۰۲
چه اتفاقی افتاد و چرا گوگل وام روز حقوق را ساخت
بعضی حوزههای جستوجو، مثل وام روز حقوق یا قمار آنلاین، ارزش تجاری فوقالعاده بالایی برای هر کلیک دارند؛ همین موضوع باعث میشود این حوزهها تاریخاً هدف تهاجمیترین تکنیکهای اسپم باشند، چون حتی یک جهش کوچک در رتبه میتواند درآمد قابلتوجهی بسازد.
در ۱۱ ژوئن ۲۰۱۳ مت کاتس در توییتی نوشت: «همین امروز یک بروزرسانی تازهٔ رتبهبندی را برای برخی پرسشهای خیلی اسپمی شروع کردیم.» این اولین بار بود که گوگل مستقیم روی همین دسته از پرسشها، نه یک سیگنال عمومی، تمرکز میکرد.
طبق پوشش خبری آن دوران، چهار حوزهٔ مشخص در کانون این تغییر بودند: وام روز حقوق، پورن، قمار و تحکیم بدهی. برخی منابع ثانویه بعداً حوزههایی مثل داروخانه یا وام مسکن را هم اضافه کردند، اما این فهرست گستردهتر مستقیم از خودِ گوگل تأیید نشده؛ صادقانهترین برچسب همان چهار حوزهٔ اصلی مستند است.
طبق اعلام رسمی، نسخهٔ اول حدود ۰.۳٪ از پرسشهای آمریکایی را تحتتأثیر قرار داد، اما در پرسشهای ترکیزبان این رقم تا ۴٪ بالا رفت؛ کاتس این تفاوت را به سطح بالاتر وباسپم در آن منطقه نسبت داد، نمونهای از اینکه شدت این الگوریتم بسته به کشور و زبان میتواند خیلی متفاوت باشد.
نزدیک یک سال بعد، در تعطیلات آخر هفتهٔ ۱۷ و ۱۸ مه ۲۰۱۴، گوگل نسخهٔ ۲.۰ را عرضه کرد. بیانیهٔ رسمی گوگل اینطور توصیفش کرد: «طی آخر هفته یک بروزرسانی الگوریتمی تازه را شروع کردیم. این بروزرسانی نه پاندا بود نه پنگوئن؛ نسل بعدی همان الگوریتمی بود که تابستان قبل برای پرسشهای خیلی اسپمی عرضه شده بود.»
فقط یک ماه بعد، در رویداد SMX Advanced در ۱۱ ژوئن ۲۰۱۴، کاتس از عرضهٔ نسخهٔ ۳.۰ خبر داد که فردای همان روز اجرا شد. طبق گزارش زندهٔ بری شوارتز، کاتس گفت نسخهٔ ۲.۰ روی «سایتهای اسپمی» تمرکز داشت و ۳.۰ روی «پرسشهای اسپمی» با سیگنالهای متفاوت؛ اما خودِ شوارتز هم نوشت کاتس دقیقاً روشن نکرد این تفاوت فنی چیست. صادقانهترین برخورد با این ادعا، پذیرفتنش بهعنوان یک تمایز اعلامشده و نه کامل توضیحدادهشده است.
مت کاتس، ۱۱ ژوئن ۲۰۱۳: «همین امروز یک بروزرسانی تازهٔ رتبهبندی را برای برخی پرسشهای خیلی اسپمی شروع کردیم.»
۰۴
وام روز حقوق دقیقاً چه چیزی را میسنجد
۳ سیگنال✕الگوی تهاجمی لینکسازی مخصوص حوزههای پرارزشحوزههایی با ارزش تجاری بالا برای هر کلیک، تاریخاً بیشترین انگیزه و حجم لینکسازی مصنوعی را داشتهاند.
✕صفحات دروازهای (Doorway Pages) در حوزههای هدفصفحات کمارزش و انبوه که فقط برای گرفتن ترافیک یک پرسش خاص در همین حوزهها ساخته شدهاند.
✕محتوای وابسته (Affiliate) نازک و بدون ارزش افزودهصفحاتی که فقط لینکهای وابسته را در حوزههای هدف تکرار میکنند، بدون هیچ اطلاعات واقعی برای کاربر.
۰۵
تاریخچهٔ نسخههای وام روز حقوق
وام روز حقوق در کمتر از یک سال سه نسخه گرفت؛ سرعتی بیشتر از اکثر الگوریتمهای دیگر همین فهرست:
نسخهٔ ۱.۰۱۱ ژوئن ۲۰۱۳عرضهٔ اولیه؛ حدود ۰.۳٪ از پرسشهای آمریکایی و تا ۴٪ از پرسشهای ترکیزبان
نسخهٔ ۲.۰۱۷ تا ۱۸ مه ۲۰۱۴طبق اعلام رسمی، «نسل بعدی» همان الگوریتم؛ صریحاً نه پاندا بود نه پنگوئن
نسخهٔ ۳.۰۱۱ تا ۱۲ ژوئن ۲۰۱۴اعلامشده در SMX Advanced؛ طبق گفتهٔ کاتس روی «پرسشهای اسپمی» با سیگنالهای متفاوت از نسخهٔ ۲.۰ تمرکز کرد
۰۸
راهنمای گامبهگام رفع مشکل
۱اگر در یکی از این حوزهها فعالیت میکنید، از تاکتیکهای رایج اسپم همان حوزه فاصله بگیریدصفحات دروازهای، لینکسازی تهاجمی و محتوای وابستهٔ نازک، دقیقاً همان الگوهایی هستند که این الگوریتم دنبالشان میگردد.
۲روی سیگنالهای واقعی اعتماد سرمایهگذاری کنیدفعالیت مجاز در یک حوزهٔ حساس مثل وام یا قمار بهتنهایی جریمه نمیشود؛ نبود محتوای واقعی و شفافیت است که باعث آسیب میشود.
۳بهخاطر داشته باشید حساسیت الگوریتم میتواند بسته به کشور و زبان فرق کندطبق دادهٔ رسمی، شدت اثر در ترکیه بسیار بیشتر از آمریکا بود؛ یعنی سطح دقت لازم میتواند بسته به بازار هدف متفاوت باشد.
۰۹
اشتباهات رایج در برخورد با وام روز حقوق
✕فکر کردن که این الگوریتم فقط بهمعنای واقعی کلمه سایتهای وام روز حقوق را هدف میگیرداین یک دستهٔ گستردهتر از پرسشهای تاریخاً پراسپم است، هرچند فقط چهار حوزه (وام روز حقوق، پورن، قمار، تحکیم بدهی) رسماً تأیید شدهاند.
✕قاطیکردن این الگوریتم با پاندا یا پنگوئنگوگل صریحاً اعلام کرد این یک سیستم کاملاً جداگانه است، نه نسخهای از آن دو.
✕قطعیدانستن تفاوت دقیق فنی نسخهٔ ۲.۰ و ۳.۰حتی گزارشگران حاضر در اعلام مت کاتس هم نوشتند او این تفاوت را کامل توضیح نداد؛ بهتر است این جزئیات را با احتیاط بیان کرد.
۱۰
مطالعهٔ موردی: چرا اثر این الگوریتم در ترکیه ده برابر آمریکا بود
طبق اعلام رسمی گوگل، نسخهٔ اول این الگوریتم حدود ۰.۳٪ از پرسشهای آمریکایی را تحتتأثیر قرار داد، اما در پرسشهای ترکیزبان این رقم به ۴٪ رسید، یعنی بیش از ده برابر. مت کاتس این تفاوت چشمگیر را به سطح بالاتر وباسپم در آن بازار خاص نسبت داد. این آمار نشان میدهد یک الگوریتم واحد میتواند بسته به میزان اسپم واقعی هر بازار، شدت کاملاً متفاوتی داشته باشد؛ نکتهای که هنگام مقایسهٔ تجربهٔ سایتهای کشورهای مختلف با همین الگوریتم باید در نظر گرفت.