Марк Уильямс-Кук утверждает, что ценность микроразметки теряется...

Марк Уильямс-Кук утверждает, что ценность микроразметки теряется при обучении ядра LLM из-за токенизации.

Этот процесс разбивает структурированные данные, такие как {"@type": "Organization"}, на отдельные токены ("type", "Organization"), которые становятся неотличимыми от обычного текста, тем самым нейтрализуя явную, машиночитаемую структуру schema.

WebLinkr развивает эту мысль, ставя под сомнение ценность распространенных типов микроразметки, таких как Article, которые часто содержат избыточную информацию.

Он оспаривает ощутимую пользу определенных с помощью schema связей между сущностями для поисковых систем или LLM, ссылаясь на опыт своей команды, которая ранжировалась в AiO/SGE без ее использования.

Он также отмечает, что хотя Google и накладывает санкции за некорректную микроразметку, это не означает, что за правильную реализацию дается буст в ранжировании.

Мнения сеошников

— Для разрешения спора предлагается эксперимент: векторизовать несколько схем микроразметки и абзац с той же информацией, чтобы измерить их близость в векторном пространстве.

— Хотя микроразметка может и не иметь особого веса для LLM, модели все же могут обрабатывать ее последовательно как текст, сохраняя порядок и понимая информацию так же, как и любой другой текст на странице.

— Один пользователь поделился кейсом из практики, утверждая, что некорректная реализация микроразметки вызвала падение позиций на 40%, в то время как ее исправление привело к росту на 20% выше первоначального уровня.

— Проводится ключевое различие между этапом *обучения* (training) LLM и этапом *извлечения* (retrieval).

Хотя ценность микроразметки, вероятно, теряется во время обучения, она все еще может быть влиятельной на этапе извлечения.

— Слой извлечения для систем, таких как SGE, Perplexity или ChatGPT, скорее всего, заимствует традиционные поисковые сигналы для категоризации, фильтрации и устранения неоднозначности контента *до того*, как он будет передан LLM для синтеза.

— Практическая ценность микроразметки в контексте GEO может заключаться не в прямом влиянии на генеративный вывод LLM, а в улучшении структурирования контента для систем извлечения, что приводит к более чистым сниппетам и более высокой вероятности использования в ответе ИИ.

@MikeBlazerX

Источник новости https://t.me/mikeblazerx/5650...