بدست آوردن وزن پارامترهای گوگل با استفاده از شبکه های عصبی

 ﺳﻪشنبه 30 خرداد 1391

موضوع فوق به عنوان یک ایده در زمان صحبت من و یکی از دوستان مطرح شد. در آن زمان به دنبال طرح یک موضوع برای پروژه ای که باید به صورت گروهی انجام می شد و من هم بخشی از آن را به عهده داشتم بودیم. در واقع ما به دنبال کشف روشی برای بدست آوردن وزن پارامترهای تاثیر گذار در الگوریتم رتبه بندی گوگل با استفاده از تکنیک های هوش مصنوعی بودیم. بعد از این ماجرا این دوست عزیز با استفاده از الگوریتم ژنتیک برنامه ای برای این موضوع نوشت و من هم به روشی دیگر پروژه را انجام دادم، اما ایده همچنان در ذهن من باقی است!

شاید بهترین روش برای بدست آوردن وزن پارامترهای گوگل طراحی یک شبکه عصبی باشد. چون شبکه های عصبی با اندازه گیری خطا وزن های خود را تنظیم می کنند تا با نزول در امتداد گرادیان به حداقل خطا برسند. بنابراین یک شبکه عصبی که به خوبی آموزش دیده باشد می تواند با تغییر پارامترهای ماثر در یک صفحه اینترنتی آن صفحه را به رتبه بالای گوگل بیاورد. گرچه این ایده به نظر بسیار خوب می آید اما مشکلات زیر را دارد:

  • از کجا مطمئن باشیم که تمام پارامترهای تاثیر گذار در جستجو را قبل از آموزش شبکه عصبی استخراج کرده ایم؟
  • نتایج حاصل از آزمایش پس از زمان ایندکس شدن مجدد سایت و رتبه بندی جدید قابل ارزیابی است. آیا در این مدت رقبای ما تغییری نکرده اند؟ اگر تغییر کرده باشند عملا پاسخ نهایی دارای نویز است.
  • زمان ارزیابی خطا چه موقع باید باشد؟

با وجود مشکلات فوق، من هنوز این ایده را در ذهنم دارم گسترش میدم. به نظر می آید که اگر یک حوزه محدود و خاص برای یادگیری شبکه عصبی فوق انتخاب شود امکان آموزش شبکه وجود خواهد داشت. در این صورت گوگل حتی اگر پارامترهای خود را تغییر دهد باز هم توسط شبکه عصبی فوق استخراج خواهند شد و می تواند به صورت خودکار در سایت هدف اجرایی شود. اما همچنان به نظر می رسد که مشکل اول پابرجاست و به این سادگی نمی توان آن را حل کرد، گرچه افراد خبره در این فن (مثل من و دوستانم در شرکت یا سایر شرکت های حرفه ای در زمینه سئو) تا حدود 80% پارامترهای فوق را استخراج کرده اند و این موضوع باعث خواهد شد که جواب نهایی مناسبی بگیریم.

نظر شما در این مورد چیست؟

مطالب مرتبط
مطالب من را در شبکه های اجتماعی دنبال کنید:
دیدگاه خود را با ما در میان بگذارید
امتیاز:
captcha