Содержание
как поставить машинное обучение на поток (пост #2) / Хабр
Мы продолжаем серию публикаций о нашем фреймворке FML, который автоматизировал работу с машинным обучением и позволил разработчикам Яндекса использовать его в своих задачах проще и чаще. Предыдущий пост рассказывал о том, что такое функция ранжирования и как мы научились строить её, имея на входе лишь достаточно большое число оценок от асессоров и достаточно разнообразный набор признаков (факторов) документов по большому количеству запросов.
Из этого поста вы узнаете:
- Почему нам нужно подбирать новую формулу ранжирования очень часто, и как именно нам в этом помогает FML;
- Как мы разрабатываем новые факторы и оцениваем их эффективность.
Подбор формулы ранжирования
Одно дело — подобрать формулу один раз, а совсем другое — делать это очень часто. И мы расскажем о причинах того, почему в наших реалиях так необходимо второе.
Как уже было упомянуто, интернет быстро меняется и нам нужно постоянно повышать качество поиска. Наши разработчики непрерывно ищут, какие новые факторы могли бы нам помочь в этом. Наши асессоры каждый день оценивают тысячи документов, чтобы оперативно обучать алгоритмы новым видам закономерностей, появляющимся в интернете, и учитывать изменения в полезности уже оцененных ранее документов. Поисковый робот собирает в интернете массу свежих документов, что постоянно меняет средние значения факторов. Значения могут изменяться даже при неизменных документах, так как алгоритмы расчета факторов и их реализация постоянно совершенствуются.
Чтобы оперативно учитывать в формуле ранжирования этот поток изменений, нужен целый технологический конвейер. Желательно, чтобы он не требовал участия человека или был для него максимально простым. И очень важно, чтобы внесение одних изменений не мешало оценке полезности других. Именно таким конвейером и стал FML. В то время, как Матрикснет выступает «мозгом» машинного обучения, FML является удобным сервисом на его основе, использование которого требует гораздо меньше специальных знаний и опыта. Вот за счёт чего это достигается.
Во-первых, под каждую конкретную задачу, с которой к нам приходит разработчик, FML рекомендует параметры запуска Матрикснета, наилучшим образом соответствующие условиям и ограничениям задачи. Сервис сам подбирает настройки, оптимальные для конкретного объёма оценок — например, помогает выбрать целевую функцию (pointwise или pairwise) в зависимости от размера обучающей выборки.
Во-вторых, FML обеспечивает прозрачную многозадачность. Каждая итерация подбора формулы — это многочасовой расчёт, требующий полной загрузки нескольких десятков серверов. Как правило, одновременно происходит подбор десятка разных формул, а FML управляет нагрузкой и обеспечивает каждому разработчику изоляцию его расчётов от расчётов коллег, чтобы они не мешали друг другу.
В-третьих, в отличие от Матрикснета, который нужно запускать вручную, FML обеспечивает распределённое выполнение ресурсоёмких задач на кластере. Это включает и использование всеми единой и самой свежей версии библиотек машинного обучения, и раскладку программы на все машины, и обработку возникающих сбоев, и сохранение уже проведённых расчётов, и верификацию результатов в случае перезапуска вычислений.
Наконец, мы воспользовались тем, что на вычислительно сложных задачах можно получить весьма существенный выигрыш в производительности, если запускать их на графических процессорах (GPU) вместо процессоров общего назначения (CPU). Для этого мы адаптировали Матрикснет под GPU, за счет чего получили более чем 20-кратный выигрыш в скорости расчётов на единицу стоимости оборудования. Особенности нашей реализации алгоритма построения деревьев решений позволяют нам использовать высокую степень параллелизма, доступную на GPU. Благодаря тому, что мы сохранили программные интерфейсы, которыми пользуется FML, нам удалось предоставить коллегам, работающим над факторами, новые вычислительные мощности, не изменяя привычных процессов разработки.
Несколько слов про GPU
Вообще преимущество процессоров GPU над CPU раскрывается на задачах с большой долей вычислений с плавающей точкой, и машинное обучение среди них ничем не выделяется. Вычислительная производительность измеряется в IOPS для целочисленных вычислений и FLOPS для вычислений с плавающей точкой. И, если вынести за скобки все издержки на ввод-вывод, включая общение с памятью, именно по параметру FLOPS графические процессоры давно ушли далеко вперёд по сравнению с обычными. На некоторых классах задач выигрыш в производительности по сравнению с процессорами общего назначения (CPU) составляет сотни раз.
Но именно потому, что далеко не все распространённые алгоритмы подходят под вычислительную архитектуру GPU и не всем программам необходимо большое число вычислений с плавающей точкой, вся отрасль продолжает использовать CPU, а не переходит на GPU.
О нашем GPU-кластере и суперкомпьютерах
Прямо сейчас производительность GPU-кластера в Яндексе составляет 80 Tflops, но в скором времени мы планируем расширить его до 300 Tflops. Мы не называем наш кластер суперкомпьютером, хотя по сути он им является. Например, по элементной базе он очень близок к суперкомпьютеру «Ломоносов», самому мощному в России и Восточной Европе. Ряд компонент в нашем случае даже более современные. И хотя мы уступаем «Ломоносову» по числу вычислительных узлов (а значит и производительности), после расширения наш кластер с большой вероятностью войдёт в первую сотню самых мощных в мировом рейтинге TOP500 Supercomputer Sites и в первую пятёрку самых мощных суперкомпьютеров в России.
Разработка новых факторов и оценка их эффективности
Факторы в ранжировании играют даже более важную роль, чем умение подбирать формулу. Ведь чем более разнопланово признаки будут различать разные документы, тем более действенной сможет быть функция ранжирования. В стремлении повышать качество поиска мы постоянно ищем, какие новые факторы могли бы нам помочь.
Их создание — очень сложный процесс. Далеко не любая идея выдерживает в нём проверку практикой. Иногда на разработку и настройку хорошего фактора может уйти несколько месяцев, а процент гипотез, подтверждённых практикой, крайне невелик. Как у Маяковского: «В грамм добыча, в год труды». За первый год работы FML для десятков тысяч проверок различных факторов с разными комбинациями параметров были допущены к внедрению лишь несколько сотен.
Долгое время в Яндексе для работы над факторами нужно было, во-первых, глубоко понимать устройство поиска вообще и нашего в частности и, во-вторых, иметь неплохие знания о машинном обучении и информационном поиске в целом. Появление FML позволило избавиться от первого требования, ощутимо снизив тем самым порог входа в разработку факторов. Количество специалистов, которые теперь могут ею заниматься, выросло на порядок.
Но в большом коллективе потребовалась прозрачность процесса разработки. Раньше каждый ограничивался лишь проверками, которые сам считал достаточными, а качество измерял «на глазок». В результате получение хорошего фактора оказывалось скорее предметом искусства. А если гипотеза фактора отвергалась, то по прошествии времени нельзя было ознакомиться с тестами, по которым было принято решение.
С появлением FML разработка факторов стала стандартным, измеримым и контролируемым процессом в большом коллективе. Появилась и перекрёстная прозрачность, когда все смогли увидеть, что делают коллеги, и возможность контролировать качество проведённых ранее экспериментов. Кроме того, мы получили такую систему контроля качества производимых факторов, которая допускает плохой результат с гораздо меньшей вероятностью, чем на ведущих мировых конференциях в области информационного поиска.
Для оценки качества фактора мы делаем следующее. Разбиваем (каждый раз новым случайным образом) множество имеющихся у нас оценок на две части: обучающую и тестовую. По обучающим оценкам мы подбираем две формулы — старую (без тестируемого фактора) и новую (с ним), а по тестовым — смотрим, какая из этих формул лучше. Процедура повторяется много раз на большом количестве разных разбиений наших оценок. В статистике этот процесс принято называть перекрёстной проверкой (cross-validation). Нам она позволяет убедиться в том, что качество новой формулы лучше старой. В машинном обучении такой метод известен как уменьшение размерности с использованием wrappers. Если оказывается, что в среднем новая формула даёт заметное улучшение качества по сравнению со старой, новый фактор может стать кандидатом на внедрение.
Но даже если фактор доказал свою полезность, нужно понять, какова цена его внедрения и использования. Она включает в себя не только время, которое разработчик потратил на проработку идеи, его реализацию и настройку. Многие факторы необходимо рассчитывать непосредственно в момент поиска — для каждого из тысяч документов, найденных по запросу. Поэтому каждый новый фактор — это потенциальное замедление скорости ответа поисковой системы, а мы следим, чтобы она оставалась в очень жёстких рамках. Это значит, что внедрение каждого нового фактора должно быть обеспечено увеличением мощности кластера, отвечающего на запросы пользователей. Есть и другие аппаратные ресурсы, которые нельзя расходовать безгранично. Например, себестоимость хранения в оперативной памяти каждого дополнительного байта на документ на поисковом кластере составляет порядка 10 000 долларов в год.
Таким образом, нам важно отбирать из многих потенциальных факторов только те, у которых соотношение прироста качества к издержкам на оборудование будет самым лучшим — и отказываться от остальных. Именно в измерении прироста качества и оценке объёма дополнительных затрат и состоит следующая после подбора формул задача FML.
Цена измерения и его точность
По нашей статистике, на оценку качества факторов перед их внедрением уходит существенно больше вычислительного времени, чем на подбор самих формул. В том числе потому что формулу ранжирования нужно многократно переподбирать на каждый фактор. Например, за прошлый год примерно на 50 000 проверок было потрачено около 10 млн машиночасов, а на подбор формул ранжирования — около 2 млн. То есть большая часть времени кластера тратится именно на проведение исследований, а не на выполнение регулярных переподборов формул.
Как на любом зрелом рынке, каждое новое улучшение даётся гораздо тяжелее, чем предыдущее, и каждая следующая «девятка» в качестве стоит кратно дороже предыдущей. У нас счёт идёт на десятые и сотые доли процента целевой метрики качества (в нашем случае это pFound). В таких условиях приборы измерения качества должны быть достаточно точными, чтобы уверенно фиксировать даже такие малые изменения.
Говоря про аппаратные ресурсы, мы оцениваем три составляющих: вычислительную стоимость, объём диска и объём оперативной памяти. Со временем у нас даже выработались «разменные курсы»: насколько мы можем ухудшить производительность, сколько байт диска или оперативной памяти готовы заплатить за повышение качества на 1%. Расходование памяти оценивается экспериментально, прирост качества берётся из FML, а уменьшение производительности оценивается по результатам отдельного нагрузочного тестирования. Тем не менее, некоторые аспекты не удаётся оценивать автоматически — например, не привносит ли фактор сильную обратную связь. По этой причине существует экспертный совет, который имеет право вето на внедрение фактора.
Когда приходит время внедрения формулы, построенной с использованием новых факторов, мы проводим A/B-тестирование — эксперимент на небольшом проценте пользователей. Он нужен, чтобы убедиться в том, что новое ранжирование «нравится» им больше, чем текущее. Окончательное решение о внедрении принимается на основе пользовательских метрик качества. В каждый момент времени в Яндексе проводятся десятки экспериментов, и мы стараемся сделать этот процесс незаметным для пользователей поисковой системы. Таким образом мы добиваемся не только математической обоснованности принимаемых решений, но и полезности нововведений на практике.
Итак, FML позволил поставить на поток разработку факторов в Яндексе и дал возможность их разработчикам понятным и регламентированным образом и относительно небольшими усилиями получать ответ на вопрос о том, достаточно ли хорош новый фактор для рассмотрения к внедрению. О том, как мы следим за тем, чтобы качество фактора со временем не деградировало, расскажем в следующем — последнем — посте. Из него же вы узнаете о том, где ещё применима наша технология машинного обучения.
Алгоритмы Яндекса, влияющие на ранжирование сайтов.
Новые поисковые алгоритмы Яндекса, влияющие на ранжирование сайтов в 2018-2019 г. Анонс информации об новом алгоритме поисковой системы Яндекс «Андромеда». Наиболее важными заявлены три направления – выбор источников, быстрые ответы и возможность сохранять свои находки.
Значительную часть быстрых ответов составляют так называемые «колдунщики» различного характера
- Сервис «Яндекс.Знатоки» для быстрого ответа по нужному запросу
- Сервис Яндекс.Коллекции, обозначенный как еще одно из трех важнейших направлений нового алгоритма, а именно, возможность сохранять свои находки.
- «Выбор источников». Под ним подразумевается, в первую очередь, раздача значков-медалек в сниппетах поисковой выдачи.
«Яндекс» представил большое обновление поиска. В него вошло больше тысячи улучшений, которые были внедрены за последний год. Самые важные из них произошли в трех направлениях: быстрые ответы, которые сразу решают задачу пользователя, помощь в выборе источников и возможность сохранять свои находки. Обновленный поиск получил название «Андромеда».
«С момента предыдущего обновления поиска, когда мы запустили алгоритм «Королев», наша доля постоянно растет — на десктопе она выросла на 2,5%, на мобильных — на 6%. Качество поиска — один из важных факторов роста доли. И сегодня мы представляем новое масштабное обновление, в которое вошло более тысячи улучшений. Над ними наша команда поиска работала больше года», — сказал Андрей Стыскин, руководитель Поиска «Яндекса».
«Яндекс» давно умеет отвечать на вопросы прямо в результатах поиска. Например, человек может сразу узнать, сколько дней страна будет отдыхать на Новый год или на майские праздники. За последний год таких ответов стало гораздо больше. Сейчас факты показываются в поиске 13 млн раз в день, «Яндекс» каждый день отвечает ими на 7 млн вопросов.
Быстрые ответы стали разнообразнее. Теперь с их помощью можно узнать не только факт, но и где поесть, чем известна та или иная знаменитость, о чем пишут медиа и что происходит в хоккее или футболе. Например, по запросу «чемпионат испании» прямо в результатах поиска появится турнирная таблица, расписание матчей, новости и видео — человеку не придется искать это на сайтах. А по запросу «кафе» «Яндекс» предложит целую подборку — с рейтингом, ценами и отзывами. Человек сможет прямо на «Яндексе» сравнить заведения и сделать выбор.
Иногда ответ важно получить из уст эксперта. Поэтому «Яндекс» стал показывать в результатах поиска ответы Знатоков — это новый сервис «Яндекса», где эксперты в разных областях отвечают на вопросы. Например, они подскажут, почему электроны не падают на ядро. Если человек не найдет ответ на вопрос, он может задать его знатокам прямо в поиске.
Чтобы люди видели в результатах поиска сайты, которые лучше всего решат их задачу, «Яндекс» обновил формулу ранжирования. Она стала в большей степени учитывать качество ресурса: насколько хорошо он решает задачи пользователей, часто ли они туда возвращаются и есть ли на сайте раздражающая реклама.
Кроме того, в результатах поиска появились метки, которые помогают выбрать сайт. Самые посещаемые ресурсы теперь отмечены значком «Популярный сайт», а сайты с высокой степенью вовлеченности и лояльности посетителей — значком «Выбор пользователей». Например, такие отметки помогут выбрать, где посмотреть правила провоза горных лыж. Особую отметку получили также официальные ресурсы — сайты банков из реестра ЦБ РФ и государственные сайты, такие как gosuslugi.ru или гибдд.рф.
В поиске теперь доступны также отзывы на фильмы, игры, рестораны и другие заведения. Каждый день пользователи «Яндекса» оставляют более 150 тыс отзывов и оценок, помогая друг другу сделать правильный выбор.
Обновленный поиск позволяет в один клик сохранять все, что понравилось в сети: ссылки, фильмы, видео, места или картинки. Они попадут на сервис «Яндекс.Коллекции» и будут доступны на любом устройстве с «Яндексом». Например, человек сможет собрать там коллекцию видеоклипов или фото свадебных платьев.
На сервисе можно не только собирать свои коллекции, но подписываться на чужие. Так, если человека интересуют оригинальные светильники или дома из стекла, он может подписаться на коллекции других людей на эти темы. Кроме того, публичные коллекции доступны прямо в поиске «Яндекса» — например, можно найти подборку причесок или интерьеров в скандинавском стиле.
Алгоритмы Яндекса, которые оказывали влияние на ранжирование сайтов в 2017 году.
Крупнейший поисковик «Яндекс» намерен в ближайшее время внедрить новый алгоритм, цель которого ниже ранжировать те сайты, которые недобросовестно используют партнерские программы от операторов связи и намеренно обманывают пользователей мобильной связи, навязывая им подписки на платные контент-сервисы. Владельцы этих ресурсов, начиная с сегодняшнего дня будут предупреждены «Яндексом», что их позиции будут понижены в результатах поиска.
Специально для CNews в компании «Яндекс» рассказали: «В последнее время мы стали получать большое количество жалоб от людей, использующих мобильное подключение к интернету, что, перейдя по ссылке из результатов поиска, они не могут получить ту информацию, которую искали.
— Это происходит из-за того, что некоторые сайты не показывают пользователям тот контент, который проиндексирован на их сайте поисковым роботом. Вместо этого они автоматически перенаправляют человека на страницу, где он может подписаться на контент-услуги мобильных операторов, сам того не осознавая (например, закрывая агрессивную рекламу на весь экран или регистрируясь на сайте).
При этом факт платности подписки не всегда очевиден для пользователя, а предоставляемый платный контент не связан с тем, что он искал, и тем контентом, который был проиндексирован поисковым роботом.
Подобное поведение не соответствует нашим требованиям к качеству сайтов и является нарушением лицензии на использование поисковой системы. Кроме того, оно подрывает доверие пользователей к любым интернет-сервисам и мобильным операторам. Поэтому сайты, недобросовестно использующие подобные методы монетизации, будут ниже ранжироваться в результатах поиска Яндекса».
Снижается ранжирование сайтов, скрыто предлагающих подписку на контент сервисы мобильных операторов
Сегодня, по оценкам «Яндекса», таких недобросовестных сайтов примерно несколько тысяч. Всем известно, что мобильные операторы предлагают партнерские программы, для подключения к сторонним сайтам. Владельцы таких сайтов, получают вознаграждение, предлагая пользователям услуги подписок одновременно с собственными сервисами.
Однако многие владельцы сайтов начинают использовать эту возможность недобросовестно — они подменяют информацию на своем сайте и делают не очевидной подписку для пользователей, показывая информацию о ней очень мелким шрифтом.
Пользователи могут проверить, не подключена ли ему не желательная подписка только в личном кабинете оператора связи или обратившись к сотруднику салона своего сотового оператора. До этого момента многие по не знанию, оплачивают нежелательные контент-подписки.
Сайты, продвигающиеся СЕО-ссылками будут ограничены в ранжировании. «Минусинск» вступает в действие.
С 15 мая по информации «Яндекса», те сайты, которые для продвижения веб мастера используют СЕО-ссылки, так же могут ранжироваться хуже. Ранее «Яндекс» неоднократно заявлял, что СЕО-ссылки в значительной степени искажают информацию о качестве контента и авторитетности ресурса и оказывают негативное влияние на экосистему интернета, так как вместо повышения качества сайта, публикации полезного контента, владельцы ресурсы тратят бюджет на накрутку ссылочной массы и фактически финансируют создание низкокачественных площадок для продажи ссылок.
Факторы ранжирования сайтов. Поисковая оптимизация коммерческих сайтов в Москве
Для некоторой части коммерческих запросов по Москве в прошлом году был полностью отключен учет ссылок при ранжировании. Это привело к положительной динамике в соответствующих тематиках, но использование СЕО-ссылок до сих пор продолжает оставаться массовым видом поискового спама.
Напоминаем, что в первой декаде 2014 г. «Яндексом» был внедрен поисковой алгоритм, который отдаёт в поисковой выдаче предпочтение тем сайтам, которые не содержат шокирующую рекламу:
- фото людей с изображением частей тела с крайне избыточным весом,
- тизеры с фотографиями заболеваний,
- реклама, которая использует фото с выраженным сексуальным содержанием,
- кадры фильмов ужасов и прочее.
При этом при ранжировании учитывается как удобство сайта, так и количество рекламы. На основании данных компании «Яндекс», за время, которое прошло с внедрения этих изменений, количество сайтов в Рунете с шокирующей рекламой сократилось приблизительно в 6-10 раз.
Материал публикации подготовлен на основе информации от CNews, официально полученной в «Яндексе».
Поэтому компания «Яндекс» приняла решение применять новые алгоритмы, которые в первую очередь оценивают полезность контента, а не количество покупных ссылок.
← Поделиться с друзьями !
Развивайте свой бизнес в 2020 году — отслеживание позиций на YouTube, Baidu и Яндексе
Начало нового десятилетия. Для кого-то это может быть стрессом, для кого-то новым началом. Для нас в AccuRanker это ни то, ни другое, а может быть, и то, и другое.
У нас много планов на этот год, и нам не терпится поделиться ими с вами!
Нашей целью всегда было предоставить вам что-то, что сделает вашу работу немного проще и эффективнее, и это именно то, что мы собираемся делать.
«Так что ты собираешься сделать, чтобы помочь мне?» Вы можете спросить.
Что ж, мы рады сообщить, что теперь вы можете отслеживать рейтинг своих ключевых слов в трех новых поисковых системах — YouTube, Baidu и Яндекс. Отслеживание рейтинга ключевых слов для этих поисковых систем широко не поддерживается, поэтому мы очень рады представить эту функцию в AccuRanker.
В рамках этого мы улучшили способ отслеживания видео YouTube в других поисковых системах, поэтому теперь вы можете отслеживать рейтинг ключевых слов для всего канала YouTube, а не только для отдельных видео.
Итак, если вы сосредоточены на поисковой оптимизации видео и ведете канал на YouTube, или у вас есть клиенты на рынках Китая или Восточной Европы, это обновление откроет целый мир возможностей, когда дело доходит до вашего SEO.
Обновление доступно для всех пользователей с планами 1000 ключевых слов и выше , поэтому все, что вам нужно сделать, это войти в систему или создать бесплатную пробную версию и попробовать ее самостоятельно.
ПОПРОБУЙТЕ СЕГОДНЯ
Получите максимум от китайского рынка с отслеживанием позиций на Baidu
Хотя Google, несомненно, является крупнейшей поисковой системой в мире, она почти не имеет значения, когда речь идет о некоторых рынках.
Начнем с Китая. Baidu похож на китайский Google, с долей более 61,13% всех поисковых запросов, сделанных в Китае, Baidu привносит совершенно другой потенциал для вашего SEO.
Существует множество факторов, которые необходимо учитывать, если вы или ваши клиенты хотите выйти на китайский рынок, но фактор номер один — начать отслеживать эффективность ваших ключевых слов на Baidu.
Отслеживание рейтинга на Baidu доступно в Китае, и вы можете выбирать между настольными и мобильными устройствами. Мобильный поиск в Китае чрезвычайно популярен благодаря приложению Baidu, которым ежедневно пользуется более 188 миллионов пользователей! Узнайте, как отслеживать ключевые слова на Baidu.
ОТСЛЕЖИВАЙТЕ КЛЮЧЕВЫЕ СЛОВА НА BAIDU NOW NOW
Улучшите SEO с помощью рейтинга в Яндексе с учетом местоположения.
Яндекс также имеет заметную долю рынка в других странах, таких как Беларусь, Турция, Украина и Казахстан, поэтому его невозможно игнорировать, если вы хотите развивать свой бизнес на этих рынках.
С этим новым обновлением вы можете легко отслеживать свои ключевые слова на Яндексе для указанных выше стран как на настольных, так и на мобильных устройствах.
Вы даже можете получить результаты для конкретного местоположения на уровне города. Это очень ценно, поскольку рейтинги могут сильно различаться между регионами, особенно в России. Посмотрите, как можно настроить отслеживание позиций в Яндексе.
НАЧНИТЕ СИСТЕМУ ОТСЛЕЖИВАНИЯ РЕЙТИНГА В ЯНДЕКС
Отслеживайте эффективность своего канала YouTube в результатах поиска YouTube
YouTube, принадлежащий Google, имеет более 1 миллиарда уникальных пользователей и 3 миллиарда поисковых запросов в месяц, что делает его вторым по величине поисковая система в мире!
Отслеживание эффективности ключевых слов в поиске на YouTube может быть затруднено, и недостаточно знать, какое место занимают ваши отдельные видео в поиске Google.
Для всех, кто управляет каналом YouTube, будь то компания, производящая видео для существующих и потенциальных клиентов, или частное лицо, создающее развлекательный контент, возможность полностью понять эффективность своего канала в поиске YouTube чрезвычайно ценна.
Эта новая функция позволяет вам отслеживать весь ваш канал YouTube по вашим ключевым словам, просматривать самые эффективные видео YouTube, какие каналы YouTube являются вашими главными конкурентами и сравнивать вашу эффективность с ними.
Отслеживание рейтинга YouTube доступно для любой страны (пока есть YouTube, есть и мы).
Кроме того, мы добавили все функции SERP, специально предназначенные для YouTube, чтобы вы могли получить еще больше информации по своим ключевым словам.
Это означает, что вы можете видеть, что именно появляется в результатах поиска, и какие функции видны для вашего собственного канала, будь то каналы, прямые трансляции, плейлисты, реклама и многое другое.
ПОСМОТРИТЕ, КАК Я ВЫПОЛНЯЮ НА YOUTUBE
Отслеживайте эффективность своего канала YouTube в любой поисковой системе.
Раньше, если вы хотели узнать, какое место занимает видео в Google, вам приходилось создавать новый домен для этого конкретного URL-адреса видео. Кажется, это немного хлопотно, верно?
Теперь вместо нескольких доменов для отслеживания определенных видео вы можете создать домен для URL-адреса своего канала YouTube.
Это позволит нам получить все видео на этом канале, а затем определить, какие видео ранжируются в любой поисковой системе по вашим ключевым словам.
Например, если вы хотите отслеживать ключевые слова для своего канала YouTube в Google, вы получите подробную информацию о том, какие видео отображаются в поисковой выдаче, какие функции Google SERP доступны для ваших ключевых слов и с какими веб-сайтами вы конкурируете.
Узнайте больше о том, как настроить свой канал YouTube для отслеживания рейтинга и о различных доступных вам параметрах, чтобы вы могли максимально эффективно использовать SEO для видео.
УЛУЧШИТЕ ВАШЕ ВИДЕО SEO СЕЙЧАС
Яндекс.Директ объявляет об изменении модели аукциона и объявления
| Источник:
Яндекс Н.В.
Яндекс Н.В.
МОСКВА и АМСТЕРДАМ, Нидерланды, 31 августа 2015 г. (GLOBE NEWSWIRE) — Яндекс.Директ, рекламная платформа Яндекса с оплатой за клик, меняет систему аукционов и вводит новые правила ранжирования результатов платного поиска. С завтрашнего дня вместо обобщенного аукциона второй цены (GSP) Яндекс.Директ будет использовать аукцион Vickery-Clarke-Groves (VGC) для показа объявлений на премиальных позициях на странице результатов поисковой системы (SERP) и в поисковой выдаче. сайтов в рекламной сети Яндекса. Объявления, конкурирующие за рекламный блок в поисковой выдаче, будут выбираться на основе их качества в дополнение к ставкам рекламодателей. Эти изменения направлены на то, чтобы обеспечить рекламным клиентам Яндекса максимальный трафик по оптимальной цене, показывая при этом наиболее релевантные нашим пользователям объявления.
«Изменения в Яндекс.Директе реагируют на изменения на рынке рекламы. Стоимость трафика и окупаемость инвестиций стали важнее размещения рекламы на премиальных позициях. верхних позиций. Они предпочитают платить меньше за нижние позиции за счет дополнительных кликов. Сейчас мы меняем правила, чтобы привлечение большего трафика стало более эффективным для наших рекламодателей», — говорит Евгений Ломизе, руководитель отдела монетизации Яндекса. .
Аукцион второй цены вынуждает рекламодателей платить за свои клики цену, установленную их ближайшими конкурентами. На аукционе VCG цена за клик основана на разнице между объемом трафика на разных позициях объявления. Если объявление на верхней позиции принесло на 15 % больше кликов, чем на второй позиции, рекламодатель заплатит только за эти дополнительные клики, если его объявление переместится со второй позиции вверх. В отличие от аукциона второй цены, базовая стоимость кликов на аукционе VCG остается неизменной независимо от позиции объявления. Средняя цена за клик растет пропорционально увеличению объема трафика, что заставляет рекламодателей конкурировать за дополнительный трафик.
Помимо изменения модели аукциона, Яндекс.Директ теперь также будет применять новую формулу ранжирования к объявлениям, конкурирующим за рекламный блок в поисковой выдаче. Для поощрения и стимулирования качественной рекламы объявления будут отбираться не только на основе ставок рекламодателей, но и с учетом их качества и рейтинга кликов. Качество объявлений оценивается на основе ряда факторов, включая качество текста, релевантность поисковому запросу и качество целевой страницы. Новые правила ранжирования объявлений помогут Яндекс.Директу показывать объявления, наиболее релевантные поисковым запросам пользователей.
О Яндекс Н.В.
Яндекс (Nasdaq:YNDX) — одна из крупнейших европейских интернет-компаний, предоставляющая широкий спектр поисковых и других онлайн-сервисов. Миссия Яндекса — помогать пользователям решать их повседневные проблемы, создавая продукты и услуги, ориентированные на людей.