Laut Googles Pandu Nayak prüft Google eine umfassende Änderung der Suche. KI und LLMs können sich auf das Ranking und die Darstellung der Ergebnisse auswirken. Zudem gab Nayak interessante Details zu Rankingfaktoren von Google bekannt, etwa zu Twiddlern und zur Verwendung des Nutzerverhaltens für die Rankings.
Google Vice President Search, Pandu Nayak, hat gegenüber dem US-Justizministerium interessante Details zur Funktionsweise von Google und zu genutzten Rankingfaktoren genannt. Das Dokument datiert vom 2. Mai und ist hier zu finden.
Sie benötigen SEO-Beratung für Ihre Website?
TL;DR: das Wichtigste in Kürze
- Google prüft umfassende Änderungen an der Suche. LLMs und KI könnten mehr Gewicht erhalten.
- Bei den Rankingsignalen ist zu unterscheiden zwischen traditionellen und per Machine Learning erzeugten Signalen.
- Rankingsignale können mit der Zeit eingestellt werden.
- Die Existenz von Twiddlern zum Re-Ranking wird bestätigt.
Top-Level-Rankingsignale und Raw Signals
Top-Level-Rankingsignale sind Zusammenfassungen anderer Rankingsignale, den sogenannten Raw Signals. Manche Signale werden mithilfe von Modellen des maschinellen Lernens erstellt. Demgegenüber stehen andere Rankingsignale, die als traditionelle Signale bezeichnet werden.
Für Navboost werden nur Daten der letzten 13 Monate verwendet
Navboost ist ein Maß dafür, wie oft Nutzer an einem bestimmten Ort und mit einem bestimmten Gerät für eine Suchanfrage auf ein Dokument klicken. Dabei handelt es sich um ein traditionelles Signal. Es werden nur Daten der letzten 13 Monate verwendet. Allerdings vermeidet Google die reine Vorhersage von Klicks, weil sich diese einfach manipulieren lassen. Sie sind kein gutes Maß für User Experience.
Navboost wird als eine Tabelle aus Suchanfrage und Dokument beschrieben (“QD Table”), die in beiden Richtungen verwendet wird und Mengen und Frequenzen von Suchanfragen pro Dokument enthält.
Wie viele Signale von Nutzerdaten beeinflusst werden, sagte Nayak nicht. Das sei schwer zu quantifizieren. Manche Signale seien stärker von Nutzerdaten betroffen als andere.
Manche Rankingsignale werden eingestellt, zum Beispiel dann, wenn ein besseres Signal entwickelt wurde, wenn ein Signal nicht die gewünschte Leistung bringt oder wenn die Wirksamkeit des Signals mit der Zeit sinkt, weil sich das Internet weiterentwickelt.
Auch die Existenz von sogenannten Twiddlern wird bestätigt. Es handelt sich hier um ein Re-Ranking bereits bestehender Ergebnisse.
RankEmbed ist ein ML-Rankingsignal
RankEmbed ist eines von Googles wichtigsten Signalen, die per LLM trainiert werden. Dabei werden Suchanfragen und Dokumente in einen gemeinsamen “Embedding Space” eingebracht. Es werden semantische Eigenschaften und andere Signale genutzt. Das Ranking basiert auf Distanzen in diesem Embedding Space.
Mit dem Anstieg der Zuverlässigkeit von maschinellem Lernen und Deep Learning wurden Techniken wie zum Beispiel RankEmbed, RankBrain und DeepRank zum Erzeugen von Signalen genutzt.
Google hat herausgefunden, dass sich die Signale von DeepRank ML, einem Modell, das auf BERT basiert, in Signale zerlegen lassen, die traditionellen Rankingsignalen gleichen und dass die Kombination von traditionellen und vorhergesagten Signalen, die mit maschinellem Lernen erzeugt wurden, besser Ergebnisse erzielen lassen.
PageRank wird zur Bewertung der Qualität verwendet
Der PageRank ist eines von Googles ursprünglichen Rankingsignalen und zählt zu den Signalen, die Google zur Bewertung der Qualität von Seiten nutzt. Google bezeichnet die Qualität eines Dokuments mit “Q*” (ausgesprochen: “Q star”).
Google verwendete ursprünglich ein Ranking im Stil von Okapi BM25. Dabei handelt es sich um eine Rankingfunktion, die genutzt wurde, um die Relevanz von Dokumenten für eine bestimmte Suchanfrage zu schätzen.
Nachbau von Google mit nur wenigen Kombinationen aus Suchanfrage und Ergebnissen möglich?
Bereits einige Hundert Kombinationen aus Suchanfrage und Ergebnissen würden eine näherungsweise Bestimmung verschiedener Google Rankingsignale ermöglichen. Das erlaube es den Wettbewerbern von Google, die Suche nachzubauen. Dabei habe Google für ML-Modelle immer weniger Daten genutzt (90 Tage, 60 Tage etc.). Allerdings solle die Reduzierung der Daten nur bis zu dem Punkt erfolgen, an dem sie Googles Fähigkeiten einschränkt, den Nutzern das beste Produkt anzubieten.
Grundlegende Umgestaltung der Google Suche denkbar
Google denkt aktuell darüber nach, die Basis der Suche (“Google’s Search Stack”) von Grund auf zu ändern und LLMs ein größeres Gewicht zu verleihen. Es wird geprüft, grundlegende Komponenten der Suche wie das Ranking, die Bereitstellung von Ergebnissen und die Darstellung der Suchergebnisse anzupassen und dabei die Verfügbarkeit von LLMs zu nutzen. Dabei spielt auch die Rechenzeit für LLMs eine Rolle - je nach Anwendungsfall.
Danke an Gagan Ghotra für den Hinweis auf Twitter
