सामग्री की प्रासंगिकता को कैसे मापें

सामग्री रेटिंग प्रासंगिकता सूत्र के मुख्य घटकों में से एक है। पाठकीय विशेषताओं का ज्ञान और उनमें से प्रत्येक का साइट के मूल्यांकन में योगदान आपको संसाधन के साथ अधिक पेशेवर काम के करीब लाने की अनुमति देगा। इस लेख में, हम एक मॉडल पर विचार करेंगे जो आपको प्रत्येक विशिष्ट अनुरोध के लिए रैंकिंग सूत्र को पुनर्स्थापित करने की अनुमति देता है, विशिष्ट अनुरोध के लिए प्रचार करते समय साइट के विषय को निर्धारित करने के महत्व को इंगित करता है, और एक अप्राकृतिक पाठ को निर्धारित करने के मुद्दे को भी संबोधित करता है।

रैंकिंग सूत्र को पुनर्स्थापित करें

यदि हम इस कार्य को गणित के क्षेत्र में अनुवाद करते हैं, तो इनपुट डेटा को वैक्टर के एक समूह द्वारा दर्शाया जा सकता है, जहां प्रत्येक वेक्टर प्रत्येक साइट की विशेषताओं का सेट है, और वेक्टर में निर्देशांक पैरामीटर हैं जिसके द्वारा साइट का मूल्यांकन किया जाता है। वर्णित वेक्टर अंतरिक्ष में, एक फ़ंक्शन निर्दिष्ट किया जाना चाहिए जो दो वस्तुओं के क्रम के संबंध को एक दूसरे से निर्धारित करता है। यह फ़ंक्शन आपको "अधिक - कम" के सिद्धांत के अनुसार वस्तुओं को अपने बीच रखने की अनुमति देता है, लेकिन एक ही समय में यह कहना असंभव है कि एक दूसरे से अधिक या कम कितना है। इस प्रकार की समस्या से तात्पर्य क्रमिक प्रतिगमन के मूल्यांकन के कार्यों से है।
हमारे कर्मचारियों ने समायोज्य चयनात्मकता के साथ एक रेखीय प्रतिगमन मॉडल के आधार पर एक एल्गोरिथ्म विकसित किया, जिसने कुछ हद तक त्रुटियों के साथ साइटों की रैंक को बहाल करना और साइट मापदंडों के लिए उपयुक्त समायोजन के साथ आउटपुट में बदलाव की भविष्यवाणी करना संभव बना दिया। एल्गोरिथ्म का पहला चरण मॉडल को प्रशिक्षित करना है। इस मामले में, प्रशिक्षण नमूना एकल खोज क्वेरी के भीतर रैंकिंग साइटों के परिणामों का प्रतिनिधित्व करता है। खोज क्वेरी के ढांचे के भीतर साइटों के आदेश का वास्तव में मतलब है कि विशेषता स्थान में कुछ दिशा है जिसमें प्रशिक्षण सेट की वस्तुओं को सही क्रम में डिज़ाइन किया जाना चाहिए। यह दिशा रैंकिंग फार्मूला को बहाल करने के कार्य में मांगी गई है। हालाँकि, चित्र 1 को देखते हुए, ऐसे कई निर्देश हो सकते हैं।

अंजीर। 1. गाइड वेक्टर की पसंद

इस समस्या को हल करने के लिए, पिवट बिंदु पद्धति के अंतर्निहित दृष्टिकोण पर विचार किया गया था, अर्थात्, ऐसी दिशा का विकल्प जो एक दूसरे से वस्तुओं को अधिकतम हटाने को सुनिश्चित करेगा।
अगला कार्य जो हल किया गया है वह सीखने की रणनीति का विकल्प है। दो विकल्पों पर विचार किया गया - एक संक्षिप्त सीखने की रणनीति, जो दो संबंधित तत्वों के क्रम को ध्यान में रखती है, और एक पूरी रणनीति जो वस्तुओं के पूरे क्रम को ध्यान में रखती है। प्रयोगों के परिणामस्वरूप, एक छोटी रणनीति चुनी गई, जिसमें निम्नलिखित समीकरण को हल करना शामिल है: (1)
जहाँ - रैखिक बाधाओं के साथ मानक द्विघात प्रोग्रामिंग समस्या का समाधान: जहाँ
- सममित मैट्रिक्स
- गुणांक वेक्टर
- विशेषता वैक्टर का अंतर

विभिन्न नमूनों पर यह दृष्टिकोण (खोज क्वेरी के 20 अलग-अलग सेटों पर 100 सुविधाएँ और 500 सुविधाएँ) ने अच्छे परिणाम दिखाए (तालिका 1 देखें)।


तालिका 1. घटे हुए मॉडल के परिणाम



अंजीर। 2. पुनर्प्राप्त प्रतिगमन गुणांक n = 100 पर

अंजीर। 3. बहाल प्रतिगमन गुणांक n = 500 पर
यदि हम विशिष्ट प्रश्नों पर परिणामों के बारे में बात करते हैं, तो किए गए प्रयोग निम्न त्रुटि संकेतक देते हैं

सारणी 2. गणना त्रुटियाँ



किसी प्रोजेक्ट पर काम करते समय, इस दृष्टिकोण का उपयोग साइट पर विशिष्ट परिवर्तन के साथ स्थिति की भविष्यवाणी करने के लिए किया गया था। इसी तरह के प्रयोग पाठ विशेषताओं के आधार पर किए गए थे। प्रारंभ में, प्रश्न में क्वेरी के लिए TOP20 से साइटों पर डेटा एकत्र किया गया था, फिर उपयुक्त एल्गोरिथ्म का उपयोग करके डेटा को मानकीकृत किया गया था। उसके बाद, द्विघात प्रोग्रामिंग की पद्धति का उपयोग करके "प्रासंगिकता" की गणना करने के लिए एल्गोरिथ्म को सीधे निष्पादित किया गया था।
प्राप्त साइट प्रासंगिकता मानों को क्रमबद्ध किया जाता है और बहाल पदों के बारे में निष्कर्ष निकाला जाता है।

तालिका 3. स्थिति पुनर्प्राप्ति



यह पाया गया कि क्वेरी "टायर फिटिंग" की रैंकिंग करते समय पदों पर सबसे बड़ा प्रभाव संकेतों द्वारा बनाया जाता है: यांडेक्स कैटलॉग में उपस्थिति, क्वेरी "टायर फिटिंग" से पहले शब्द की घटना, क्वेरी टायर के पहले शब्द के एच 1 में घटना "दूसरी फिटिंग शब्द के पृष्ठ के शीर्षक में प्रवेश"। उपकरण "।
साइट के मापदंडों में अनुरूप सुधार किए गए और कार्यक्रम लॉन्च किया गया। नतीजतन, इसी स्थिति के लिए एक पूर्वानुमान दिया गया था।


अंजीर। 4. रैंकिंग सूत्र को पुनर्स्थापित करने वाला कार्यक्रम

ये सभी परिवर्तन साइट पर किए गए थे, अगले अद्यतन के बाद, साइट ने उन पूर्वानुमानों के करीब स्थिति ले ली। प्रारंभिक स्थिति 50 थी, इन परिवर्तनों के बाद यह TOP20 की राशि थी।


चित्र 5। क्वेरी के परिणाम "टायर फिटिंग उपकरण"

पाठ विषय माप

रैंकिंग सूत्र की बहाली के साथ काम में, संपूर्ण साइट के विषय के लिए पाठ विषय की विषयगत निकटता को मापने के महत्व की पुष्टि की गई थी। पृष्ठ के संबंधित विषय, प्रासंगिक क्वेरी और संपूर्ण साइट के वैक्टर के बीच कोसाइन की गणना के आधार पर एक समान मीट्रिक का निर्माण किया जा सकता है: (2)

जहाँ और तदनुसार, साइट के विषयगत वेक्टर का पदनाम और प्रश्न में दस्तावेज़।
एन शब्द संग्रह शब्दकोश में शब्दों की संख्या है। दस्तावेज़ Di में प्रत्येक शब्द j के वजन की गणना सूत्र द्वारा की जाती है: (3)

जहां countij दस्तावेज़ में शब्द की संख्या है, IDFwj संग्रह में शब्द का व्युत्क्रम आवृत्ति है। दस्तावेज़ में प्रत्येक शब्द के वजन की गणना करने के बाद, वेक्टर सामान्य हो जाता है: (4)


इसी तरह, पूरी साइट के लिए एक वेक्टर का निर्माण किया जाता है, जबकि साइट के पाठ को इसमें शामिल सभी दस्तावेजों के ग्रंथों को मिलाकर प्राप्त किया जाता है।
इस प्रकार, दस्तावेज़ के विषयगत मूल्य का निर्धारण करने के लिए एल्गोरिथ्म को निम्नानुसार दर्शाया जा सकता है:
1) एक डिक्शनरी परिभाषित की गई है जिसमें कोई दुर्लभ और स्टॉप शब्द नहीं हैं, अर्थात्। शब्दकोश बनाने वाले शब्दों का IDF सार्थक शब्दों की श्रेणी में आता है।
2) एन-आयामी विषयगत वेक्टर का निर्माण किया जाता है प्रश्न में दस्तावेज़ के लिए सूत्र 3 और 4 का उपयोग करना।
3) एक एन-आयामी विषयगत वेक्टर का निर्माण किया जाता है पूरी साइट के लिए सूत्र 3 और 4 का उपयोग करना।
4) (2) का उपयोग करके, वैक्टर की निकटता स्थापित की जाती है और । वैक्टर के करीब, दस्तावेज़ का विषयगत मूल्य इसके बाद के संस्करण।

इस मॉडल के आधार पर, प्रश्न में दस्तावेज़ की विषयगत समानता और साइट के पाठ घटक को निर्धारित करने के लिए एक कार्यक्रम लिखा गया था। प्रयोग साइटों के 3 समूहों के आधार पर किए गए थे: एक ही विषय के साथ, एक ही विषय के साथ, विभिन्न विषयों के साथ। कुल 200 लेख संसाधित किए गए थे। प्रसंस्करण के परिणामस्वरूप, तालिका में प्रस्तुत "1 परीक्षण दस्तावेज़ / 9 प्रशिक्षण दस्तावेज़" के 20 समूहों के लिए निम्नलिखित डेटा प्राप्त किए गए थे।

तालिका 4. विषयगत पूर्णता परीक्षा परिणाम



तालिका से पता चलता है कि एक सूचना संसाधन की विषयगत पूर्णता को निर्धारित करने के लिए प्रस्तावित विधि व्यवहार में काम करती है: अधिक पूरी तरह से खुलासा किए गए विषयों के साथ साइटों पर स्थित चेक किए गए दस्तावेजों में उच्च दर है। हालांकि, विकसित प्रणाली की कमियों की पहचान की गई थी। सबसे पहले, साइटों में अक्सर एकसूत्रीय या असंक्रमित पृष्ठ (ऑर्डर फॉर्म, प्रतिक्रिया, संपर्क आदि) होते हैं। दूसरे, जब प्रशिक्षण ग्रंथों की एक यादृच्छिक रूप से निर्दिष्ट संख्या चुनते हैं, तो गैर-विषयक पृष्ठों का चयन किया जा सकता है। तीसरा, गैर-विशिष्ट सामग्री, लेकिन विषय वस्तु के समान, उदाहरण के लिए, किसी विशेष शब्द की वर्तनी, परीक्षण ग्रंथों के रूप में सामने आ सकती है। चौथा, वे साइटें हैं जो अर्थ में अंतर करते हुए विभिन्न विषयगत क्षेत्रों को कवर करती हैं (ऑनलाइन स्टोर, समाचार साइट, सार बैंक)।
इन कमियों के साथ, समग्र चित्र हमें संसाधन की विषयगत पूर्णता का आकलन करने की अनुमति देता है। एक उदाहरण के रूप में, उपकरण के बारे में अनुरोधों के साथ "रसद" विषय की साइट पर विचार करें (रसद ​​के बारे में जानकारी के अलावा साइट पर एक कैटलॉग है)। साइट Yandex.Catalog में पंजीकृत है और इसके पास "माल भाड़ा अग्रेषण और परिवहन" है:

अंजीर। 6. यैंडेक्स कैटलॉग में निर्दिष्ट अनुभाग।

ऊपर दी गई विधि का उपयोग करते हुए, यह निष्कर्ष निकाला गया कि प्रचारित किए जा रहे पृष्ठों की विषयगत पूर्णता "चीन से परिवहन और वितरण", बल्कि "उपकरण" के संबंध में बड़े विषयों के अनुरोधों के संबंध में पूरी नहीं है। "लॉजिस्टिक्स: उपकरण" पृष्ठों का अनुपात क्रमशः "30: 200" था। तदनुसार, स्थिति और यातायात दोनों ही उपकरण से संबंधित अनुरोधों के लिए थे। उसी समय, "लॉजिस्टिक्स" एक प्राथमिकता थी। समस्या को हल करने के लिए, विस्तृत जानकारी प्राप्त करने के लिए यांडेक्स को एक पत्र लिखा गया था। हालांकि, प्लेटो से साइट को सुधारने और विकसित करने के बारे में एक मानक प्रतिक्रिया प्राप्त हुई थी, लेकिन सामान्य तौर पर, सब कुछ क्रम में है।
एक समाधान के रूप में, साइट पर आवश्यक विषयों के विकास और दो विषयों को अलग-अलग उप-क्षेत्रों में अलग करने के बीच एक विकल्प था। एक त्वरित परिणाम प्राप्त करने की आवश्यकता है। TORs को "उपकरण" की दिशा को एक उपडोमेन पर स्थानांतरित करने के लिए संकलित किया गया था, और "रसद" पर जानकारी मुख्य साइट पर संग्रहीत की गई थी, साथ ही विषय के लिए प्रासंगिक नए पृष्ठों को जोड़कर संसाधन विकसित करने के लिए। परिवर्तनों का परिणाम अंजीर में दिखाया गया है। उपकरण के अनुरोधों ने सफलतापूर्वक उपडोमेन पर स्विच किया और एक सकारात्मक स्थिति ली। और रसद और परिवहन अनुरोधों पर विषयगत पृष्ठों को जोड़ने के बाद, उन्होंने सकारात्मक गतिशीलता दिखाना शुरू कर दिया।

अंजीर। 6. प्रजनन के विषयों के बाद, प्रचार के परिणाम

इस प्रकार, "उपडोमेन + डोमेन" योजना के कारण, नुकसान के बिना विषयों को फैलाना संभव था और इस प्रकार प्रत्येक विषय की प्रासंगिकता अलग-अलग बढ़ जाती है और अनुरोध पर सकारात्मक गतिशीलता प्राप्त होती है।

पाठ स्वाभाविकता का मापन

Yandex.Catalog में आने के लिए आवश्यकताओं को कड़ा किया गया है। हाल ही में, आपको इस तथ्य का सामना करना पड़ता है कि किसी साइट की जांच करते समय, यैंडेक्स कर्मचारी कम-गुणवत्ता वाली सामग्री की रिपोर्ट करते हैं। इस तथ्य को बड़ी साइट पर मैन्युअल रूप से पहचानना एक समस्या है। इसलिए, फिलहाल, इन ग्रंथों की विशेषताओं का विश्लेषण करने के लिए काम चल रहा है। मैं आपको उनमें से कुछ के बारे में बताता हूँ। स्पैम टेक्स्ट प्राप्त करने के दो मुख्य दृष्टिकोणों को प्रतिष्ठित किया जा सकता है: लैटिन अक्षरों के साथ रूसी अक्षरों को बदलना और अर्थहीन सामग्री उत्पन्न करना।
पहले दृष्टिकोण को उल्टे आवृत्ति की मदद से परिवर्तित शब्दों की पहचान करके और अनुभवजन्य तरीके से स्थापित महत्वपूर्ण मूल्य के साथ तुलना करके प्रकट किया जाता है। समान अक्षरों के साथ रूसी अक्षरों को बदलने के द्वारा गठित शब्द उपयोग के आंकड़ों के संदर्भ में दुर्लभ शब्द हैं। एक आम संग्रह में औंधा आवृत्ति का उपयोग करना, आप ऐसे शब्दों की पहचान कर सकते हैं। पाठ नोड के प्रत्येक तत्व के लिए एक मान दिया गया है औंधा आवृत्ति फ़ंक्शन fh का उपयोग करना: (5)

उल्टे आवृत्ति के एक कार्य के रूप में, हमने माना: (6), (7), (8)।

यहां डी संग्रह में दस्तावेजों की संख्या है, डीएफ दस्तावेजों की संख्या है जिसमें लेम्मा होता है, सीएफ संग्रह में लेम्मा की घटनाओं की संख्या होती है, टोटल लेम्स संग्रह में सभी लेममा की घटनाओं की कुल संख्या है। इन विकल्पों में से, प्रयोग में सर्वोत्तम परिणाम, और साथ ही Gulin A. के अध्ययन में, ICF (7) द्वारा दिखाया गया था, इसलिए जहां विचाराधीन पाठ में लेम्मा की घटनाओं की संख्या है, सेट में सभी लेमैमा की घटनाओं की कुल संख्या है।
फ़ंक्शन fh का मान जितना बड़ा होता है, शब्द उतना ही कम होता है। सार्थक शब्दों के एक आईसीएफ अंतराल प्राप्त करने के लिए, एक कार्यक्रम लिखा गया था, जिसके प्रवेश पर विभिन्न सामग्रियों के ग्रंथ प्रस्तुत किए गए थे (विषयगत प्रभाव का उन्मूलन)। कार्यक्रम में लगभग 500 एमबी टेक्स्ट जानकारी संसाधित की गई। प्रसंस्करण के परिणामस्वरूप, आईसीएफ शब्दों के व्युत्क्रम आवृत्तियों का एक शब्दकोश सामान्य रूप में प्राप्त किया गया था। पार्सर सिस्टम, कंपनी यांडेक्स का उपयोग करके शब्दों का लेमेटाइजेशन किया गया था। सभी शब्दकोश प्रविष्टियों को रिवर्स फ़्रीक्वेंसी ऑर्डर बढ़ाने में क्रमबद्ध किया गया था। इस शब्दकोश के विश्लेषण के परिणामस्वरूप, महत्वपूर्ण शब्दों का अंतराल प्राप्त किया गया था: [५००; 191 703]।
स्पैम ग्रंथों का पता लगाने के लिए मानदंड स्थापित करने के लिए, एक महत्वपूर्ण मान Hcrit भी पेश किया जाता है और Hp की गणना उन शब्दों के प्रतिशत के लिए की जाती है, जिनकी विशेषता महत्वपूर्ण मूल्य Hcrit के अनुभवजन्य रूप से अधिक है: (9)

एक महत्वपूर्ण चिह्न के रूप में, तुच्छ शब्दों का प्रतिशत उपयोग किया जाता है - 50% (आधिकारिक शब्दों की आवृत्ति का उच्चतम संकेतक 37.60% है, और लेखक ने औसतन शब्दों का आविष्कार किया है - 5.63%)। एक पाठ में ऐसे शब्द संरचनाओं एचपी के उपयोग का एक बड़ा प्रतिशत इंगित करेगा कि दस्तावेज़ उत्पन्न होता है।
हालांकि, ऐसे स्पैम टेक्स्ट वाली साइटें दुर्लभ हैं। दूसरा दृष्टिकोण अधिक सामान्य है। मार्कोव श्रृंखलाओं पर आधारित जनरेटर द्वारा उत्पन्न अप्राकृतिक ग्रंथों का एक वर्ग है। पावलोव के शोध के आधार पर ए.एस. इस तरह के ग्रंथों की पहचान करने के लिए एक मॉडल प्रस्तावित किया गया है।
दस्तावेज़ डी के पूरे पाठ घटक बी में कई विशेषताएं हैं लेखक द्वारा नियंत्रित करना मुश्किल है। अप्राकृतिक ग्रंथों के एक स्वचालित वर्गीकरण का निर्माण करने के लिए, मशीन सीखने में चयनित सुविधाओं का उपयोग किया जाता है। एक दृष्टिकोण के रूप में विकसित किया जा रहा है, एक एल्गोरिथ्म निर्णय पेड़ों C4.5 पर आधारित है। अप्राकृतिक पाठ को स्वयं निर्धारित करने के लिए एल्गोरिथ्म इस प्रकार है:

अंजीर। 7. उत्पन्न सामग्री के निर्धारण के लिए एल्गोरिथम

निर्णय पेड़ प्राप्त करने के लिए, 2000 का एक प्राकृतिक पाठ डेटाबेस तैयार किया गया था और 2000 का एक अप्राकृतिक पाठ डेटाबेस भी उपलब्ध था, कुछ इंटरनेट पर पाए गए थे, कुछ उत्पन्न किए गए थे, बाकी नमूना दस्तावेजों को पर्यायवाची या विदेशी भाषाओं से अनुवाद करके प्राप्त किए गए थे। मूल संग्रह ROMIP By.Web संग्रह था। जेनरेशन और पर्यायवाची उपकरण इंटरनेट पर पाए गए (TextoGEN, जनरेटिंग द वेब 2.2, Seoenerator और अन्य)।
ग्रंथों के परिणामस्वरूप सेट को दो समान भागों में विभाजित किया गया था। पहले समूह को प्रशिक्षण नमूने के रूप में इस्तेमाल किया गया था, और दूसरा भाग एक परीक्षण सेट था। दोनों नमूनों में नमूना दस्तावेजों और उत्पन्न ग्रंथों की समान संख्या थी।
सीखने की प्रक्रिया के लिए, एक कार्यक्रम लिखा गया था, प्रत्येक पाठ के लिए, एक वेक्टर बनाया गया जो उन मापदंडों का अनुमान लगाता है जो पाठ की स्वाभाविकता के निर्धारण को प्रभावित करते हैं। पावलोव के अध्ययन के अनुसार ए.एस. सीखने में सबसे बड़ा योगदान मापदंडों की एक सूची से आता है जो पाठ की विविधता और भाषण के कुछ हिस्सों के उपयोग की आवृत्ति निर्धारित करते हैं। तालिका रूसी-भाषा के ग्रंथों के वर्गीकरण के लिए सबसे मूल्यवान सुविधाओं की एक सूची प्रदान करती है, प्रत्येक सुविधा के लिए एफ-माप और प्रकार की सुविधा का संकेत दिया जाता है।

तालिका 5. ग्रंथों के वर्गीकरण के लिए सबसे मूल्यवान विशेषताएं


प्रत्येक दस्तावेज़ डी के प्राप्त वैक्टर पी का उपयोग करते हुए, एक निर्णय पेड़ का निर्माण किया गया था। यह प्रक्रिया विश्लेषणात्मक प्लेटफॉर्म डेडक्टर स्टूडियो एकेडमिक संस्करण 5.2 का उपयोग करके की गई थी। Deductor में, निर्णय ट्री हैंडलर एक संशोधित C4.5 एल्गोरिथ्म पर आधारित है जो वर्गीकरण की समस्याओं को हल करता है। नतीजतन, एक पेड़ 157 नोड्स और 79 नियमों के साथ बनाया गया था। अंजीर में। परिणामी पेड़ का हिस्सा प्रस्तुत किया गया है। साइट के स्पैम ग्रंथों का निर्धारण करते समय मुख्य कार्यक्रम में प्राप्त नियमों का उपयोग किया गया था।


अंजीर। 8. निर्णय का पेड़। विश्लेषणात्मक मंच Deductor 5.2।


अंजीर। 9. पाठ विश्लेषण कार्यक्रम का परिणाम

व्यवहार में, इस दृष्टिकोण ने मांग पर गतिशीलता की कमी का कारण खोजने में मदद की। कार्यक्रम ने साइट श्रेणियों के सभी पृष्ठों पर उत्पन्न ग्रंथों का पता लगाया। जांच के दौरान, यह पाया गया कि वे एक ही साइट के मशीन अनुवाद की सामग्री का प्रतिनिधित्व करते हैं, लेकिन अंग्रेजी संस्करण।


अंजीर। 10. श्रेणी पृष्ठों पर ग्रंथ

इन ग्रंथों को संपादित करने के बाद, केवल पदोन्नत पृष्ठों पर भी, अच्छी गतिशीलता प्राप्त हुई: TOP500 से अनुरोधों ने 9 सप्ताह में TOP10 को तुरंत मार दिया।


अंजीर। 11. संशोधित पाठ का एक उदाहरण।


अंजीर। 12. गणना के बाद हफ्तों तक स्थिति में बदलाव।

निष्कर्ष में, यह ध्यान दिया जाना चाहिए कि माना कार्यात्मकताओं का विकास अनिवार्य नहीं है! यह वैश्विक खोज इंजन अनुसंधान में उपयोगी है। किसी साइट का प्रचार करते समय, यह एक दृष्टिकोण विकसित करने के लिए पर्याप्त है जो आपको शीर्ष विश्लेषण के आधार पर प्रश्नों के साथ काम करने की अनुमति देता है। इसके लिए कई प्राकृतिक उपकरण हैं:
1) साइट पर कितने प्रासंगिक पृष्ठों का अनुरोध किया गया है और प्रतियोगियों के साथ तुलना करें - आप साइट की पाठ पूर्णता का मूल्यांकन कर सकते हैं
2) सहेजे गए कॉपी में वर्बोज़ क्वेरीज़ में हाइलाइट किए गए शब्दों पर ध्यान दें - टेक्स्ट लिखने में मदद करें, शब्द एक दूसरे से कितनी दूर डाउनलोड कर सकते हैं
3) क्वेरी भाषा का उपयोग करें। उदाहरण के लिए, सटीक अनुरोध पर और उद्धरण के बिना आउटपुट का विश्लेषण करके, आप पाठ घटक के साथ समस्याओं की पहचान कर सकते हैं
4) उन्नत खोज के माध्यम से, विशिष्ट साइटों पर एक अनुरोध की खोज करें और विश्लेषण करें कि कौन से पृष्ठ और क्यों प्रचारित से अधिक हैं
5) Webmaster.Yandex और Webmaster.Google परिणाम, मैट्रिक्स और जीए डेटा भी समस्याओं की पहचान करने और उनके साथ काम करने में मदद करेंगे।
अनुरोध पर उद्देश्यपूर्ण गतिविधि हमेशा सकारात्मक परिणाम देती है।

लेख के लेखक: नीलोवा एन.वी. (पीएचडी, सॉफ्टवेयर विभाग के प्रमुख), पोलेनोवा ईए (टीम लीडर इनगेट)।