LLM görünürlüğü mitleri: şema, llms.txt ve bahsedilmeler

Şema sorunu, yavaşça

Schema.org işaretlemesi bir sayfayı makine tarafından okunabilir bir şekilde açıklar. Basit. Google, yapılandırılmış verilerin AI özellikleri için gerekli olmadığını söyledi, ancak hala zengin sonuçlar için yardımcı olduğunu belirtti ki bu da onu eklemek için kendi başına iyi bir nedendir.

Doğrudan modellere besleyip beslemediği bilinmiyor. Satıcılar dışında kimse bilmiyor. Bunu sıkıcı bir şekilde test ederdik: benzer sayfaların yarısını işaretleriz, diğer yarısını olduğu gibi bırakırız ve sekiz hafta boyunca atıfları günlüğe kaydederiz.

Uygulayıcılar karışık deneyimler bildirir, tam işaretlemeden sonra sessizlik dahil. Sessizlik bir veridir. Bunu başka bir etiket yığını altında gömmeyin.

Yazar biyografileri ve 'uzman' kimlikleri aynı muameleyi görür. Okuyucuların size güvenip güvenmeyeceğine karar vermelerine yardımcı olurlar ki bu tek başına bir nedendir ve bir biyografinin varlığı nedeniyle bir modelin bir sayfayı tercih ettiğini gösteren hiçbir çalışma görmedik.

Tazelik her seferinde ortaya çıkar. Son güncelleme tarihi olan sayfalar, haber benzeri konular hakkında AI yanıtlarında sıkça görünür ve Google uzun süredir buna değen sorgular için tazelik kullanıyor. Yine de, içeriği değiştirmeden bir tarihi güncellemek, üzerine güvenmeyeceğimiz bir alışkanlıktır ve Google bunun hoş karşılanmadığını söyledi.

Bahsedilmeler: daha ucuz bahis

Bir model metin okuyorsa, diğer sitelerde markanızın net bir tanımı bir bağlantı olmadan bile önemli olabilir. Böyle sayfaları bulmak sıradan bir iletişim çalışmasıdır.

Önce kendi marka adınızla başlayın. Arayın, zaten bağlantı veren siteleri atın ve geri kalanı listeleyin. Ardından bir bağlantı veya daha sade bir tanım isteyin. Ahrefs ve Semrush gibi araçlar bahsedilme uyarılarına sahiptir ve link profil çekme size kıskandığınız rakiplerinize kimlerin bağlantı verdiğini gösterir.

Ajanslar hakkında son bir uyarı. LLM görünürlük denetimleri satmak yeni bir iş koludur ve bazı raporlar zayıftır. Numunenin ne olduğunu, ne zaman yapıldığını ve sonucun neyi değiştirebileceğini sorun.

Bunun hiçbiri işaretlemeyi anlamsız kılmaz. İddia edilen etkinin ölçülmediğini söyler. Bir saat harcayın, bir çeyrek değil ve ana çabanızı insanların gerçekten okumak istediği sayfalara verin.

Şema ne yapar

İşaretlemenin AI sorusu açık kalsa bile gerçek görevleri vardır. Bu görevleri göz önünde bulundurmak değerlidir, böylece atıflarda elde edilen sıfır sonuç her şeyde sıfır sonuç olarak yanlış anlaşılmaz.

Zengin sonuçlar ve uygunluk

Yapılandırılmış veri, klasik Google aramasında zengin sonuç özelliklerine uygunluk sağlayabilir, burada işaretleme okunur ve kontrol edilir. Bu fayda somuttur ve AI yanıtları hakkında herhangi bir iddiaya bağlı değildir.

Bu nedenle işaretleme eklerseniz, yayınlamadan önce bir zengin sonuç test aracıyla doğrulayın. AI yanıtlarındaki herhangi bir etkiyi ölçülmemiş bir bonus olarak treated edin.

Ayrıştırma ve netlik

İşaretleme, bir ürün adı, bir yazar veya bir tarih gibi sabit bir biçimde gerçekleri belirtir. Sayfayı okuyan bir ayrıştırıcı, tahmin etmeden bu alanları alabilir. Bu netlik, sayfanın yapısından çalışan herhangi bir araca yardımcı olur.

Netlik, atıf ile aynı şey değildir. Bir sayfa kolayca ayrıştırılabilir ve hiç atıf yapılmayabilir, başka bir sayfa ise hiç işaretleme olmadan atıf yapılabilir.

Göstermediği şeyler

Şema, modellerin topladığı bir oy listesi değildir. Tek başına işaretlemenin atıflarda bir değişikliğe neden olduğunu gösteren kontrollü bir çalışma görmedik, bu yüzden bir artış vaat eden herkes arkasındaki numuneyi göstermelidir.

İşaretleme ekledikten sonra sessizlik, bir testin normal bir sonucudur. Bir sonraki bölüm, işaretlemenin anlamsız olmadığı halde bunun neden olabileceğini açıklar.

İnsanlar neden değişiklik görmez

LLM görünürlüğü aynı anda birçok şeye bağlıdır ve tek bir değişiklik nadiren dikkat çeker. Bir sonucu yargılamadan önce bunu aklınızda tutun.

Kaldıraç başka yerde olabilir

Bir sayfanın atıf yapma olasılığı, taranabilirliğine, içeriğine, bağlantılarına ve sorguya bağlıdır. İşaretleme bunlardan birine dokunur. Diğer her şey aynı kaldığında, yalnızca işaretleme değişikliği çok küçük olabilir.

İşaretlemeyi suçlamadan önce, temel şeyleri kontrol edin. Sayfanın dizine eklendiğini ve metninin yalnızca bir betik çalıştıktan sonra değil, HTML'de göründüğünü doğrulayın.

Sorgu yayılımı insanları başka yerlere gönderir

Bazı uygulayıcılar, bir sorunun birkaç alt aramaya dönüştiği sorgu yayılımını tanımlar. Eğer bir model kaynakları bu şekilde topluyorsa, işaretlediğiniz sayfa, takip etmediğiniz bir alt sorgu için atıf yapılabilir. Bu, tek bir istem kontrolünün yanıltıcı olmasının bir nedenidir.

İstem setinize birkaç alt soru ekleyin ve her biri için hangi sayfaların göründüğünü kaydedin.

Sonuç çıkarmadan önce ölçün

Bir sonucun bir numunesi ve bir tabanı gerekir. İki gruba bölünmüş sekiz haftalık günlüklenen istemler, hala yanlış olabilecek küçük bir testtir. Sonucun yanına sınırlamalarını yazın.

Sıfırları da yayınlayın. Hiçbir şey bulamayan bir test, aynı soruyu soran bir sonraki kişi için hala faydalıdır.

İşleme ve modellerin ne okuyabileceği

Metin, bir modelin çalıştığı materyaldir, bu yüzden ne okuyabileceği sorusu varsaymak yerine test etmeye değerdir.

Bir betikten sonra görünen içerik

Bazı içerik yalnızca bir betik çalıştıktan sonra görünür. Belirli bir asistanın bu içeriği görebilip göremeyeceği test edebileceğiniz bir şeydir. Bir asistanın alıntıladığı metni düz bir HTML fetch döndürmesiyle karşılaştırın.

Alıntılanan metin düz HTML'de eksikse, sayfa işlemeden bağımlıdır. Bu, herhangi bir işaretleme eklemeden önce bilinmeye değerdir.

İşaretleme token olarak okundu

Bazı uygulayıcılar, modellerin JSON-LD'yi tokenlara böldüğünü ve yapısını kaybettiğini, bu yüzden işaretlemenin çok az eklediğini savunur. İddia makuldür ve bildiğimiz kadarıyla test edilmemiştir. Her iki taraf da bunu adil bir numune ile göstermedi.

Bunu bir müşteri raporında alıntılamak için bir kural olarak değil, kendi testiniz için bir hipotez olarak treated edin.

İşaretleme ve AI yanıtları hakkında sorular

İnsanlar kendi sayfalarında işaretleme test etmeye başladığında ortaya çıkan birkaç soru.

AI yanıtlarına yardımcı olmuyorsa şemayı kaldırmalı mıyım?

Bu kanıtlara göre hayır. İşaretleme hala klasik arama özelliklerine hizmet eder ve bir sayfayı ayrıştırıcılar için daha net hale getirir. Yanlış, güncel değilse veya yanıltıcıysa kaldırın.

Bir llms.txt dosyası bir saate değer mi?

Ucuz bir deney olarak mümkün. Öneri Eylül 2024'ten tarihli ve dosyayı okuduğunu onaylayan büyük bir satıcı görmedik, bu yüzden görünür bir sonuç beklemeyin.

Yazar biyografileri atıflara yardımcı olur mu?

Bildiğimiz hiçbir çalışma bunu göstermez. Biyografiler okuyucuların bir sayfayı yargılamasına yardımcı olabilir, bu onları korumak için adil bir nedendir, ancak herhangi bir atıf etkisi test edilmemiştir.

Bir test kaç sayfa içermeli?

İki grubun bir sayfanın sonucu domine etmeden karşılaştırılabilecek kadar. İlk bir test için on ila yirmi benzer sayfa makul bir başlangıçtır, ancak doğru sayı istemlerinizin ne kadar değiştiğine bağlıdır.