Le rôle des mesures de similarité dans l’algorithme de Google SEO

Le rôle des mesures de similarité dans l'algorithme de Google SEO Camp BRUXELLES du 29 novembre 2008 Philippe YONNET Directeur du pôle métiers – Aposition Président de l’association SEOCamp

L'association SEO Camp Née d'une initiative d'Alexandre Villeneuve et David Degrelle en décembre 2007 Constituée en mars 2008 Uniquement des membres personnes physiques 85 cotisants – 225 sympathisants

L'association SEO Camp : les membres Amateurs passionnés par le référencement Salariés d'agences spécialisées ou d'agences horizontales Indépendants – free lance Webmasters Référenceurs in house

L'association SEO Camp : les activités Organiser des rencontres conviviales "SEO Camp", Repas, Apéros SEO Camp

L'association SEO Camp : les activités Les évènements précédemment organisés Paris Toulouse Marseille Nantes

L'association SEO Camp : l'emploi et la formation Matinales de l’APEC Etude sur l’emploi dans le référencement

L'association SEO Camp : promotion de la profession Interventions dans les évènements destinés aux webmasters (salons emarketing, ecommerce) Articles dans la presse économique Projet de certification et de formation SEO Campus

Algorithmes de classement : Les grands principes 1. 2. 3. 4. 5. La pertinence : notion fondamentale La recherche full text à l’aide des opérateurs booléens Comment classer les pages ? Comment mesurer le poids des termes Utilisation d’une mesure de similarité : le poids des termes 6. L’apport et le rôle exact du pagerank 7. Conclusion

La question de la pertinence

La pertinence Une notion intimement liée au jugement de l’utilisateur Il existe un « socle commun » des critères d’appréciation de La pertinence

Focus sur l'indexation

La recherche "full text" RECHERCHE CLASSIQUE DANS UN INDEX INVERSE Chercher dans l’index inversé : “extraction” 1 1 1 1 1 2 2 2 2 2 2 3 0.66611 0.71866 1.00000 0.86409 0.40147 0.47467 0.90061 0.49718 0.66983 1.00000 0.84247 0.51141 report algebraic international preliminary language computers Trouvé ici ! repeated Document numéro 2 digital roots subtractions extraction techniques

Comment classer les pages : première idée Nombre d’occurrences du terme dans la page : Extraction Extraction Extraction Extraction Poids 1 Poids 3

Comment classer les pages : première idée AJOUT DE CRITERES POUR AMELIORER LA PERTINENCE TITLE . H1 H2 strong . TABLE DIV . Alt, title, a href , anchor text proximité .

Comment classer les pages : première idée Problème : les documents ne contiennent pas le même nombre de mots Extraction Extraction Extraction 100 mots Extraction 1000 mots Poids 0,01 Poids 0,003 Poids du terme fréquence « densité du mot clé » Critère de poids retenu : nombre d’occurrences divisé par le nombre de mots du document

Comment classer les pages : première idée Problème : les mots n’ont pas la même fréquence d’apparition dans la langue Combien de pages contiennent le mot clé internet d’après Google ? 2 110 000 000 Combien de pages contiennent le mot clé globicéphale d’après Google ? 9 530

Vers un meilleur critère de poids tf*idf tf fréquence des termes dans le document idf inverse du nombre de documents dans lequel le terme est présent

Le principe du Cosinus de Salton CALCULER LE POIDS D’UN TERME DANS UN DOCUMENT tf*idf Exemple de formule réellement utilisée

Exemple de calcul sans et avec tf*idf Internet Internet Internet Globicéphale 1000 mots 1000 mots Densité 3 pour mille Densité 1 pour mille

Exemple de calcul sans et avec tf*idf Internet Internet Internet 1000 mots Index de Google 20 milliards de pages (?) Globicéphale 1000 mots 10 9 pages DF[internet] 2 x 10 9 / 20 x 10 9 0,1 DF[globicephale] 10 4 / 20 x 10 9 5 x 10 -7

Exemple de calcul sans et avec tf*idf (simplifié) Internet Internet Internet 1000 mots Index de Google 20 milliards de pages (?) Globicéphale 1000 mots 10 9 pages TF*iDF[globicephale] TF*iDF[internet] 0,001/5 x 10 7 2000 ! 0,003 / 0,1 0,03 2000 0,03

Pourquoi il faut abandonner la densité de mots clés C’est un critère qui n’est plus utilisé par les outils de recherche Pertinent que pour les requêtes à un seul terme Induit le « keyword stuffing » facilement détectable

Focus sur les critères de qualité d'un moteur Bruit et silence : mesurer la qualité d’un moteur

La recherche booléenne et ses défauts

Le principe du Cosinus de Salton Documents dans un espace à 3 dimensions : Les documents proches dans l’espace ont un contenu similaire

Le principe du Cosinus de Salton Tout document peut être situé dans l’espace vectoriel de Salton, par un vecteur de coordonnées sur les axes correspondant à chaque terme de l’index

Le principe du Cosinus de Salton Une requête est un document composé de quelques termes uniquement. Elle a donc aussi des coordonnées dans l’espace de Salton

Le principe du Cosinus de Salton Un calcul de distance (cosinus) entre la requête et les documents permet de classer les pages en fonction de leur proximité sémantique avec la requête

Le principe du Cosinus de Salton

Le principe du Cosinus de Salton En réalité, il y’a autant de dimensions que de “termes” C’est un espace à n dimensions

Les bases théoriques de l’alignement sémantique L’alignement sémantique consiste à changer le contenu textuel des pages pour les « orienter » comme la requête