A LinkedIn Collaborative Articles szolgáltatásai egyetlen év alatt meghaladták a 10 millió oldalnyi szakértői tartalmat. Az Együttműködési cikkek projekt heti nézettsége több mint 270%-kal nőtt 2023 szeptembere óta. Az, hogy hogyan érték el ezeket a mérföldköveket, és hogyan kívánnak még nagyobb eredményeket elérni, hasznos információkkal szolgálnak az AI-t és az emberi készségeket ötvöző SEO-stratégia kidolgozásához.
Miért működnek az együttműködési cikkek?
Az Együttműködési cikkek projekt azon a feltételezésen alapul, hogy az emberek az internetet használják a témakörök megismerésére, de az interneten elérhetők csak néha a legmegbízhatóbb információk a téma szakértőitől.
Az ember gyakran keres Google majd egy olyan webhelyre lép, mint például Pirosdit hogy elolvassa a megjelenteket. Ennek ellenére nincs garancia arra, hogy az anyag a téma szakértőjétől vagy a közösségi médiában a legnagyobb szájjal rendelkező személytől származik. Hogyan állapíthatja meg valaki, aki nem szakértő a témakörben, hogy egy idegen bejegyzése megbízható és szakértő-e?
Az ötlet az volt, hogy használjuk LinkedIn szakértőket, hogy cikkeket hozzanak létre olyan témákról, amelyekben szakértők. Az oldalak rangsorolnak a Google-ban, ami előnyös a téma szakértőjének, és további tartalom generálására ösztönzi.
Hogyan hozott létre a LinkedIn 10 millió oldalnyi szakértői tartalmat
A LinkedIn felismeri a tématerület szakértőit, és felveszi velük a kapcsolatot, hogy esszét írjanak a témáról. A LinkedIn szerkesztősége létrehozott egy mesterséges intelligenciát "beszélgetésindító" esszétémákat generáló eszköz. Ezeket a beszélgetési témákat azután összekapcsolják a LinkedIn Skills Graphja által azonosított szakterület-szakértőkkel.
A LinkedIn Skills Graph összekapcsolja a LinkedIn felhasználókat a tárgyi ismeretekkel a Structured Skills nevű keretrendszer segítségével, amely gépi tanulási modelleket és természetes nyelvi feldolgozást használ a tagok által egyértelműen meghatározottakon túlmutató, hasonló tehetségek feltárására.
A feltérképezés a tagok profiljában, munkaköri leírásában és az oldalon található egyéb szöveges adatokban felfedezett képességekkel kezdődik. Ezután mesterséges intelligenciát, gépi tanulást és természetes nyelvi feldolgozást használ a tagok extra tárgyi ismereteinek bővítésére.
A Skills Graph leírása a következőket írja le:
„Ha egy tag ismeri a mesterséges neurális hálózatokat, akkor ismeri a Deep Learninget is, amely a gépi tanulás szinonimája.
Gépi tanulási és mesterséges intelligencia algoritmusaink nagy mennyiségű adatot elemeznek az új képességek és kapcsolatok azonosítása érdekében.
Természetes nyelvi feldolgozást alkalmazunk, hogy a különféle szövegformákból magabiztosan kinyerjük a készségeket. Ez biztosítja a tagok képességeinek pontos feltérképezését.”
Tapasztalat, szakértelem, tekintély és megbízhatóság
A LinkedIn Együttműködési cikkek kezdeményezésének egy zseniális alapkoncepciója van, amely több millió oldalnyi, kiváló minőségű anyagot eredményez, amelyeket a téma szakértői írtak sokféle témában. Ez tisztázhatja, hogy a LinkedIn oldalak miért váltak láthatóbbá a Google kereséseiben.
A LinkedIn új funkciókkal frissíti az Együttműködési cikkek kezdeményezését, amelyek célja az oldalak minőségének további javítása.
- Megváltozott a kérdések feltevésének módja: A LinkedIn most forgatókönyveket mutat be a téma szakértőinek, akik valós témákról és kérdésekről esszékkel válaszolhatnak.
- Új, nem hasznos gomb: Mostantól van egy lehetőség, amellyel a felhasználók értesíthetik a LinkedIn-t arról, hogy egy bizonyos esszé nem hasznos. SEO szempontból lenyűgöző, hogy a LinkedIn a segítőkészség szemüvegén keresztül mutatja be a hüvelykujj le gombot.
- Továbbfejlesztett témaegyeztetési algoritmusok: A LinkedIn javította az emberek és az alanyok társítását az úgynevezett „Beágyazáson alapuló visszakeresés a jobb egyeztetés érdekében”, amely válaszul a tagok téma-tag egyeztetés minőségével kapcsolatos megjegyzéseire épült.
A LinkedIn elmagyarázza,
„Erőfeszítéseinket a cikkek és a tagszakértők közötti egyeztetési készségeinkre összpontosítottuk, miután értékelő eszközeinken keresztül megkaptuk tagjaink véleményét. Az egyik általunk használt új technológia a beágyazás alapú visszakeresés (EBR). Ez a technika beágyazásokat hoz létre mind a tagok, mind a cikkek számára ugyanabban a szemantikai térben, majd hozzávetőlegesen végrehajtja a legközelebbi szomszéd keresést, hogy megtalálja a legjobb cikkegyezéseket a közreműködők számára.
A LinkedIn Collaborative Articles projektje az elmúlt évek egyik legátgondoltabb tartalomfejlesztési kezdeményezése. Nem csak az teszi kiemelkedővé, hogy a mesterséges intelligencia és a gépi tanulási technológiát emberi készségekkel ötvözi, hogy szakszerű és hasznos információkat állítson elő, amelyekben az olvasók tetszenek és megbízhatnak.
A LinkedIn felhasználói interakciós jeleket használ a cikkírásra felkért szakértők minőségének javítására, valamint a felhasználók igényeinek nem megfelelő tartalom azonosítására.
A cikkírás előnyei közé tartozik a magas színvonalú témaszakértők előléptetése minden alkalommal, amikor cikkük a Google-on szerepel, ami lehetővé teszi, hogy bárki, aki egy szolgáltatást vagy terméket reklámoz, vagy ügyfeleket vagy következő állást keres, bebizonyítsa képességeit, szakértelmét és tekintélyét. .
Forrás- keresőnapló
English
English
French
German
Russian
Spanish