「原創」Google排名方法集:優化Structured Data(結構化數據)

2021-01-07 小灰聊職場
優化Structured Data(結構化數據)

做外貿電商SEO的都知道,得Google者得天下,所以針對Google的優化,必不可少,今天我給大家講講,如何去通過優化Structured Data(結構化數據)獲得更高的排名。

什麼是結構化數據?

結構化數據是向搜尋引擎解釋網站內容的一種數據方式,這些數據包含了很多的欄位。Schema包含了用到的所有的欄位,通過抓取Schema提供的欄位內容,搜尋引擎會很快的了解到網頁最重要的內容。

Schema可以針對書籍、商品、活動、企業等等,進行結構化數據的定義,這些操作可以讓對應的網頁,在搜尋引擎結果的展示上更加炫酷。

如何對你的網頁進行結構化數據優化

做外貿的電商,最重要的就是產品,如何讓google抓取產品頁面,並且在結果頁展現形式優於競爭對手,我們就需要用到結構化數據。

下面我以產品類的網頁為例,講解一下,如何將結構化數據應用到你的網頁中。

Schema必要欄位說明(產品為例)

type:指定類型,此處為product

name:商品名稱

image:商品圖片;圖片必須是jpg/png/gif格式;一個商品可以對應多個商品圖片,可以使用類似數組的形式定義數據。

Schema補充欄位說明(產品為例)

description:商品描述

sku:商品標識

brand:商品品牌

review:商品評論;可以是嵌套的產品評論;如果包含評論,則評論的數據需要包含:

author:評論作者信息reviewRating:評分信息category:商品分類名稱

offers:商品的價格信息;主要包含以下幾個欄位:

priceCurrency:商品定價的幣種price:商品價格priceValidUntil:價格有效期availability:商品狀態屬性;包含InStock/OutOfStock

數據化結構

上面的這張圖,是對結構化數據的一個測試結果,可以看出,該商品的結構化數據相當的齊全,詳細在搜尋引擎結果展示時,可以與眾不同,非常出彩,並且由於結構化數據的存在,一定程度上產品權重排名也得到了提升。

我們進過A/B頁測試發現,包含了充分的結構化數據的產品頁面,與非結構化數據優化過的產品頁面,在從搜尋引擎獲取流量是4:1,也就是說,通過結構化數據優化過的頁面來帶的流量是沒有優化過頁面的4倍。

有興趣的粉絲,可以現在就動手優化你的產品頁面,在搜尋引擎更新數據後,相信有很好的效果等著你。

相關焦點

  • Google開源ToTTo數據集,你的模型還「撐」得住嗎?
    但當源內容是結構化的(例如,以表格格式)時,在含義上保持一致往往會更容易。 此外,結構化數據還可以測試模型的推理和數值推理能力。 這麼聽上去,結構化數據是蠻好的,對不對? 然而,現有的大規模結構化數據集往往有噪聲(即引用的句子不能從表格數據中完全推斷出來),這使得研究人員在模型開發中對「幻覺」的測量並不可靠。
  • TensorFlow 神經結構化學習入門
    註:TensorFlow 神經結構化學習https://tensorflow.google.cn/neural_structured_learning結構化數據包含豐富的樣本間關聯信息,從而使許多機器學習任務從中受益。例如,引文網絡建模、知識圖推理、句子語言結構推理以及分子指紋學習都需要模型學習結構化的輸入,而非單個樣本。
  • 谷歌開放全新自然語言數據集:多元化場景更詳細標註,讓 AI 助手更...
    對於這兩個數據集,Wizard-of-Oz 平臺內部的設計旨在獨特地模仿現在基於語音的智能助理,在自動化系統的環境中保留口語對話的特徵。由於「人類助理」可以準確地理解用戶所要求的內容,因此我們能夠捕捉用戶如何將自己真實地表達給「完美」的智能助理,以便我們可以繼續改進這樣的系統。
  • 酷家樂室內結構化數據集Structured3D入選ECCV 2020
    近日,歐洲計算機視覺會議ECCV 2020公布了論文錄取結果,由酷家樂KooLab團隊投稿的室內結構化數據集Structured3D成功入選。ECCV與ICCV、CVPR共稱為計算機視覺領域三大國際頂級學術會議,今年ECCV共收到5025篇有效投稿,是ECCV 2018的兩倍多,而接受率僅為27%。
  • 機器學習 | 43種開源數據集(附地址/調用方法)
    q=google&ctab=0&geo=all&date=all&sort=0類型:金融與經濟數據集網址:https://www.aeaweb.org/resources/data/us-macro-regional網址:https://research.google.com
  • 韓家煒在數據挖掘上開闢的「小路」是什麼
    首先要做的就是將數據結構化。另外一個是預測錯誤嗎?例如將 NY Times 的新聞放入到這樣一個 Cube 中,我們想要總結「2016」、「China」、「Economy」的信息。與這些關鍵詞相關的 Documents 有很多很多,沒有人原意去一個一個地查看。如果只是簡單地用統計的方法來獲取信息,就會發現有很多不是「Economy」的信息,例如「Hong Kong」、「United States」等。
  • CVPR 2018:新型語義分割模型:動態結構化語義傳播網絡DSSPN
    此外,由於專業水平和應用目的不同,語義分割的目標概念集本質上可以開放化和高度結構化,以適應特定的任務/數據集。然而,一些技術還通過在最終預測分數上採用複雜圖形推斷 [7]、層級損失 [31] 或詞嵌入先驗 [39] 來探索視覺識別的語義層次。它們的損失約束只能間接地將視覺特徵引導為可被層次感知,與通用的 CNN 模型相比,結果難以得到保證,甚至往往會得到更差的結果。
  • 「智能」的產生,本質上是非結構化數據結構化的過程
    以下是嘉賓分享部分內容:「客戶交互」智能化的四個市場階段企業的「客戶交互」數據,既包括用戶使用網站或者 App 的行為數據,也包括電話溝通、視頻會議、在線 IM 溝通以及線下的當面溝通數據,但大部分數據都是非結構化的,「智能」的產生,本質上是非結構化數據結構化的過程。
  • spark結構化數據處理:Spark SQL、DataFrame和Dataset
    概述相比於Spark RDD API,Spark SQL包含了對結構化數據和在其上的運算的更多信息,Spark SQL使用這些信息進行了額外的優化,使對結構化數據的操作更加高效和方便。DataFrameDataFrame是一個分布式集合,其中數據被組織為命名的列。它概念上等價於關係資料庫中的表,但底層做了更多的優化。DataFrame可以從很多數據源構建,比如:已經存在的RDD、結構化文件、外部資料庫、Hive表。
  • 谷歌,FB,亞馬遜,Twitter 四家已退出「數據黑洞」群
    谷歌形容該項目為:用戶可以「直接將數據從一個服務遷移到另一個服務,無需下載和重新上傳。」項目開原始碼:https://github.com/google/data-transfer-project項目白皮書:https://datatransferproject.dev/其中很多代碼庫都包含可以將私有 API 轉換成互操作性遷移的「adapter」,比如,使得Instagram的數據可傳輸至Flickr,反之亦然。
  • CVPR 2018 | 新型語義分割模型:動態結構化語義傳播網絡DSSPN
    現有研究 [24,5,40,37] 通常致力於訓練特定任務的模型,因為數據集之間存在標籤差異且數據集的注釋有限。這種方法很大程度上限制了模型的泛化能力,並且偏離了通過結合概念層次來識別並關聯所有概念的人類感知。如果想通過充分利用具備不同標籤集的注釋來改進一項任務,那麼以前的模型必須移除分類層,並且僅共享中間表徵。
  • 結構化數據,最熟悉的陌生人
    但是隨著機器學習的發展,過去傳統的結構化數據分析方法已經不能滿足我們的需求了,而且這些結構化數據其實都是質量很高的數據,如何在神經網絡中利用這些數據也是很重要的任務。同時,結構化數據的語義學習也是一個讓結構化數據「升華」的重要一步,於是我們又結合近期的幾篇論文列舉了結構化數據預訓練的方式。最後,我們列舉了幾個處理結構化數據常見的下遊任務和數據集,以便想做更深入研究的小夥伴自取。值得注意的是,本文主要介紹結構化數據處理的主幹架構,而不是對多篇論文的解讀,所以無法包含論文中所有的精彩的創新點,只選取了對結構化數據處理流程有用的大框架內容進行講解。
  • 表徵圖數據絕不止圖神經網絡一種方法
    此外,在大型數據集、先進的計算處理能力,以及機器學習方法領域繁榮的新興研究等因素的作用極大地促進了深度學習研究。需要指出的是,對於機器學習來說,神經網絡方法和非神經網絡方法的主要區別在於學習數據的表徵。在機器學習術語中,我們會使用「特徵」一詞,而在表徵學習術語中,我們關心的是學習數據的最優表徵,它有助於下遊的機器學習任務。
  • 表徵圖數據,絕不止圖神經網絡一種方法
    我們使用符號 V(G) 和 E(G) 圖 G 的點集和邊集。圖的類型:本文考慮的主要是簡單圖。「簡單圖」的頂點之間僅僅通過一條邊相連。本文還將討論「無向圖、有向圖、帶權圖」:在「無向圖」中,每條邊被表徵為一個無需對{v,w};在「有向圖」中,邊則被表徵為有序對;在「帶權圖」中,權值函數 w:f→R 為每條邊賦予權值。如果所有頂點對之間都存在路徑,那麼該圖是「連通圖」。
  • 如何使用半監督學習為結構化數據訓練出更好的深度學習模型
    本文將使用半監督學習來提高深度神經模型在低數據環境下應用於結構化數據時的性能。 本文最初發表於 Towards Data Science 博客,經原作者 Youness Mansar 授權,InfoQ 中文站翻譯並分享。
  • 學界| ReQuest: 使用問答數據產生實體關係抽取的間接監督
    ,這種方法可以用於減少從知識庫中產生監督信息而伴隨產生的噪聲,為關係提取任務提供間接,有效的訓練數據。例如,它可以檢測到一句話中的實體「Donald Trump」和「United States」之間的關係是「president_of」。這種信息可以被用於下行文本分析任務中(例如,作為信息提取和知識庫(KB)補全的前置步驟,以及輔助問答系統)。 在這篇論文中,為了解決遠監督關係提取中存在的問題,我們研究了從外部數據使用間接監督進行關係提取的問題。
  • ...7 種語言的全新數據集:有效提升 BERT 等多語言模型任務精度...
    PAWS-X 的訓練集是從 PAWS wiki 數據集的一個子集通過機器翻譯而來的支持英語的 PAWS 數據集在「PAWS: ParaphrasePAWS 語料庫創建工作流這種簡單的單詞交換策略存在的一個問題,即它往往會產生不符合常識的「釋義句」,例如:「why do bad things happen to good people」和「why do good
  • 提升google關鍵詞排名的8個方法
    有什麼快速簡單的方法可以達到谷歌搜索結果的頂端?要想爬到搜索結果的頂端並沒有什麼訣竅,它需要時間,資金,計劃和良好的搜尋引擎優化策略,以超越大多數競爭對手,並使關鍵詞達到搜尋引擎排名的頂端。每個網站都想排名第一,為什麼?站在頂端可以很容易地接觸到大量的目標客戶。此外,頂級搜索結果將獲得大部分的流量,更多的點擊和更多的銷售。達到搜索排名頂端的方法是讓網站在谷歌的排名體系中變得重要。
  • R 語言之數據分析「Resampling」
    本節主要總結「數據分析」的「Resampling」重抽樣思想,並通過 R 語言實現。有一種東西叫作「傳統」,它在很多時候很有用,但會讓你思維固化,在新的環境下讓你出錯。在總結回歸分析和方差分析的時候 ④R語言之數據分析「初章」,我總是會在模型的建立之前提到「統計假設」,在模型建立之後進行「假設檢驗」,原因想必大家都能理解,就是因為這些「統計假設」是我們模型建立思想的基礎,是支撐我們模型正確性的「必要條件」。但是,不可否認的是,這些「必要條件」最終會成為我們「數據分析」的局限,讓我們對「不滿足條件的數據集」束手無策。
  • 「數據分析」的理念、流程、方法、工具
    >(一) 數據驅動企業運營 從電商平臺的「猜你喜歡」到音樂平臺的「心動模式」,大數據已經滲透到了我們生活的每一個場景。數據驅動產品、數據驅動運營的關鍵在於「可以通過數據分析提出產品優化思路,提出運營提升的舉措,快速上線驗證效果,重新優化,進入新的增長循環」。