Ponencia César Aparicio co-fundador de Safecont en SEOPLUS2017

DEL LINK BUILDING A LA ARQUITECTURA INTERNA
César Aparicio
Francesco Vullo

Básicamente internet es así:

Internet se representa como un grafo de
nodos y aristas:
Donde:
• Nodos = URLs
• Aristas = hiperenlaces
NODOS: PUNTOS DONDE SE ENCUENTRA LA INFORMACIÓN
ARISTAS: “CAMINOS” QUE PERMITEN LLEGAR A LA INFORMACIÓN

¡Vamos a darle alegría!
Preguntas:
- ¿Se puede…?
- ¿Son los enlaces un factor
de posicionamiento…?

PR(A) = (1-d) + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn))
Siendo:
• PR (A): PageRank de la página A
• d: Dumping factor (0,85)
• T1: sitios que apuntan a A (citaciones)
• PR(T1): Pagerank de la página que cita a A
• C(T1): Número de enlaces salientes
http://ilpubs.stanford.edu:8090/422/1/1999-66.pdf

Distribución de probabilidad: de una variable aleatoria es una
función que asigna a cada suceso definido sobre la variable
aleatoria la probabilidad de que dicho suceso ocurra.
La suma de todos los Pageranks, por tanto, es uno:
• Tanto si es de todo internet
• Como si es de un conjunto de nodos; un sitio web

El PageRank se calcula de todo internet en su conjunto

Crawleo e indexación
• Crawleo web.
Análisis de páginas crawleadas.
Extracción de links.
Renderización de contenido.
Anotaciones semánticas.
…

Crawleo e indexación
Construcción del índice: Se
organiza todo como el índice de un
libro (citaciones).

PageRank
• El PageRank de un nodo/URL depende
exclusivamente de los PageRanks de los
nodos/URLs que le enlacen. Tanto nodos/URLs
internos como externos.
• El Pagerank se calcula de todos los
nodos/URLs (visibles) de internet.

Por tanto…
URLs inútiles, duplicadas o con thin content
lastran el posicionamiento de otras URLs y el
general del sitio

Aproximación al Pagerank con Cadenas
de Markov
• Es un proceso estocástico (variables aleatorias de
evolucionan en función de otra variable) discreto
(divisibles un número finito de veces) en el que la
probabilidad de un evento depende del evento
inmediatamente anterior.
• La cadenas de Markov sirven para calcular la
probabilidad de situarnos en un nodo/URL al azar si
tener en cuenta sucesos pasados.
• En función de los enlaces y la relevancia de enlaces que
recibe un sitio, este tiene mas probabilidades de ser
visitado por un usuario al azar.

de Markov
Probabilidad de que un
usuario llegue a una
página al azar
Mayor probabilidad = mayor PR

de Markov
• Columnas igual a 1
• Entradas mayores o iguales a 0
• Existe un eigenvalue igual a 1 y un eigenvector
con eigenvalue 1
http://blog.kleinproject.org/?p=280

π 𝑡
=0.3333, 0.3333, 0.1667, 0.0556, 0.1111
https://www.mathworks.com/content/dam/mathworks/mathworks-dot-com/moler/exm/chapters/pagerank.pdf

PageRank sculping -Noindex-
https://www.stonetemple.com/seo-tags-virtual-keynote-with-gary-illyes-and-eric-enge/

URL de Schrödinger – Dumping factor
• El gato de Schrödinger y el dumping factor:
una web tiene y no tiene pagerank 0,15 lo
tiene porque la fórmula del PR se lo otorga
pero no lo tiene porque no se sabe si ésa
página existe o no, porque no se conoce.
PR(A) = (1-d) + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn))

http://ilpubs.stanford.edu:8090/422/1/1999-66.pdf
URL de de Schrödinger – Dumping
factor

Busca a tu complementario,
que marcha siempre contigo,
y suele ser tu contrario.

𝑴 = 𝟏 − 𝝆 ∙ 𝑨 + 𝝆 ∙ 𝑩
𝒅𝒐𝒏𝒅𝒆 𝑩 =
𝟏
𝒏
𝟏 ⋯ 𝟏
⋮ ⋱ ⋮
𝟏 ⋯ 𝟏
siendo 𝝆 = 𝟎. 𝟏𝟓

𝟏
𝟖
𝟏 ⋯ 𝟏
⋮ ⋱ ⋮
𝟏 ⋯ 𝟏
+ 0,15*M= (1-015) *
𝑴 = 𝟏 − 𝝆 ∙ 𝑨 + 𝝆 ∙ 𝑩
𝒅𝒐𝒏𝒅𝒆 𝑩 =
𝟏
𝒏
𝟏 ⋯ 𝟏
⋮ ⋱ ⋮
𝟏 ⋯ 𝟏
siendo 𝝆 = 𝟎. 𝟏𝟓

Iteramos
Aplicamos dumping factor

Eric Bénier-Bürckel
¡Gracias!

Ponencia César Aparicio co-fundador de Safecont en SEOPLUS2017

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Ponencia César Aparicio co-fundador de Safecont en SEOPLUS2017

Similaire à Ponencia César Aparicio co-fundador de Safecont en SEOPLUS2017 (6)

Ponencia César Aparicio co-fundador de Safecont en SEOPLUS2017