検索モデルは「自己較正」が可能でなければなりません。 つまり、独自のアルゴリズムと比重を取り、シミュレートされたデータをパブリック検索エンジンと比較して、あらゆる環境をシミュレートできる最も正確な検索エンジンを特定できる必要があります。
ただし、数千のパラメーターを分析し、それらの最適な組み合わせを見つけようとすると、計算処理の点で天文学的に費用がかかり、非常に困難です。
それでは、自己調整型の検索モデルを作成する方法は？ 私たちに残された唯一のことは...助けを求めて鳥に頼ることであることがわかります。 はい、はい、あなたは鳥に正しいことを聞きました！
粒子群最適化（ PSO）
大規模な問題が最も予想外の解決策を見つけることがよくあります。 したがって、例えば、1995年に最初に言及され、群衆の社会心理学的行動モデルに基づいた人工知能法である粒子の群れを使用した最適化に注意を払う価値があります。 この手法は、実際に、群れの中での鳥の行動の概念に基づいてモデル化されています。
実際、今日作成したルールで機能するすべてのアルゴリズムを使用して、数値の最大化または最小化の最も複雑な問題の少なくとも近似解を見つけることはできません。 しかし、鳥の群れのような単純なモデルを使用すると、すぐに答えを得ることができます。 私たちは、いつの日か人工知能が私たちの世界を支配するという恐ろしい予測を繰り返し聞いてきました。 ただし、この特定のケースでは、彼はちょうど私たちの最も貴重なアシスタントになります。
科学者は、Swarm Intelligence専用の多くのプロジェクトの開発と実装に関与していました。 したがって、1998年2月に、米国海兵隊が開始したプログラムであるサイバースカウトとして以前知られていたミリボットプロジェクトが開始されました。 サイバースカウトは、本質的に、建物全体に侵入できる小さなロボットの軍団でした。 これらのハイテクパンくずが相互に情報をやり取りできるため、ロボットの「群れ」が単一の有機体として機能することが可能になり、建物全体を廊下に沿ってのんびりと歩くという非常に骨の折れる作業になりました（ロボットのほとんどは数メートルしか移動できませんでした）。
なぜ機能するのですか？
PSOの本当に素晴らしい点は、方法論が解決しようとしている問題についてまったく仮定を立てないことです。 これは、解決策を考え出そうとしているルールベースのアルゴリズムと、問題を調査することを目的とする人工知能ニューラルネットワークのクロスです。 したがって、このアルゴリズムは、探索的動作と搾取的動作の妥協点です。
この最適化アプローチの研究性がなければ、アルゴリズムは間違いなく統計学者が「局所的最大値」と呼ぶもの（最適と思われるが、実際にはそうではないソリューション）に変わります。
まず、一連の「スウォーム」または推測から始めます。 検索モデルでは、これらはスコアリングアルゴリズムのさまざまな重み係数になります。 たとえば、7つの異なる入力がある場合、これらの重みに関する少なくとも7つの異なる仮定から始めます。
PSOの考え方は、これらの各仮定を可能な限り他のものから遠ざけることです。 7次元の計算を行うことなく、いくつかの手法を使用して、開始点が最適であることを確認できます。
その後、推測を展開し始めます。 この間、近くに餌があった状況での群れの鳥の行動を模倣します。 ランダムな推測（フロック）の1つは他の推測より近くなり、その後の各推測は一般的な情報に基づいて調整されます。
以下に示す視覚化は、このプロセスを明確に示しています。
実装
幸いなことに、さまざまなプログラミング言語でこのメソッドを実装する可能性がいくつかあります。 粒子群最適化の素晴らしいところは、簡単に実現できることです！ この手法には、最小限の設定（強力なアルゴリズムの指標）と非常に小さな欠点のリストがあります。
あなたの問題によっては、アイデアの実装は最小限にとどまる場合があります（最適なソリューションではありません）。 これを簡単に修正するには、フィードバックループを最適な周囲の前提条件にすばやく削減する近隣トポロジを導入します。
作業の大部分は、ターゲット相関にどれだけ近いかを判断するために使用する「適応関数」またはランキングアルゴリズムを開発することです。 私たちのケースでは、SEOを使用して、Googleやその他の検索エンジンの結果などの特定のオブジェクトとデータを相関させる必要があります。
スコアリングシステムが機能している場合、PSOアルゴリズムは数兆の潜在的な組み合わせを通じてパフォーマンスを最大化しようとします。 スコアリングシステムは、検索モデルとネチズンの検索結果の間でピアソン相関を実行するのと同じくらい簡単です。 または、これらの相関を同時に使用し、特定のシナリオごとにポイントを割り当てるのと同じくらい複雑になります。
ブラックボックス相関
最近、多くのSEOオプティマイザーがGoogleブラックボックスとの相関を試みています。 もちろん、これらの努力には生命の権利がありますが、それでもまったく役に立たないのです。 そして、ここに理由があります。
まず、相関関係は必ずしも因果関係を意味するわけではありません。 特に、ブラックボックスへのエントリポイントが出口ポイントに近すぎない場合。 エントリポイントがそれぞれの出口ポイントに非常に近い例、アイスクリームビジネスを見てみましょう。 外が暖かいと、アイスクリームを買う人が増えます。 ここでは、入口点（気温）が出口点（アイスクリーム）に密接に結びついていることが簡単にわかります。
残念ながら、ほとんどのseoオプティマイザーは、最適化（入力）と対応する検索結果（出力）の間の統計的近接性を使用しません。
さらに、それらの入力または最適化は、検索エンジンのクロールコンポーネントの前にあります。 実際、一般的な最適化は、コンテンツのクロール、インデックス作成、スコアリング、そして最終的にはリアルタイムクエリレベルの4つのレベルを通過する必要があります。 このように相関させようとする試みは、無駄な期待を与えることはできません。
実際、Googleは、米国政府がGPSネットワーク周辺でノイズを生成するのと同様に、民間人が軍隊と同じ正確なデータを取得できないようにする重要な雑音指数を提供します。 これは、リアルタイムクエリレベルと呼ばれます。 そして、この層はSEO相関戦術に対する深刻な抑止力になりつつあります。
ここの例は庭のホースです。 検索エンジンのスコアリング層にいることで、会社の周りで何が起こっているのかを把握できます。 庭のホースを出る水は整理されており、予測可能です。つまり、ホースの位置を変更し、水流の動きの対応する変化を予測できます（検索結果）。
この場合、クエリレイヤーは、ユーザーに応じて、この水（検索結果）を数百万の液滴（検索結果のバリエーション）にスプレーします。 今日の変化するアルゴリズムのほとんどは、同じレベルのユーザーに対してより多くのバリエーションの検索結果を生成するために、クエリのレベルに基づいて発生します。 Googleのハミングバードアルゴリズムはその一例です。 クエリレベルのシフトにより、検索エンジンはPPC広告のマーケットプレイスを増やすことができます。
クエリレベルは、何が起きているかについて、会社ではなくユーザーのビューです。 したがって、この方法で推定された相関関係が原因と結果の関係を持つことはほとんどありません。 そして、これは、データを検索してモデル化するための1つのツールがある場合に提供されます。 原則として、seoオプティマイザーは多くの入力データを使用します。これにより、ノイズが増加し、因果関係の可能性が低下します。
SEO で因果関係を検索する
検索エンジンモデルを操作するための相関関係を取得するには、入力と出力を可能な限り厳しくする必要があります。 検索エンジンモデルでは、入力データまたは変数データはスコアリングレイヤー以上でなければなりません。 どうやってやるの？ 検索エンジンのブラックボックスを主要なコンポーネントに分割し、検索エンジンモデルをゼロから構築する必要があります。
出力を最適化することは、リアルタイムクエリレイヤーから生じる恐ろしいノイズのためにさらに難しく、ユーザーごとに何百万ものバリエーションが作成されます。 少なくとも、検索エンジンモデルに対してこのような入力を行う必要があります。検索エンジンモデルは、クエリバリエーションがある通常のレイヤーの前に配置されます。 これにより、比較対象の少なくとも1人が安定します。
検索エンジンモデルをゼロから構築することにより、クエリレベルではなくスコアリングレイヤーから直接検索結果を表示できます。 これにより、関連付けようとしている入力と出力の間のより安定した正確な関係が得られます。 そして、入力と出力の間のこれらの強力で示唆的な関係のおかげで、相関関係は因果関係を反映します。 1つの入力に焦点を合わせると、表示される結果と直接関係があります。 次に、既存の検索エンジンモデルにとって有益な最適化オプションを決定するために、古典的なseo分析を行うことができます。
まとめ
自然界の単純なものが科学的発見や技術的ブレークスルーにつながる状況は、喜ばせざるを得ません。 スコアリングエントリを非パーソナライズされた検索結果とオープンに組み合わせることができる検索エンジンモデルを使用して、相関関係を因果関係に関連付けることができます。
このパーティクルスウォームの最適化に追加すると、技術的なブレークスルー、つまり自己調整型の検索モデルが得られます。