一位研究人員揭示了 Perplexity 的排名邏輯，包括實體重新排名、手動網域提升以及推動內容可見性的訊號。
想知道 Perplexity 如何對內容進行評分、排名，以及在某些情況下如何丟棄內容嗎？獨立研究員 Metehan Yesilyurt 分析了瀏覽器與 Perplexity 基礎架構的交互，以揭示 AI 問答引擎如何評估和排名內容。
我們為何關注。所有致力於推動SEO和/或GEO成功的人都希望了解如何在 AI 問答引擎中獲得曝光（引用和提及）。這項研究（儘管目前尚未得到證實）提供了一些關於 Perplexity 排名訊號、手動覆蓋和內容評估系統的線索，這些線索可以改進您針對 Perplexity（以及其他可能的問答引擎）的優化策略，從而獲得排名優勢。
實體搜尋重排序系統。 Perplexity發現的一個重要係統是一個三層（L3）機器學習重排序器。它用於實體搜尋（人物、公司、主題、概念）。其工作原理如下：
- 像傳統搜尋一樣，檢索並評分初步結果。
- 然後，L3 開始發揮作用，應用更嚴格的機器學習過濾器。
- 如果達到閾值的結果太少，則整個結果集將被廢棄。
Yesilyurt 認為，這意味著品質訊號和主題權威對 L3 來說非常重要 – 而關鍵字優化還不夠。
權威域名。 Yesilyurt也發現了一些權威網域的手動清單（例如 Amazon、GitHub、LinkedIn、Coursera）。 Yesilyurt 寫道：
- 這種人工策展意味著與這些網域名稱關聯或被其引用的內容將獲得固有的權威提升。其意義顯而易見：與這些平台建立關係或創建自然融入其數據的內容，將帶來演算法優勢。
YouTube 同步 = 排名提升。另一個有趣的發現是：與 Perplexity 熱門查詢完全匹配的 YouTube 標題在兩個平台上的曝光度都會提升。
- 這暗示著跨平台驗證的可行性。據 Yesilyurt 稱，Perplexity 可能會利用 YouTube 的行為來驗證熱門話題——獎勵那些對新興話題反應迅速的創作者。
核心排名因素。 Yesilyurt記錄了數十個影響內容可見度的、他稱為 Perplexity 的「核心排名因素」：
- 新貼文表現：早期的點擊量決定了長期的可見性。
- 主題分類：科技、人工智慧和科學受到推動；體育和娛樂受到抑制。
- 時間衰減：經常發布和更新內容，以避免知名度迅速下降。
- 語意相關性：內容必須豐富、全面－而不僅僅是關鍵字匹配。
- 使用者參與度：點擊次數和歷史參與度訊號為效能模型提供資訊。
- 記憶網路：相互連結的內容集群可以更好地排名。
- 資訊流分發：資訊流的可見性透過快取限制和新鮮度計時器受到嚴格控制。
- 負面訊號：使用者回饋和冗餘檢查可能會掩蓋表現不佳的內容。
下一步是什麼？ Yesilyurt 表示，Perplexity 的成功需要結合策略性的主題選擇、早期的用戶參與、互聯的價值、持續的優化，以及優先考慮品質而非遊戲性。
- 聽起來很熟悉？對我來說，這聽起來確實像是在做SEO基礎。