News: Google 在 08/25/2022 釋出 "Helpful Content"——實用內容演算法更新

演算法是什麼？

很多人一想到演算法，腦海中便會浮現許多看不懂的艱澀數學公式。其實把它拆解後，演算法並沒有想像中的複雜與難以理解。

根據維基百科的說明，演算法就是在數學和電腦科學之中，一個被定義好、讓電腦可以執行的步驟或程序。

我們會常常把它用在計算、資訊處理、自動推理的領域上。

簡單來說，演算法就是可有效解決某個問題的一種程序。

直接跳到：Google 演算法

演算法有什麼現實生活中好懂的比喻或範例？

演算法也可以用於生活之中，就像是我們常見的食譜 — 按照步驟，就能做出一道道的佳餚。

最簡單的煮飯大致會需要以下步驟：

• 去市場買米
   
• 回到家把要煮的米倒出來
   
• 把米洗一洗
   
• 放到電鍋、飯鍋內煮熟
   
• 盛到碗裡面即可食用

上面這幾個步驟，就是一個：

材料（輸入）→ 依照食譜烹煮（演算法）→ 成品（輸出）

的過程。

如何學習演算法？

演算法其實在一般正規大學的資訊工程學系中，與其他兩門課並列為核心，分別為

1. 作業系統
2. 計算機組織

而演算法其實與資料結構通常是一起學的，課程名稱常為「資料結構與演算法」。

這三門課奠定了未來在寫程式時的基礎，可以說非常硬底子，讓你從底層了解，如何寫出一個有效率、又好維護的程式，這會相對比一開始埋頭鑽研一個程式語言來的更直接、也更深入。

一個有效率又好維護的程式到底是什麼概念呢？

就像今天你掌握了一個燒菜技巧，可以比平常少花 3 分鐘做好，放在日常生活或許沒什麼，但如果放在百人甚至千人的流水席上，所節省的可是 300 分鐘、甚至 3,000 分鐘的時間資源。

並且這個燒菜技巧在廚師圈內，一看就能懂，任何一個受過訓練的廚師看了都能依需求修改。

如果有興趣想自學演算法，坊間有許多書籍、線上教學可以參考，如果時間充裕，不妨選擇一所大學旁聽看看。

學習演算法可說十分燒腦與考驗悟性的事情，就算是本科系為資工系的學生，也不見得每個人都能學得下去與學得好。

以完全沒有基礎知識的情況下，可先從 edx 中哈佛大學的 CS50 免費課程開始入手，內容涵蓋相當廣泛。

如果對於程式語法有一定熟稔度後，還可以挑戰 LeetCode 上面的各式演算法題目。

LeetCode 是一個軟體工程師之間常提及的刷題網站，簡單的說就是想要進入一流企業，面試會被問到的一些問題。

LeetCode 題目可以想成和「腦筋急轉彎」一樣，請你使用程式的表達方式來提出解法。

除了 LeetCode 以外，也有其他像 CodeWar 或 HackerRank 這類的網站，不過 LeetCode 比較偏向問題解決為主，會比較推薦。

演算法說穿了，就是鍛鍊用程式解決問題的技巧，像是 openhome.cc 專門介紹常見的演算法，若對於程式覺得抽象，也可以用 visualgo 這個視覺輔助學習的網站。

學習演算法，可以說是一條與自己不斷戰鬥、腦力激盪的旅程，但只要持之以恆，面對的難題往往都可以一一克服。

演算法在現實生活中的應用有哪些？

Youtube 影片推薦演算法

在 Youtube 中最常見的演算法莫過於影片了，它會自動分析使用者過去所看的影片、停留時間、按讚、留言、IP 位址、使用裝置、瀏覽器類型 … ... 等資訊，推算出該使用者大概喜歡的影片類型，並推薦給使用者。

此外，如果有註冊帳號，也會額外取得相關個人資訊，如年齡、性別、居住地 ...... 等。

不過就算沒有填寫，或者在沒登入 YouTube 的情況下，YouTube 也可以從觀看者的行為中用演算法逆推，計算出這樣觀看的行為屬於哪一類的族群，再根據這類族群喜好觀看內容，進而推薦最相關影片，讓你很容易從眾多的影片當中不段看到喜歡的內容而一看再看、難以自拔。

Facebook 好友推薦演算法

同樣的，臉書的好友推薦演算法，也是透過該帳號擁有者，與其他使用者帳號彼此使否有所關聯，如共同朋友、互相按讚、照片識別、留言互動 …... 等資料，推薦好友給該帳號擁有者。

不過隨著隱私權日益抬頭、避免假帳號氾濫問題，現在一般人在加入臉書後，若是過快加入太多好友，反而會被視為廣告行為，留言貼文也是依樣。

這些自動判定也都是拜演算法所賜，它能幫助系統推導出一般正常使用者的行為、與異常使用者的行為差異，藉此增進正常使用者的使用體驗。

Google 搜尋結果演算法

Google 搜尋演算法是為了增進使用者的搜尋體驗而不斷改進的一套系統。

一般而言，Google 最基本的演算法，就是分析我們所輸入所要搜尋的關鍵字詞，並提供錯字判別的功能，如打錯字、注音忘了切換而輸入的英文亂碼，都可以讓搜尋者找到想要的資訊。

Google 搜尋引擎演算法 —— SEO 相關歷年重大更新整理

• PageRank 連結排名演算法 (1997)
   
• Caffeine 咖啡因演算法 (2009)
   
• Panda 熊貓、內容農場演算法 (2011)
   
• Hummingbird 搜尋意圖演算法 (2013)
   
• RankBrain 人工智慧演算法 (2015)
   
• YMYL/Medic 健康財產、醫療演算法 (2018)
   
• Penguin 企鵝、作弊連結演算法 (2019)
   
• BERT 自然語意演算法 (2019)
   
• "Helpful Content"——實用內容演算法更新 (2022) 

網頁排名 “PageRank” – Google 搜尋引擎與 SEO 核心演算法 (1997)

PageRank 是根據 Google 共同創辦人之一 ── Larry Page 命名的。

PageRank 的靈感來源是參考學術界以「論文被引用次數」，作為評判一篇論文好壞、重要性的參考依據之一。

它使用到的概念是：一篇重要性高的論文，通常被其他人引用的次數也較高。

用同樣邏輯去思考：

如果很多網頁都同時引向另一個網頁，那是不是可以合理推論：這是一個相對更優質、更值得排名的網頁呢？

PageRank 就是在此概念下，由 Google 創辦人設計出來。

PageRank 評斷的依據主要在於「連結」：特別是指「由別人的網站連到自己網站」的「反向連結 (Backlinks)」。

PageRank 會根據反向連結的數量，以及連結來源的「網站權重」高低，來賦予每個網頁不同的「PR 分數」。

網頁 PR 分數越高，在 Google 上的排名就會越前面。

這個分數也可以經由連結傳遞，進而提升其他網站的 PR 值，而且因為評分同時會考量到「反向連結數量」和「連結來源的網站分數」，所以透過不同網站連出去的反向連結，產生的影響力也不同。

簡單的傳遞原理如以下圖解：

A 網頁本身有 4 分，當它連結到 C、D 網頁，則 C、D 網頁各可以從 A 平均分配到 2 分 (4 ÷ 2 = 2)；

B 網頁本身有 2 分，當它連結到 C、E、F、G 網頁，此四個網頁分別可以分配到 0.5 分 (2 ÷ 4 = 0.5)；

而 C 網頁因為同時得到來自 A、B 網頁的分數，總共得到 2.5 分 (2 + 0.5 = 2.5)。

從以上圖解與說明，可以歸納出 PageRank 的兩項重點：

1. PageRank 是根據反向連結計算，代表網頁的重要性（權重）
    
2. PageRank 分數可以透過連結傳遞，而且理論上會被導出連結 (Outbound Links) 的數量平分

在 PageRank 使用不久後，Google 也直接推出了專門的網頁工具，讓所有使用者都可以在瀏覽器上直接看到每個頁面的「SEO 分數」。

PageRank 也因此成為一個公開指標，在 SEO 圈中備受討論。

然而，因為分數高的網站能透過「導連結」將 PageRank 分數傳遞給別的網頁、提升排名，開始有許多人利用這個特點，在分數高的網站留言插入自己的網站連結，為自己「賺取」反向連結；

也有人另闢商機，利用自己經營的高權重網站，販售對外連結來賺錢等。

在過去好大一段時間，PageRank 都是 SEO 熱門議題，也常常被當成評斷網站優劣的唯一指標。

又因為瀏覽器顯示了公開分數，比拼數字的誘因導致 PageRank 更容易被濫用。

最後，Google 決定移除了這項功能，PageRank 也不再公開了。

雖然 Google 官方不公佈 PageRank，但並不代表這個演算法被淘汰，它仍在背後擔負著演算法的重要使命。

在 PageRank 使用前期，曾經被指出有些瑕疵跟漏洞，比如反向連結太容易被濫用等問題，都有被官方持續修正和改善。

因此可以得知，PageRank 是個反覆被調整的演算法。

就算 PageRank 這項專利已經過期，官方也不再公佈 PageRank，它仍然是 Google 最核心的演算法依據之一。

也因此，反向連結一直都被視為 SEO 重要項目，官方甚至承認：反向連結是影響網站排名的前三大重要因素。

延伸閱讀：泛科學｜誰能佔領尋結果第一名？從 PageRank 網頁排名演算法談起

咖啡因 "Caffeine" – 網頁收錄演算法 (2009)

咖啡因演算法不是直接影響 SEO 排名，而是對搜尋引擎收錄網頁方式的規則大翻新。

首先，我們必須了解：網頁要先被 Google 的爬文蜘蛛找到 (Crawling)，並收錄 (Indexing) 到 Google 的資料庫，才能排上 Google 頁面上、被使用者搜尋到 (Ranking) 。

「收錄」跟「排名」其實是關聯性不大的兩件事，但網頁必須先被收錄，才有排名的可能。

舊有的爬文、收錄系統已跟不上資訊爆炸的時代，Google 每天要爬取數十億到上兆個頁面，收錄到資料庫裡處理分類和排名等，所以需要花上不少時間才能讓搜尋者查到最新的內容。

導入咖啡因演算法後，可以縮短爬文到收錄所需的時間，大幅提升使用者立即搜尋到即時資訊的可能性。

例如地震發生過後，馬上去 Google 相關新聞，就能快速查到地震發生地、規模、即時報導等資訊。

對於資訊量越來越大，且更新速度越來越快的網路時代而言，咖啡因演算法是為了因應使用者需求而做出的重大變革，能讓使用者在更短的時間內取得想要的資訊。

本站專欄作家 Jemmy 曾讓新發佈的文章在 48 小時內登上搜尋結果第一名，或許原因就是咖啡因演算法促成，讓新的文章能在發佈後，快速而短暫被使用者看到，之後再慢慢決定文章該有的排名位置。

延伸閱讀：[實證研究] 關鍵字排第一要多久？

熊貓 "Panda" – 內容農場演算法 (2011)

蜂鳥 "Hummingbird" – 搜尋意圖演算法 (2013)

我們可以很輕易的透過搜尋畫面來看出：大家搜尋的時候想找什麼。

在 Google 上搜尋「洋裝」，可以看到結果頁面接近 100% 都是可以「買洋裝」的購物網站，不會有洋裝的名詞解釋、歷史介紹、維基百科等。

這表示 Google 了解搜尋「洋裝」的使用者就是想購物，而不是想了解洋裝的知識、定義等等，所以在第一頁當中只給出可供消費的搜尋結果。

至於 Google 是如何判斷使用者的搜尋意圖？

「蜂鳥演算法」強化了對使用者搜尋字詞的理解。

換句話說，就是試圖去辨別字詞的「語意」，而不單單只是從搜尋字詞裡面抓關鍵字。

Google 語音搜尋就是一個很好的例子，可以把使用語音搜尋想像成和 Google 對話。

如果使用語音搜尋詢問「川普是誰」，Google 會提供川普的基本簡介。

緊接著，再用語音搜尋詢問「他多高」，這時候 Google 會自動判斷「他」指的是川普，不是其他人，而會提供川普的身高。

這就像是人與人之間的對話，不需要特別指名道姓，彼此都能透過談話內容上下文知道當下指的對象，而 Google 語音搜尋就是希望透過搜尋紀錄、位置資訊等參考資訊，讓搜尋引擎更能理解口語化的搜尋用語，以提供更貼近使用者想知道的答案。

因此，就像是語音搜尋試圖去了解使用者的意圖，蜂鳥演算法加強了「所有」搜尋字詞的分析，而不只是幾個關鍵字。

比如搜尋「附近有什麼好吃的餐廳」，在過去，Google 可能只會針對關鍵字「美食」、「餐廳」來提供資訊，但加強了所有字詞分析後，在有授權 Google 存取位置資訊的條件下，Google 提供的搜尋結果會針對使用者的定位，提供符合關鍵字「附近」、「美食」、「餐廳」的搜尋結果。

嚴格來說，蜂鳥演算法對於搜尋結果的排名方式沒有直接影響，優質內容一樣是排名的重點，只是在搜尋方面，Google 能更精準判斷使用者的搜尋意圖。

延伸閱讀：泛科學｜蜂鳥演算法如何提升人類的搜尋體驗

人工智能 "RankBrain" – AI 智慧演算法 (2015)

RankBrain 演算法運用了人工智慧技術 (Artificial Intelligence, AI)，讓演算法像人一樣有自主學習能力，不必完全依賴人類的指令。

RankBrain 的主要用途，是更精準地解讀使用者的搜尋字詞。

尤其是當使用者搜尋的字詞較模糊、不明確、口語化或沒有包含關鍵字本身的時候。

比如搜尋「歐巴馬老婆的身高」，Google 能自動解讀成使用者想知道的是「蜜雪兒．歐巴馬 (Michelle Obama) 的身高」。

不需要鍵入關鍵字「蜜雪兒．歐巴馬」，也能得到想要的答案。

又或是許多字詞都有同義詞，而英文有名詞單複數的差別，Google 就必須有能力去判斷：這些都是指相同的意思。

所以，演算法不能只是停留在「字串」搜尋，提供包含「歐巴馬」、「老婆」、「身高」的搜尋結果，還必須著重在「語意」的搜尋，才能提供正確且有用的資訊。

關於語意搜尋上的發展，Google 在 2012 年推出知識圖譜(Knowledge Graph)。

它是一個資料庫，匯集了維基百科、線上常見問答等相關資料，而整理出摘要、綜合性資訊給使用者，讓使用者不需要點進其他網站，就能快速獲得想要的資訊。

它依賴的就是事先多方匯集相關資料。

雖然過去也有依賴人力去整理同義詞清單，或根據資料的相關性分類、整理成資料庫，但在 2013 年的統計報告指出，每天仍有 15% 的搜尋量是 Google 從來沒有見過的。

這樣的量體來不及經由人工來逐項處理或分析。

人工處理明顯已無法負擔大量的搜尋需求，而 RankBrain 也就是在此需求下，因應而生。

RankBrain 號稱是影響排名的第三大因素，和連結、優質內容同為三大排名影響因素，可見還是有一定的重要性。

延伸閱讀：大數聚｜Google 怎麼知道你在說什麼？看搜尋引擎 AI 如何學會「聽人話」！

醫療 "Medic" – 健康財產演算法 (2018)

「醫療演算法」—— 名稱來自於知名的 SEO 媒體人，同時也是 Search Engine Roundtable 的主編 Barry Schwartz。

這個演算法在 2018 年 8 月初導入 Google 搜尋引擎，發佈時對整體搜尋產生了非常明顯的改變，尤其是針對醫療、健康相關主題的網站所受影響最深。

這些受到最大衝擊的領域又被稱為 "YMYL - Your Money Your Life"、也就是「與生命財產相關」的內容。

它的影響範圍大到甚至是販售醫療產品的電商網站，都能看出自然流量的變化。

根據第三方分析軟體 Ahrefs 的 SEO 搜尋走勢分析，許多和醫療相關的網站很明顯在 2018 年 8 月左右，都有一波流量下跌的趨勢。

以上這些醫療保健相關主題的網站，原本由業餘的寫手、部落客來經營都能排上不錯的排名，但在 Medic 演算法釋出之後，這些相關網站受到明顯的打擊。

大概只有學術論文、政府部門、醫院學校等頂級權威的網站才不受到太大影響。

SEO 專家 Marie Haynes 也指出：

受影響的網站大多與 YMYL  (Your Money or Your Life) 有關，可以推測 Google 不希望使用者在使用自家搜尋功能的時候，會查到對自身財產、生命安全有不利影響的內容。

網站一旦涉及這些主題，只有 Google 演算法認定為適合使用者的內容才會被排在較前面，其他品質不符合的內容就被嚴重降級。

Marie Haynes 更進一步認為：

Google 的判斷依據，應該和官方給予的「搜尋品質評分員」評分指南中提到的 E-A-T 有很大關係 ──

專業性 (Expertise)、權威性 (Authoritativeness) 和可信程度 (Trustworthiness)。

然而，這些指標都不是明確、容易被量化的概念。

Marie Haynes 也僅能分析流量大幅變動的健康領域網站、觀察它們的差異。

例如：網站內容撰寫者是否為該領域專家、是否有個人專業背景簡介等，歸納出一些可能的影響因素。

不過，也並非所有醫療保健相關網站都受到負面影響，也並非只有這些相關網站受到醫生演算法的影響。

SEO 權威網站 Moz 對於醫生演算法的影響範圍，以及 E-A-T 是否是影響的主要原因，都抱持較保留的態度。

延伸閱讀：大數聚｜Google 如何利用 AI 演算法替你把關醫療與健康風險？

企鵝 "Penguin" – 作弊連結演算法 (2012)

企鵝演算法的目的，主要不是積極提升優質內容的排名，而是針對黑帽 SEO、尤其是黑帽連結的懲罰。

黑帽 SEO 是指使用作弊手段去「欺騙」搜尋引擎，讓網頁的排名被誤判、高估，但其實網頁內容對使用者而言，並沒有相對應的價值。

常見的黑帽 SEO 手法有：

• 不自然地硬塞關鍵字 (Keyword Stuffing)
• 不當操縱連結，試圖影響搜尋引擎排名 (Link Schemes)
• 大量購買、交換可以幫助排名的連結 (Link Exchange)
• ... ...

而「黑帽連結、所指的，就是針對連結所進行的作弊行為。

在 PageRank 演算法的段落，我們已有提到連結對 SEO 排名的重要性。

PageRank 在 1997 年由 Google 創辦人提出，是用「連結」的數量和權重來決定網頁排名。

連結就像是有人幫忙背書一樣，越多人幫忙背書，越顯得網頁有其重要性，而且如果是來自專家、名人等權威的背書，又更具說服力和可信度。

「連結」也正是 Google 開始爬取新網頁、為網頁決定排名等時，參考的重要決定因素，是 PageRank 演算法最核心的概念。

所以有些黑帽 SEO 操作者就會抓住這個重點，利用不當的連結建立手段獲取大量連結，進而讓搜尋引擎判斷錯誤，即使內容劣質，也可能因為擁有許多不自然連結，而被優先推薦給搜尋者。

但 Google 怎麼辨別哪些是黑帽連結呢？

在 Google 搜尋品質指南中有提到，搜尋引擎會針對以下的「連結配置」做處罰：

• 付費連結 (Paid Links)：以任何形式買賣可以幫助排名的反向連結，例如常見的業配文章
   
• 交換連結 (Link Exchange)：針對以操作排名為目的的大量交換連結：「你連我、我連你」
   
• 全網連結 (Site-wide Links)：常見於網頁設計公司，比如在客戶的網站頁面偷藏連結，指向由「某網頁公司設計」
  
  這個行為看似正常且合理，但這樣的連結傳遞的權重加分，對搜尋引擎來說卻是與網頁品質不直接相關的加分
   
• 操縱連結 (Link Schemes)：用任何不自然的手段人為操作連結。比如不管前後文，每篇文章都要求提到自家網站、要求使用指定的錨點文字 (Anchor Text)
  
  又例如：50篇文章都要求加上「本篇文章由 JKL 行銷專家 Jemmy 撰寫」

以上連結若是為了排名而刻意操作，就屬於不當連結；

若是自然使用的狀況下，Google 則要求在連結的語法加上 “nofollow” 屬性：也就是告訴 Google 這個連結與排名無關、不傳遞任何排名訊號。

除了企鵝演算法針對黑帽連結做懲處以外，Google 也有「專人介入處理 (Manual Actions)」來對付這些可疑連結。

若被判定試圖人為操縱排名，網站就可能會受到懲處，像是頁面排名下降、甚至從搜尋結果中被移除等。

演算法的出現使辨識連結的效率更加提升，有時候不用等到排名上升、或者專人介入處理，就可能即時性的先被演算法篩選掉。

也就是說，當這些操縱排名的連結在一開始被製造出來之後，就隨即被演算法降下權重。

企鵝演算法在 2012 年首次被導入，一直到 2016 年官方宣布成為核心演算法之一，再再顯示官方對違規制裁的重視程度，其重要性和打擊程度不亞於熊貓演算法。

雖然黑帽 SEO 可能帶來短時間的網頁排名提升和流量增加，或許是有效的做法，但為了網站長久的穩定考量，仍不建議輕易嘗試。

延伸閱讀：泛科學｜操作黑帽 SEO，小心被 Penguin 企鵝演算法懲罰！

伯特 "BERT" – 自然語意演算法 (2019)

使用者在使用搜尋引擎時，已經漸漸習慣使用搜尋用語，而會盡量配合搜尋引擎輸入關鍵字。比如一般人在想查詢「代購的英文」時，多半會輸入「代購 英文」，而非口語上的「代購的英文是什麼」。

伯特演算法號稱可以透過自然語言處理 (Natural Language Processing) 來優化搜尋字詞，也就是拉近「人們日常慣用語」與「搜尋引擎理解的語言」間的差距。

使用者不需要去設想如何讓搜尋引擎理解搜尋用詞，可以直接口語化搜尋，甚至在使用者本身不曉得正確的搜尋用詞時，也可能找到想要的資訊。

Google 官方認為伯特演算法是過去五年來對搜尋字詞理解的大躍進，號稱可以靠同個句子中的前後字詞，來了解整個句子的涵義，而且不只有在最廣泛被使用的英文，也推及到其他語言。

從 Google 助理現場示範和人類對話預約剪髮影片看來，Google 似乎的確有能力理解人類的語言，但實際上用口語用詞搜尋時，即使語意相同，搜尋結果仍然因輸入字詞不同而有差異。

自然語言處理研究學者 Allyson Ettinger 也指出伯特演算法在理解上的局限，像是不善於理解否定敘述等，可見 Google 在語言理解上仍有很大的進步空間。

另外，伯特演算法的目的是提升搜尋引擎的品質，無法透過任何方法針對該演算法優化，因此，有心經營網站者該做的仍是打造優質內容，並創立反向連結，提升網站權威。

延伸閱讀：泛科學｜BERT 自然語意演算法如何提升關鍵字理解能力？

"Helpful Content"——實用內容演算法更新 (2022)