Перейти к содержимому
4.2.6
Fruit_Fellow

SEO оптимизация форума IPS

Рекомендуемые сообщения

Fruit_Fellow   
Хороший
2

Зашёл на форум, чтобы прочитать, какие либо советы или решения для SEO IPS, увидел данный раздел, улыбнулся, подумал что люди все таки обсуждают, но тут увидел что нет, не одной темы по данному разделу, КАК ТАК ? :burumburum: 
На IPS всё как и везде? Нету, нечего особенного, по поводу оптимизации и продвижения, "улучшения" в поисковой выдаче и т.п.? На IPB помню, даже обсуждались теги h1-h6, а тут   ти ши на ... Разочарование ... :chih:

  • Upvote 1

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
WOLF   
Хороший
79

людей больше интересует как выглядит их форум и не более, о продвижении они даже не задумываются, некоторые даже не знают что это такое

  • Upvote 1

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
Fruit_Fellow   
Хороший
2
4 минуты назад, WOLF сказал:

людей больше интересует как выглядит их форум и не более, о продвижении они даже не задумываются, некоторые даже не знают что это такое

Такая мысль тоже пролетела ... 
Просто задался вопросом, когда заметил что в поисковой выдаче не отображается описание форума, а description вовсе оказывается отсутствует, сижу заново разбираюсь  с "Поисковая оптимизация" в ПУ, и не как могу добиться что бы метатег отображался... Удалил все теги что добавлял когда то ... 
Форум создал давно и пришлось забросить его, из за нехватки времени, за эти месяцы он, сам продвинулся в поисковике, по нескольким запросам. Теперь решил уделить ему время, настроить до конца и набирать уже людей.. Но как ты и сказал, видимо меня одного интересует  продвижение форума... :burumburum:

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
Fruit_Fellow   
Хороший
2

Вопрос с description решён, раньше добавлял всё ручками, хорошо шло, в принципе как и сейчас, все теги добавились, кроме описания, удалил всё, запустил визуальный редактор, создал все через него, после сохранения, появился тег description, но пустой, нажал на редактировать и руками, без визуального редактора добавил описание, и :boyan: работааат... Не знаю почему, но вот, так у меня вышло :burumburum:, даже image и локацию также удалось добавить, а через визуальный редактор, мегатеги остаются пустые ...:chih:

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
salex   
Хороший
7

Было тут все про h1-h6 и т.д. Просто база слетела и тема не сохранилась. Заново сложно писать и повторять)

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
๖ۣۣۜDesperate™   
Хороший
426

@salex Зависит от желания ) темка то сохранилась в базе, но юзеры там другие для общения.. Я, ты и еще 2 человека были... Если дадите добро, то от вашего имени буду постить и размещу темку.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
Bluesman   
0

Интересно! Надо поднять тему.

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах
salex   
Хороший
7
В 02.02.2017 в 13:46, ๖ۣۣۜDesperate™ сказал:

Если дадите добро, то от вашего имени буду постить и размещу темку.

 

Я не против.)

  • Upvote 1

Поделиться сообщением


Ссылка на сообщение
Поделиться на других сайтах

Создайте аккаунт или войдите в него для комментирования

Вы должны быть пользователем, чтобы оставить комментарий

Создать аккаунт

Зарегистрируйтесь для получения аккаунта. Это просто!

Зарегистрировать аккаунт

Войти

Уже зарегистрированы? Войдите здесь.

Войти сейчас

  • Похожие публикации

    • Автор: ๖ۣۣۜDesperate™
      Яндекс запустил новый поисковый алгоритм — «Палех». Он позволяет поиску Яндекса точнее понимать, о чём его спрашивают люди. Благодаря «Палеху» поиск лучше находит веб-страницы, которые соответствуют запросам не только по ключевым словам, но и по смыслу. За сопоставление смысла запросов и документов отвечает поисковая модель на основе нейронных сетей.
      «Длинный хвост»
      Каждый день поиск Яндекса отвечает примерно на 280 миллионов запросов. Какие-то из них, например [вконтакте], люди вводят в поисковую строку практически каждую секунду. Какие-то запросы уникальны — их задают один раз, и они, возможно, больше никогда не повторятся. Уникальных и просто редких запросов очень много — около ста миллионов в день.
      График частотного распределения запросов в Яндексе часто представляют в виде птицы, у которой есть клюв, туловище и длинный хвост. Список самых распространённых запросов не особо велик, но их задают очень-очень часто — это «клюв» птички. Запросы средней частотности образуют «туловище». Низкочастотные запросы по отдельности встречаются чрезвычайно редко, но вместе составляют существенную часть поискового потока и поэтому складываются в «длинный хвост».

      Новый алгоритм позволяет поиску Яндекса лучше отвечать на сложные запросы из «длинного хвоста». Такой хвост есть у сказочной Жар-птицы, которая часто появляется на палехской миниатюре. Поэтому мы дали алгоритму название «Палех».
      Запросы из «длинного хвоста» очень разнообразны, но среди них можно выделить несколько групп. Например, одна из них — запросы от детей, которые пока не освоили язык общения с поиском и часто обращаются к нему как к живому собеседнику: [дорогой яндекс посоветуй пожалуйста новые интересные игры про фей для плантика]. Ещё одна группа — запросы от людей, которые хотят узнать название фильма или книги по запомнившемуся эпизоду: [фильм про человека который выращивал картошку на другой планете] («Марсианин») или [фильм где физики рассказывали даме про дейтерий] («Девять дней одного года»).
      Особенность запросов из «длинного хвоста» в том, что обычно они более сложны для поисковой системы. Запросы из «клюва» задают многократно, и для них есть масса разнообразной пользовательской статистики. Чем больше знаний о запросах, страницах и действиях пользователей накопил поиск, тем лучше он находит релевантные результаты. В случае с редкими запросами поведенческой статистики может не быть — а значит, Яндексу гораздо труднее понять, какие сайты хорошо подходят для ответа, а какие не очень. Задача осложняется тем, что далеко не всегда на релевантной страничке встречаются слова из запроса — ведь один и тот же смысл в запросе и на странице может быть выражен совершенно по-разному.
      Несмотря на то, что каждый из запросов «длинного хвоста» по отдельности встречается крайне редко, мы всё равно хотим находить по ним хорошие результаты. К решению этой задачи мы привлекли нейронные сети.
       
      Семантический вектор
      Искусственные нейронные сети — один из методов машинного обучения, который стал особенно популярен в последние годы. Нейросети показывают отличные результаты в анализе естественной информации: картинок, звука, текста. Например, нейронную сеть можно обучить распознавать на изображениях те или иные объекты — скажем, деревья или собак. В ходе обучения ей показывают огромное количество картинок, где есть нужные объекты (положительные примеры) и где их нет (отрицательные примеры). В результате нейросеть получает способность верно определять нужные объекты на любых изображениях.
      В нашем случае мы имеем дело не с картинками, а с текстами — это тексты поисковых запросов и заголовков веб-страниц, — но обучение проходит по той же схеме: на положительных и отрицательных примерах. Каждый пример — это пара «запрос — заголовок». Подобрать примеры можно с помощью накопленной поиском статистики. Обучаясь на поведении пользователей, нейросеть начинает «понимать» смысловое соответствие между запросом и заголовками страниц.
      Компьютеру проще работать с числами, чем с буквами, поэтому поиск соответствий между запросами и веб-страницами сводится к сравнению чисел. Мы научили нейронную сеть переводить миллиарды известных Яндексу заголовков веб-страниц в числа — а точнее, в группы из трёхсот чисел каждая. В результате все документы из базы данных Яндекса получили координаты в трёхсотмерном пространстве.
      Вообразить такую систему координат человеку довольно трудно. Давайте упростим задачу и представим, что каждой веб-странице соответствует группа не из трёхсот, а из двух чисел — и мы имеем дело не с трёхсотмерным, а всего лишь с двумерным пространством. Тогда получится, что каждое число — это определённая координата по одной из двух осей, а каждая веб-страница просто соответствует точке на двумерной координатной плоскости.

      Точно так же в набор чисел можно перевести и текст поискового запроса. Другими словами, мы можем разместить запрос в том же пространстве координат, что и веб-страницу. Замечательное свойство такого представления состоит в том, что чем ближе они будут расположены друг к другу, тем лучше страница отвечает на запрос.
      Такой способ обработки запроса и его сопоставления с вероятными ответами мы назвали семантическим вектором. Этот подход хорошо работает в тех случаях,  когда запрос относится к области «длинного хвоста». Семантические векторы позволяют нам лучше находить ответы на сложные низкочастотные запросы, по которым имеется слишком мало пользовательской статистики. Более того, представляя запрос и веб-страницу в виде вектора в трёхсотмерном пространстве, мы можем понять, что они хорошо соответствуют друг другу, даже если у них нет ни одного общего слова.
      Мы начали использовать семантический вектор несколько месяцев назад, постепенно развивая и улучшая лежащие в его основе нейронные модели. О том, как мы обучали нейронную сеть преобразовывать запросы и документы в семантические векторы, читайте в блоге Яндекса на «Хабрахабре».
       
      Дальше — больше
      Семантический вектор применяется не только в поиске Яндекса, но и в других сервисах — например, в Картинках. Там он помогает находить в интернете изображения, которые наиболее точно соответствуют текстовому запросу.
      Технология семантических векторов обладает огромным потенциалом. Например, переводить в такие векторы можно не только заголовки, но и полные тексты документов — это позволит ещё точнее сопоставлять запросы и веб-страницы. В виде семантического вектора можно представить и профиль пользователя в интернете — то есть его интересы, предыдущие поисковые запросы, переходы по ссылкам. Далёкая, но чрезвычайно интересная цель состоит в том, чтобы получить на основе нейронных сетей модели, способные «понимать» семантическое соответствие запросов и документов на уровне, сравнимом с уровнем человека.
  • Сейчас на странице   0 пользователей

    Нет пользователей, просматривающих эту страницу.

×