自 2009 年开始以来，我参与了 Moz 排名因素调查的每一次迭代。。在我们最近的一次会议上（我上次在圣地亚哥参加 SearchLove 会议），我谈到了我是如何享受它并感觉我可以。通过调查增加真正的价值，但随着复杂性的增加，这种情况会发生变化。
虽然我在制定提高整体有机可见度、流量和收入的策略时仍然充满信心，但我比以往任何时候都更不确定在特定情况下哪些单独的排名因素将超过其他因素。
战略方法着眼于整个网站和关键字组。
我的方法通常是缩小有关投资组合排名的假设并开 瑞士移动数据库 发商业案例，但最近我突然想到，机器学习应该如何使谷歌的排名成为一个黑匣子，并引起排名因素。利基之间的差异越来越大。
一般来说，“为什么这个页面排名？”与“这两个页面中哪一个排名更好？”相同。
我使用TensorFlow和Keras自学深度神经网络- 我非常确定如果我 5 年后上大学，我最终会学习和工作这个领域。当我这样做时，我开始思考如何对 SERP（这是一组高维非线性关系）进行建模。我发现这是理解排名因素的试金石，从而能够回答“为什么该页面在我们前面？” - 能够回答一个简单的问题：