谷歌搜索建议网页图表信息使用图片少用HTML

近日,谷歌搜索负责人在线下站长交流群中跟站长分享搜索优化方向,建议网站图表信息多使用图片显示,尽量少用HTML5显示,方便谷歌搜索引擎抓取图表相关信息。
在这里插入图片描述

了解到,在这次群聊解答中,一个站长问谷歌搜索负责人约翰·穆勒,在网页上显示带有数据的图表的最佳优化方法是什么,在Google搜索看来,用图表形式发布图表还是用HTML5重新创建图表对网页排名好一点。

对此谷歌搜索负责人约翰·穆勒回应:用图片还是HTML来显示网页表格内容,这取决于网站要通过图表展现的内容,我认为将图表变成HTML并将数字和标签放入文本不会从中获得很多价值,建议使用图片而不是HTML来显示网页的表格信息。

目前对于网站图表信息发布在谷歌搜索结果中可以获得排名最佳处理方式是:

1,使用图像而不是使用HTML代码创建图表。如果图中有任何关键信息需要传递,站长可以添加图片相关alt属性描述,确保翻译不会丢失。这样当Google蜘蛛爬行和理解页面时,蜘蛛可以提取图像为文本,以便看不见图像的人也可以获取该信息。

2,在图像周围添加足够的文本内容,以进一步说明图表的含义,跟上面一样,方便蜘蛛爬取图像提取为文本,获取图片信息。

另外谷歌搜索负责人约翰·穆勒还提示,在使用图片传达图表信息时,要注意图像大小,避免图像过大影响网站加载速度,而且尽量能不用图表显示展示就不用,因为图表在Google图片搜索排名中的表现不是特别好,一般很少有用户使用Google Images查找特定的图表,所以站长尽量少用图表来进行图片优化排名!

不过也有国内站长发布不同意见表示|:,别听他的,用HTML5显示图表没有任何问题,用图片还存在盗用问题,另外图表要动咋办?放视频?那要交互咋办?

来源:卢松松博客 欢迎分享,微信/QQ13340454

来源链接:https://lusongsong.com/blog/post/13470.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值