學習是讓計算機在不被明確程式設計的情況下採取行動的科學。它是計算機科學的一個子領域，是從人工智慧模式識別和計算學習理論研究演變而來的。正如這個詞可以推斷的那樣，我們談論的是機器學會在沒有人工干預的情況下完成任務
誰比谷歌更感興趣的是利用這種技術的潛力？《華爾街日報》最近的兩篇文章顯示， 谷歌專注於機器學習 的重要性，以及谷歌對未來 使用機器學習和 人工智慧的設想。谷歌已經在自動翻譯、語音搜索、自動駕駛汽車和Nest連接恆溫器中使用機器學習。 拉裡·佩奇先生 希望將這項技術提供給所有人，而不是只為世界上的高輥製造的東西。
如果你真的考慮一下，這是谷歌讓機器學習技術提供給「每個人」的最簡單方法？當然不是自動駕駛汽車！最好的方法是谷歌將機器學習技術應用到其搜尋引擎演算法中。
具有諷刺意味的是，機器學習已經被用來反向工程谷歌排名演算法。無論有沒有機器學習，完全解碼演算法幾乎是不可能的，最明顯的原因就是它不斷變化。然而，它的某些部分，攜帶最大的重量或已經在演算法很長一段時間可以，並且 已經確定。在他的 信息圖中， 尼爾·斯賓塞解釋了機器學習是如何用來解碼谷歌排名演算法的，並清楚地強調了它的一些弱點。
目前，谷歌總部構建和更改演算法變數的大腦這樣做的唯一目的是使演算法在提供最佳搜尋結果方面更加有效。但試想一下，如果演算法正在學習如何提高自身提供最佳搜尋結果的效率。這對演算法的複雜性意味著什麼？對於搜索引擎優化專業人員？對於網站擁有者和整個SEO行業？蘭德菲什金已經採取了 谷歌演算法和機器學習 及其對SEO的影響在他的每周博客 白板週五。
隨著谷歌今天可用的大量數據，自學演算法可以開始識別模式，優化搜尋結果的有效性，而現在負責人甚至從未想到！你能想像一個具有無限計算能力的演算法，它會有難以想像的變數與最奇怪的模式和參數連接？僅僅因為演算法識別了人類心靈看不到的模式。
另一方面，人們是相當不可預知的，他們是影響許多輸入，演算法現在考慮到，並可能繼續考慮，當它成為自我學習。這意味著該演算法將在一定概率範圍內工作，計算哪個搜尋結果更有可能滿足使用者的需求。該演算法已經在不斷演變，有報導稱，谷歌的開發者每天要改變兩次，此時演算法是否會以秒兩次甚至更快的速度更改？如果真的發生了，那麼最終的結果是，沒有人能夠破譯什麼是排名因素，什麼不是。 SEO專家只能對演算法進行快照，這在下一刻是不正確的，甚至可能由於演算法的複雜性而無法破譯。
對於最終用戶來說，這可能是他們從搜尋引擎中獲得的最佳服務。他們獲得他們想要的搜尋結果的機會再好不過了，谷歌演算法將實現它的目的，並繼續在每一個新的搜索查詢做得更好。
對於想要吸引有機流量的網站擁有者，以及整個 SEO 行業，焦點將發生重大變化。我們認為本應已經發生了一些變化，但如果引入這種改變，或者更確切地說，如果引入這種改變，對SEO重要性的冷漠很快就會減少。
整個 SEO 行業基於識別 Google 演算法考慮的關鍵因素，並試圖操縱這些因素，以使網站排名更好。很多 SEO 專業人士都說，偉大的內容是成功的關鍵，這在一定程度上是正確的。需要注意的是，如果不查看網站上的鏈接、 頁面載入速度、 反彈速度、關鍵字密度、網址、網站圖、 移動優化 等，您就不能僅僅依靠出色的內容。被認為影響谷歌排名的因素層出不窮。然而，專業人士投入時間研究這些因素，並相應地調整網站，因為偉大的內容本身並不能帶來結果，或者至少它不能像商業領袖要求的那樣迅速帶來結果。
如果 Google 演算法變得如此複雜，以至於人們無法識別排名因素，那麼他們需要將注意力集中在方程的另一邊，即用戶體驗。焦點最終將放在網站應該做什麼來取悅訪問者，併為他們提供最好的體驗，以便谷歌演算法，然後可以瞭解哪些網站是最有價值的，應該表現更好（排名更高）的搜尋結果。
SEO 行業需要再次變革，更加註重客戶滿意度，而不是網站優化。
自搜尋引擎誕生以來，SEO 專業人員一直在嘗試發現和利用搜索演算法規則中的漏洞或機會，以使其網站排名更高。關鍵字密度導致關鍵字垃圾郵件，鏈接構建導致連結農場和負SEO。谷歌現在首先統治，並始終反擊，以克服這些"黑帽子"SEO技術，並發展其演算法。無論是熊貓，企鵝，鴿子，蜂鳥或任何其他動物 - 這些更新旨在打擊黑帽子SEO的嘗試，以提高網站的排名與非正統的方法。然而，這些黑帽子技術的後果是，他們使所有網站擁有者的生活困難，因為我們必須不斷演變，以繼續排名谷歌。
看來，在谷歌排名演算法中使用機器學習可能意味著所有黑帽技術的結束，以及互聯網將成為一個有價值的資訊和偉大的用戶體驗的世界的時代的開始。
來源： 谷歌機器學習