Полезная информация

В данном разделе нашего сайта мы собрали наиболее полезную информацию по продвижению сайтов, которая может быть интересна не только специалистам, но и всем тем, кто ищет новых знаний и советов по рассматриваемой теме. С отзывами наших читателей Вы можете ознакомиться здесь.

Познакомившись в предыдущей части с теоретической основой алгоритма RankBoost, мы переходим к анализу тех экспериментальных результатов, которые были достигнуты при его использовании для различных задач.

Относительно недавно Google реализовал новый алгоритм ранжирования под названием «Колибри». В текущем материале представлена точка зрения, в соответствии с которой это нововведение будет способствовать развитию как контентного, так и входного маркетинга.

Продолжая серию публикаций, посвященных попарным подходам, мы переходим от алгоритма Ranking SVM к описанию и анализу следующей эффективной методологии ранжирования, которая называется RankBoost.

В настоящем исследовании предлагается подход, позволяющий идентифицировать релевантные источники информации на основании истории скомбинированных поведенческих данных множества пользователей, которые собираются на поиске, а также при просмотре страниц интернет-сайтов.

В данном исследовании компании Яндекс предлагается новый эффективный алгоритм, который вычисляет веб-сайты, занимающиеся распространением вредоносного программного обеспечения. Для этих целей конструируется двудольный граф с двумя типами узлов: интернет-сайты и файловые хостинги.

В текущей работе представлена методология по автоматической оптимизации качества поиска посредством использования данных кликабельности. Алгоритм обучения функции ранжирования Ranking SVM может эффективно приспосабливать поиск к определенной группе пользователей, превосходя Google с точки зрения качества результатов органической выдачи.

Анализ пост-кликовых поисковых маршрутов дал важную информацию о пользовательском поведении и помог улучшить качество поиска. Однако по-прежнему мало изучена полезность различных свойств поисковых маршрутов для использования в современных моделях ранжирования. Данное исследование, проведенное компанией Яндекс, рассказывает о более углубленном изучении пользовательского поведения за пределами страниц с результатами органической выдачи.

Настоящим материалом мы открываем серию публикаций, которые посвящены применению методов машинного обучения к задачам ранжирования. Первый раздел данных публикаций рассказывает нам о попарном подходе.

На сегодняшний день большинство поисковых машин корректируют ранжирование результатов органической выдачи в соответствии с пользовательскими реакциями. Отсюда появляются новые манипулятивные технологии, которые называются "кликовым спамом". В настоящей работе предлагается алгоритм пропагации мошеннических оценок, реализованный на двудольных графах сеанса-пользователя и сеанса-паттерна. На текущий моент эта работа является первым научным исследованием, в котором учитывается цель пользовательских действий, а также интервал между действиями при моделировании пользовательских сессий в задачах детекции кликового спама.

Контекстная реклама играет ключевую роль в финансировании развития «бесплатного» поиска, предоставляемого поисковыми машинами и ставшего незаменимым для большинства пользователей. Всё, что подвергает эту модель риску, может привести к значительным социальным, экономическим и политическим последствиям. Кликфрод, являющий собой преднамеренное скликивание контекстных объявлений с целью получения нечестного дохода или нанесении вреда владельцам веб-сайтов, как раз обладает подобным потенциалом.