資訊的準確性比較難保證。

我們可以發現,這種缺乏相關性的現象,突顯了PageRank和KBT衡量的是網站的不同面向,由此可見這兩項指標是相互獨立且互補的評估指標,結合使用可以更全面地評估網頁的可信度。

結論

在形形色色的資訊充斥在網路的狀況下,辨別資訊真偽成為Google重要的任務之一。傳統的PageRank評估方法依賴網頁受歡迎程度,卻忽略了資訊本身的準確性。

為此,Google提出了如KBT這樣的全新評估方法,透過分析網頁中資訊正確性來判斷網站的可信度。

這對SEO專業人士來說意味著需要更加重視內容品質,並透過事實查核和引用來源等方式,建立搜尋引擎和網站之間的信任度,同時也提供讀者正確的資訊。

Lewis Ko
Lewis Ko
Hi 我是Lewis,曾任職in-house行銷人員,現職某跨國企業的SEO Specialist。熱愛學習最新的科技和知識,努力透過簡單易懂的方式,分享我學習的過程和心得。如果你/妳剛好也在學習SEO、GA、GTM、Looker Studio的道路上,希望我的內容對你有幫助!

延伸閱讀