MICROSOFT CHƠI VỚI KHỐI HIỂU NHƯ THẾ NÀO HÌNH ẢNH có thể liên quan

Phần quan trọng nhất của một trang là gì? Nếu một trang có hình ảnh trên đó , bức tranh là những người quan trọng nhất?

Nếu một công cụ tìm kiếm được để cố gắng tìm hiểu có hay không có hình ảnh trên các trang của một trang web có liên quan đến nhau , làm thế nào nó sẽ đi về để tìm mà ra?

Hai câu hỏi đầu tiên là dễ dàng để trả lời – phần quan trọng nhất của một trang là phần mà khách tập trung vào khi họ nhìn vào nó. Những hình ảnh quan trọng nhất là những cái mà mọi người nhìn vào và chú ý đến khi họ đang ở trên trang đó.

Một bằng sáng chế mới được cấp từ Microsoft cố gắng để giải quyết tất cả ba câu hỏi một cách tự động mà có thể phá vỡ một trang thành các khối , và quyết định một mức độ quan trọng giữa những khối khi so sánh chúng với nhau – xác suất mà một người sử dụng sẽ tập trung là những gì khi mỗi người khối ( hoặc theo hình ảnh trong những khối ) khi nhìn vào trang.

Nó có thể xem xét tầm quan trọng của một khối khác trên cùng một trang và trên các trang khác trong cùng một trang web bằng cách nhìn vào các liên kết giữa các khối trên những trang đó. Nó có thể xem liệu hình ảnh có trong cùng một khối hoặc các khối có liên quan , và cũng tìm kiếm các liên kết đến các hình ảnh từ các khối khác nhau để xem và làm thế nào hình ảnh có thể liên quan .
Vì vậy , hãy tưởng tượng một trang web tin tức với một trang được chia thành những đoạn trích các bài báo, với các liên kết để đầy đủ hơn những câu chuyện bên trong. Một số trong số họ có một hoặc hai hình ảnh. Mỗi đoạn trích có thể được coi là một khối , và những hình ảnh trong khối có thể được coi là có liên quan vì được chia sẻ trong một khối . Nếu có hình ảnh khác trong toàn bộ câu chuyện liên quan đến bởi khối , những hình ảnh trong câu chuyện mà cũng có thể được coi là có liên quan

Bằng sáng chế là phương pháp và hệ thống để xác định hình ảnh gì liên quan sử dụng liên kết và phân tích bố trí trang

Từ bằng sáng chế trên các khối :

Một khối của một trang web đại diện cho một khu vực của trang web xuất hiện liên quan đến một chủ đề tương tự. Ví dụ, một bài báo liên quan đến một sự kiện chính trị quốc tế có thể đại diện cho một khối , và một bài báo liên quan đến một sự kiện thể thao quốc gia có thể đại diện cho khối khác.

Vì vậy , tại sao phá vỡ một trang thành các khối , thay vì chỉ cố gắng để chỉ số tất cả mọi thứ trên một trang ? Có lẽ bởi vì nhiều trang web bao gồm nhiều hơn một chủ đề , đặc biệt là giống như trong các ví dụ ở trên, nơi trang mà có nhiều phần về các chủ đề khác nhau.

Lý do tại sao quyết định trong những khối mà những người là quan trọng nhất? Một lần nữa, trên trang tin tức, các bài viết hoặc đoạn trích có thể là rất nhiều quan trọng hơn thông báo bản quyền , hoặc một tập hợp các liên kết định vị , hoặc một số nồng nhiệt khi xuất hiện trên tất cả các trang của trang web.

Thêm vào đó, để tìm ra được tầm quan trọng của các khối có thể giúp hiểu biết gì liên quan của các khối trong các trang của một trang web – hiểu cách bố trí của một trang và làm thế nào các bộ phận của một trang có thể liên kết với nhau có thể giúp lập chỉ mục :

Sau khi tính toán một chỉ số số của các importances cho cặp của các trang và khối và cặp hình ảnh và khối, hệ thống phân tích liên kết tạo ra một chỉ số về gì liên quan của mỗi hình ảnh cho mỗi hình ảnh khác bằng cách kết hợp tầm quan trọng tính toán của một khối đến một trang , tầm quan trọng của một trang tính đến một khối , và tầm quan trọng tính toán của một hình ảnh đến một khối .

Vì gì liên quan của một hình ảnh để hình ảnh khác được dựa trên tầm quan trọng khối cấp chứ không phải là trên trang – mức độ quan trọng , gì liên quan này là một đại diện chính xác hơn gì liên quan hơn kỹ thuật tìm kiếm liên kết dựa trên thông thường.

Chúng tôi cũng biết rằng bảng xếp hạng của hình ảnh có thể được hưởng lợi từ phương pháp này nhìn khối trên trang :

Hệ thống phân tích liên kết cũng có thể sử dụng các hình ảnh gì liên quan để tạo ra một bảng xếp hạng của hình ảnh. Bảng xếp hạng có thể dựa trên một xác suất mà một người dùng bắt đầu xem một hình ảnh tùy ý sẽ chuyển sang hình ảnh khác sau khi một số ý lớn của quá trình chuyển đổi giữa các hình ảnh .

Hệ thống phân tích liên kết cũng có thể tạo ra một đại diện vector của hình ảnh dựa trên họ hàng của chúng và áp dụng một thuật toán phân cụm để cơ quan đại diện vectơ để xác định các cụm hình ảnh có liên quan.

Các bằng sáng chế đã được nộp cho năm 2004, và ý tưởng này nhìn khối là không đáng ngạc nhiên hoặc mới . Để có cái nhìn tốt về quá trình ngăn chặn điều này , hãy xem Microsoft giấy Block cấp liên kết phân tích . Đối với công việc mới trên một quá trình rất giống nhau, nhìn thấy : Tìm kiếm Mục tiêu Gets một cách tiếp cận tinh

chia
gửi chuyển hướng
POST TRƯỚC
OpenSocial và Google Tài liệu lưu trữ bằng sáng chế
NEXT POST
Tạp chí Google – Giới thiệu về Dù bạn muốn ( ? Ngay tại một Kiosk Gần Bạn )
6 SUY NGHĨ VỀ “MICROSOFT CHƠI VỚI KHỐI HIỂU NHƯ THẾ NÀO HÌNH ẢNH có thể liên quan ”
f – lops -y
11/08/2007 AT 10:32
Hey Bill , công ty seo 

Rất thú vị đọc . Cảm ơn. Tôi đã đi để có một cái nhìn tại liên kết Block Level Phân tích MS nghiên cứu …

Chúng tôi đang nói liên tục để tối ưu hóa tất cả các khía cạnh và các yếu tố của một trang web cho người sử dụng – vì lý do rõ ràng. Này , trong phần lớn , xuất hiện để hỗ trợ hướng dẫn đó.

Một điều tôi sẽ truy vấn là các VIPS algo và các phần đồ thị web cấp khối làm xuất hiện để bổ sung cho nhau , nhưng họ không nhất thiết phải bổ sung cho truyền thống mắt theo dõi và nghiên cứu heatmap F hình . Cũng không làm họ nhất thiết phải nói chuyện với hành vi sử dụng thực tế , đặc biệt là liên quan đến một số loại người tìm kiếm / người sử dụng.

ví dụ >

Tuy nhiên , đọc thêm chỉ ra là họ đang cố gắng để giảm giá khu vực hàng hải và khối ưu trên trang web không có liên quan khác , và rằng các dữ liệu trước khi học tập có thể cố gắng để giải quyết những vấn đề này . Đề án màu cũng đang được xem xét. Đến mức độ nào tôi không chắc chắn , và làm thế nào đó là thực sự hiểu tôi không chắc chắn của .

Tôi nghĩ rằng bất kỳ loại phân tích mức độ khối sẽ được hưởng lợi rất nhiều từ các nghiên cứu sử dụng con người thực tế cho mỗi ngành công nghiệp và mỗi thị trường qua một loạt các bố cục trang web . Nếu dữ liệu mắt theo dõi và khu heatmap từ một nghiên cứu như vậy là để được giải thích một cách hiệu quả và áp dụng cho một thuật toán VIPS dọc nhóm nó sẽ bù đắp tính chất toán học gần như tinh khiết như vậy một thuật toán với dữ liệu hành vi sử dụng thực tế của con người.

Tôi nhận ra rằng sẽ có thể không bao giờ xảy ra do rất nhiều cân nhắc tính khả thi , nhưng trong một thế giới lý tưởng , đó sẽ là tuyệt vời … và tất nhiên tôi sẽ muốn nhìn thấy tất cả những dữ liệu đáng yêu cho bản thân mình. 🙂 công ty seo website