Google, Yahoo, Microsofts bỏ qua Boilerplate

Máy tìm kiếm Google thế hệ mới ?

Theo dự đoán thì Google thế hệ tiếp theo sẽ được “lai tạp” giữa tìm kiếm Internet và tìm kiếm trong máy tính các nhân cũng như tìm kiếm trong mạng nội bộ Intranet với nhiều tính năng mới. Theo các đăng ký bằng sáng chế gần đây thì hiện đã có trên dưới 50 ứng dụng mà tương lai có thể được tích hợp trong chức năng tìm kiếm thế hệ tiếp theo.

Google và các mẫu trích

Trong số 50 ứng dụng kể trên có một vài ứng dụng khá mới vừa được giới thiệu, nó cho phép bỏ qua mẫu văn bản lặp này :

Systems and methods for analyzing boilerplate
Invented by Stephen R. Lawrence
US Patent Application 20080040316
Published February 14, 2008
Filed March 31, 2004

Hệ thống và phương pháp phân tích boilerplate cho phép phát hiện các yếu tố trong nhiều các bài viết liên quan. Sau đó, hệ thống đánh chỉ số sẽ xem các yếu tố chung này như là một mẫu văn bản chung. Ví dụ, hệ thống đánh chỉ số sẽ xác định qui định về bản quyền tác giải xuất hiện trong các bài viết. Và phần qui định bản quyền sẽ bị qui vào mẫu văn bản chung.

Các máy tìm kiếm lại xử lý các boilerplate này một cách khác nhau. Ví dụ chúng có thể coi tất cả các ký tự nằm sau chữ “Bản quyền” chẳng hạn sẽ bị coi là mẫu văn bản trích dẫn nếu chúng lại xuất hiện trên nhiều trang khác nhau.

Các văn bản trên thanh trượt, tiêu đề, khẩu hiệu trang Web, địa chỉ cuối trang cũng có thể bị qui vào mẫu văn bản trích dẫn chung.

Tìm kiếm nội dung và mẫu trích

Có hai cách thức khác nhau mà các máy tìm kiếm (search engine) sẽ sử dụng để xác định ra các mẫu văn bản trích dẫn chung này :

Truy vấn ẩn

Hệ thống đánh chỉ số sẽ tìm kiếm và xác định các phần văn bản trích dẫn chung so với phần văn bản chính. Sau đó chúng sẽ tạo ra các truy vấn tìm kiếm ẩn chứa các từ khóa tìm kiếm từ phần nội dung chính.

Truy vấn hiện

Hệ thống truy vấn sẽ tách bỏ hoặc coi nhẹ phần văn bản trích dẫn chung khi người dùng tìm kiếm.

Trong cả hai trường hợp truy vấn ẩn hay hiện thì trọng số của phần văn bản trích dẫn chung luôn sẽ bị coi nhẹ hơn là phần văn bản chính của trang. Và vì thế một bài viết sẽ không cần phải được đánh chỉ số lại sau khi phần văn bản trích dẫn chung bị thay đổi hay xóa khỏi trang liên quan. Điều đó có nghĩa là chỉ có văn bản chính của trang mới ảnh hưởng tới các truy vấn tìm kiếm.

Định dạng chung của mẫu trích

Boilerplate : Các văn bản của mẫu trích thường nằm tại phần tiêu đề, cuối trang hay các thanh duyệt và chúng xuất hiện trên nhiều trang. Mẫu trích của thể được xác định khi phân tích một số các chủ đề liên đới ví dụ tập hợp nhiều trang trong một trang. Cũng có thể xác định chúng trong một trang đơn.

Xác định mẫu trích : Trình chỉ số hóa có thể xác định mẫu trích theo vài cách khác nhau : Có thẻ phân tích tần xuất của các từ hay câu trong một số chủ đề liên quan để xác dịnh ra các thành phần chung của các trang này. Trình chỉ số hóa sau đó xếp hạng các thành phần chung này như là mẫu trích. Ví dụ, một câu như “Copyright 2008″ xuất hiện trong một số các bài viết chung có thể coi là mẫu trích.

Vị trí vệ tinh cả từ và câu : Một số từ hay câu xuất hiện tại một số vị trí nhất định trên một trang có thể sẽ bị qui vào mẫu trích. Ví dụ các phần văn bản chung luôn xuất hiện cuối trang sẽ bị coi là mẫu trích. Ví dụ các lưu ý về bản quyền hay địa chỉ liên lạc cuối trang sẽ bị coi là mẫu trích.

Thành phần duyệt, di chuyển : Các thành phần chung của mã nguồn HTML trong trang cũng có thể bị coi là mẫu trích. Ví dụ, một đoạn mã JavaScript cho phép thay đổi cách thức hiển thị đường dẫn URL khi người dùng di chuột qua đường dẫn đó cũng có thể bị coi là mẫu trích.

Câu, ngữ định trước : Mẫu trích cũng của thể được xác định thông qua một danh sách các từ ngữ, câu được liệt kê trước. Ví dụ các thành phần chung của thanh trượt, hoặc các phần liên quan bản quyền, trợ giúp như “Trang chủ”, “Trợ giúp”, “Dịch vụ” hay “Bản quyền”.

Tần suất : Từ xuất hiện thường xuyên trong các bài viết có nhiều khả năng bị xếp vào mẫu trích hơn là các từ ngữ xuất hiện thi thoảng. Ví dụ các từ như “Trang chủ”, “Liên lạc”.

Các từ ngữ hay câu chung đôi khi không bị coi là mẫu trích : Dù xuất hiện trên nhiều trang liên đói, nhưng tần suất sử dụng không phải là chỉ số để xác định mẫu trích. Lấy ví dụ một trang chuyên về SEO thì sẽ có rất nhiều lần sử dụng thuật ngữ “quảng bá Web” trên các trang khác nhau. Thế nhưng từ này sẽ không bị coi là mẫu trích vì nó liên quan tới nội dung của trang hiển thị.

Kết luận về mẫu trích

Bạn nên nhớ rằng các công cụ tìm kiếm có thể bỏ qua mẫu trích trên các trang đối với các truy vấn của người dùng.

Nếu bạn muốn máy tìm kiếm để ý đến nội dung văn bản của trang thì hãy để ý đến vị trí các văn bản này trên trang cũng như là tần suất sử dụng chúng trên nhiều trang khác nhau.

Các đường dẫn của thanh trượt và các liên kết các thành phần quan trọng khác nhau của trang Web có thể bị coi là mẫu trích nhưng phần văn bản neo (anchor text) vấn được máy tìm kiếm xem trong để đánh giá nội dung của trang mà nó trỏ tới.

Google có thể có hoặc chưa coi trọng những yếu tố trên. Trong trường hợp chưa thì chắc chắn nó sẽ được sớm tích hợp trong thuật toán của Google.