کلمات کلیدی LSI چه کلمه‌هایی هستن و چگونه ساخته می‌شوند؟ آیا گوگل از این روش در رتبه‌بندی خود استفاده میکند؟ اصطلاح LSI از کجا نشات گرفته است؟ نقش این کلمات در سئو چیست؟
اهمیت سئو در بهبود وضعیت سایت‌های اینترنتی باعث شده است که تمام تغییرات در الگوریتمهای گوگل مورد توجه سئوکارها باشد. در این راستا اهمیت استفاده از کلمات LSI در محتوا نیز بسیار مورد توجه است. اما این کلمات چه تاثیری بر سئو دارند؟ آیا موتورهای جستجو هنوز هم به کلمات LSI توجه می‌کنند؟ در ادامه این مطلب به پاسخ تمام این پرسش‌ها می‌پردازیم تا یک بار برای همیشه شک و شبه‌ها در مورد این کلمات از بین برود.
تعریف کلمات کلیدی LSI
شاید نتوانیم برای LSI که مخفف عبارت Latent Semantic Indexing است، یک عبارت دقیق فارسی بیان کنیم. اما شاید مناسب‌ترین معنی آن را بتوان «نمایه‌سازی معنایی نهفته» دانست. به عبارتی دیگر، LSI را می‌توان مترادف کلمه کلیدی هدف دانست. کلمات کلیدی LSI، کلماتی هستند که به شکل‌های مختلفی با کلمه کلیدی اصلی محتوا در ارتباط‌‌اند. این مفهوم توسط تعدادی از موتورهای جستجو به عنوان یک عامل مؤثر در سئوی یک وب‌سایت شناخته می‌شود.
به عنوان مثال در یک متن، کلمه کلیدی به صورت تور دوچرخه‌سواری توسکنی «Tuscany bike tour» است و کلمه LSI به صورت تعطیلات دوچرخه‌سواری توسکنی «Tuscany cycling vacation»، تور دوچرخه در توسکنی «bicycle tour in Tuscany» و یا عباراتی از این دست خواهد بود که نزدیکی معنایی زیادی با کلمه کلیدی اصلی دارند. نویسنده‌های ماهر معمولاً از کلمات کلیدی به تعداد زیاد استفاده نمی‌کنند و تراکم کلمات کلیدی را در متن رعایت کرده و به جای آنها از کلمات LSI استفاده می‌کنند.
تاریخچه LSI
LSI یک روش ریاضی برای بهبود دقت بازیابی اطلاعات و تکنیکی برای شناسایی مفاهیم مرتبط با یکدیگر در محتوا است. این تکنولوژی در اواخر دهه 1980 میلادی ارائه شد. کلمات کلیدی LSI توسط یک محقق و مهندس موتورهای جستجوگر به نام سوزان دومئیس (Susan Dumais) که در آزمایشگاه بل (Bell labs) کار می‌کرد، اختراع شد. این مخترع قبل از آنکه به شرکت مایکروسافت ملحق شود تحقیقات زیادی در مورد LSI انجام داده بود.
- LSI در واقع روابط مخفی بین کلمات را به منظور بهبود درک اطلاعات پیدا میکند و جملات ساده و ترکیبی را تشخیص می‌دهد. به عنوان مثال دو کلمه «HOT» و «DOG» هر دو کلماتی ساده و قابل درک هستند که هر کدام می‌توانند با پسوند و پیشوندهای مختلفی ترکیب شوند و ماهیت جملات را تغییر دهند.
- در صورتی که این دو کلمه در کنار هم قرار بگیرند، «HOTDOG» را تشکیل می‌دهند که معنایی کاملاً متفاوت خواهد داشت. بنابراین LSI این موارد را تشخیص می‌دهد و سردرگمی در شناسایی محتوا برای کامپیوترها را کاملاً حل میکند. LSI در مورد محتواهای استاتیک و مجموعه‌ای از اسناد، به بهترین شکل کار میکند. این کلمات همچنین به اسناد اجازه می‌دهند که بر اساس موضوعات مشترک به صورت خوشه‌ای در بیایند که برای موتورهای جستجو بسیار مفید هستند.
در واقع کلمات LSI را می‌توان به صورت زیر خلاصه کرد:
- یک تکنولوژی برای بازیابی اطلاعات است که در اواخر دهه 1980 به وجود آمد تا جایگزین تکنولوژی‌های قبلی باشد، که نمی‌توانستند مترادف و چند معنی بودن کلمات را درک کنند.
- یک رویکرد خاص که تلاش میکند ساختار معناداری در زبان را درک کند
- قابلیت شناسایی اصطلاحات و مفاهیم مرتبط با کلمات کلیدی اصلی را دارد
- در اصل برای مجموعه‌های کوچکی که دارای اسناد استاتیک هستند بسیار مفید است.
آیا گوگل همچنان از LSI استفاده میکند؟
افرادی که در حوزه SEO مشغول به فعالیت هستند، اعتقاد دارند که گوگل هنوز از LSI استفاده میکند. دلیل این گفته این است که آنها معتقدند گوگل از کلمات مترادف و مرتبط با معنای کلمات کلیدی بهره میگیرد. LSI یک تکنولوژی قدیمی است و این، به این معنی نیست که گوگل هنوز هم از کلمات مترادف و Semantic Search استفاده میکند. گوگل مترادف‌ها و کلمات مرتبط را دوست دارد اما آنها را LSI نمی‌نامد. استفاده از این اصطلاحات می‌تواند برای جستجوگرهای گوگل گمراه کننده باشد.
LSI قطعاً نقش پررنگی در توسعه موتورهای جستجو و جستجوی معنایی ایفا کرده است. همان‌طور که Roger Montti گفته است، LSI چرخ‌های آموزش موتورهای جستجو هستند اما دلیلی وجود ندارد که تا امروز نیز مورد استفاده قرار گرفته باشند. بدون تردید گوگل می‌خواهد زمینه هر نوع محتوایی را درک کند. زمینه معناشناسی (مطالعه معنایی در زبان)، بخش اساسی این رویکرد است. با این حال، این جهش کاملاً قانع کننده‌ای است که واژه «معنایی» در دو عبارت Semantic Search و LSI وجود دارد و پیوندی بین این دو برقرار باشد.
- دلایل بسیار زیادی وجود دارد که گوگل فراتر از تکنولوژی LSI پیشرفت کرده و تکنولوژی پیشرفته‌تری را برای مستندسازی و بازیابی اطلاعات مورد استفاده قرار می‌دهد. موتورهای جستجوی معنایی گوگل، به صورت طبیعی با درک و بازیابی محتوا تجارت می‌کنند. ولی این به معنی استفاده گوگل از تکنولوژی LSI نیست.
- JR Oakes در اواخر سال 2017 یک سمینار کامل و جامع در TechSEO Boost داشت که بعضی از ابهامات و افسانه‌ها در مورد بازیابی اطلاعات مدرن را برطرف کرد و به جای آنها رویکردهایی را توضیح داد که الگوریتم گوگل واضح‌تر درک شود. موضوع سمینار JR Oakes سرگرمی با یادگیری ماشینی بود. چگونه یادگیری ماشینی، گوگل و تکنیک‌های سئو را شکل می‌دهد.
از تمرکز بر LSI و اسپم کلمات کلیدی دوری کنید
اگرچه موتورهای جستجوی معنایی همچنان چالش‌های زیادی برای درک محتوای وب‌سایت‌ها دارند، هرچه گوگل بیشتر پیشرفت میکند، بهینه‌سازی محتوا برای آن نیز پیشرفت خواهد کرد. پس بهتر است مطالب خود را برای جستجوگرها ننویسید و به‌جای آن مخاطبان خود را در الویت قرار دهید. استفاده از کلمات کلیدی و بهینه‌سازی سئو همچنان اهمیت بسیاری دارد. اما مهم‌تر از هرچیز نوشتن مطالب مفید برای کاربران است.
همچنین برای بهینه کردن سایت‌ها برای الگوریتمهای گوگل، راه‌های بهتری نسبت به استفاده تکراری از کلمات کلیدی LSI وجود دارد. به عنوان مثال، structured data (داده‌های ساختار یافته) به عنوان یک استراتژی مدرن در سئوی سایت‌ها کارایی بالایی دارد.
کاربران با استفاده از این روش، برای داده‌های خود برچسب‌هایی انتخاب می‌کنند که سرعت ایندکس شدن محتوا آنها توسط موتورهای جستجو را افزایش می دهد. این روش، محتوا را به صورت برجسته در صفحات نتایج مختلف، نشان می‌دهد. مفهوم همپوشانی (co-occurrence) نیز اهمیت بسیار زیادی در الگوریتم گوگل دارد، زیرا موتورهای جستجو به دنبال کلماتی هستند که با هم ارتباط معنایی داشته باشند.
- نکته‌ای که باید به آن توجه داشت این است که حتی اگر گوگل از کلمات کلیدی LSI استفاده نکند، بهره بردن از کلمات مترادف و دارای ارتباط معنایی به محتوا هیچ آسیبی نمی‌رساند. بنابراین باید از این کلمات استفاده کرد.
- نکته بسیار مهم دیگر این است که کاربران باید بدانند که، استفاده بیش از حد از کلمات کلیدی نه تنها باعث قوی‌تر شدن محتوای آنان نخواهد شد، بلکه این احتمال وجود دارد توسط موتورهای جستجوی گوگل به عنوان سایت اسپم شناخته شوند. تمام شواهد به این مطلب اشاره دارد که به جای استفاده جنون آمیز و اغراقی از کلمات کلیدی LSI، بهتر است که درک درستی از عملکرد واقعی semantic search پیدا کرد.