Wissen
Methoden der Suchmaschinen-Optimierung
Methoden der Suchmaschinen-Optimierung (Search Engine Optimization, SEO) sollen Seiten einer Website in den Trefferlisten weiter vorn erscheinen lassen, wenn Nutzer nach Begriffen suchen, zu denen die Seite relevante Inhalte bietet. SEO bezeichnet auch die Arbeit von Agenturen und Beratern, die Seiten technisch und inhaltlich vorbereiten und für sinnvolle Verlinkung im Web sorgen. Oberbegriffe sind Internet-Marketing, Online-Marketing und Webpromotion.
Suchmaschinen-Optimierung berücksichtigt, wie Crawler Seiten finden, lesen und bewerten – und nach welchen Kriterien Ergebnisse sortiert werden (Ranking). Die Sortieralgorithmen bleiben Betriebsgeheimnis und ändern sich häufig, um Missbrauch zu erschweren und relevante Treffer zu liefern. Auf sie lässt sich nur über die Analyse der Ergebnisse schließen. Das Crawlen und Einlesen folgt dagegen bekannten Webstandards. Deren Einhaltung ist der erste, wesentliche Schritt jeder Optimierung.
Methoden, die nicht relevante Seiten künstlich nach vorn schieben, gelten als Suchmaschinen-Spamming. Sie verstoßen gegen die Regeln der Suchdienste. Seriöse Optimierung vermeidet solche Tricks.
Klassische und redaktionelle SEO
Bei der klassischen Suchmaschinen-Optimierung wird üblicherweise eine Seite auf ein oder zwei Suchbegriffe ausgerichtet. Manchmal wird eine umfangreiche Seite in mehrere Einzelseiten geteilt, damit jede einen klaren Fokus erhält. Die Suchworte werden mit passenden Inhalten verbunden.
Bei der redaktionellen Suchmaschinen-Optimierung (Editorial Search Engine Optimization) steht nicht eine einzelne URL im Mittelpunkt, sondern ein ganzheitliches Konzept zum Suchbegriff: umfangreiche Inhalte, deren Verbreitung über Internet-PR und die Optimierung von Mitteilungen, die Reichweite und Anfragen erhöhen.
Setzte die klassische SEO vor allem auf Maßnahmen auf der eigenen Seite (On-Page), greift moderne Optimierung zusätzlich Off-Page-Faktoren auf. Dazu zählen vor allem Links, die von außen auf die Zielseite zeigen.
PageRank einfach erklärt
Lawrence Page und Sergey Brin formulierten den ursprünglichen PageRank-Algorithmus so:
PR(A) = (1-d) + d (PR(T1)/C(T1) + … + PR(Tn)/C(Tn))
Dabei gilt:
- PR(A) steht für den PageRank einer Seite A
- PR(Ti) für den PageRank der Seiten Ti, die auf A verlinken
- C(Ti) für die Anzahl der ausgehenden Links auf Seite Ti
- d ist ein Dämpfungsfaktor mit 0 ≤ d ≤ 1
Websites werden dabei nicht pauschal als Ganzes bewertet, sondern über ihre Beziehungen. Der PageRank der verlinkenden Seiten Ti beeinflusst den Wert von A. Die Weitergabe hängt von der Linkanzahl C(T) ab: Je weniger ausgehende Links eine Seite T hat, desto mehr gibt sie von ihrem PageRank an A weiter. Jeder zusätzliche eingehende Link erhöht den PageRank von A. Die Multiplikation mit d dämpft, wie stark der Wert von einer Seite zur nächsten fließt.
Das Random-Surfer-Modell
Page und Brin beschreiben PageRank als Modell des Nutzerverhaltens: Ein User-X folgt beliebigen Links, ohne auf Inhalte zu achten. Der PageRank entspricht der Wahrscheinlichkeit, diesen Nutzer auf einer Seite anzutreffen. Die Zahl der ausgehenden Links bestimmt, wie wahrscheinlich ein einzelner Klick ist. Deshalb fließt der PageRank einer verlinkenden Seite gewichtet in die Berechnung ein.
Der Faktor d dämpft diese Wahrscheinlichkeit: User-X folgt nicht unendlich vielen Links, sondern ruft irgendwann eine beliebige Adresse auf. Je höher die Chance, dass er Links weiterfolgt, desto größer d. Die Wahrscheinlichkeit eines Neustarts geht als Konstante (1−d) in jede Seite ein.
Zweite Formulierung
In einer weiteren Variante gilt:
PR(A) = (1-d) / N + d (PR(T1)/C(T1) + … + PR(Tn)/C(Tn))
N steht für die Zahl aller Seiten im Web. Diese Variante beschreibt die Wahrscheinlichkeitsverteilung über alle Seiten; die Summe aller PageRank-Werte ist dann 1. In der ersten Variante ist PageRank der Erwartungswert für Besuche, wenn so oft gesurft wird, wie es Seiten gibt. Besteht das Web aus 1000 Seiten und hat Seite XYZ den Wert 3, würde User-X sie bei 1000 Streifzügen im Mittel dreimal sehen. Multipliziert man die zweite Variante mit N, ergibt sich die erste.
In der bekannten Veröffentlichung „The Anatomy of a Large-Scale Hypertextual Web Search Engine“ wurde die erste Version fälschlich als Verteilung mit Summe 1 bezeichnet. Das folgende Beispiel nutzt die erste Version – die tatsächliche Seitenzahl spielt dann keine Rolle.
Ein kleines Netz
Angenommen, die Seiten A, B und C bilden ein Mini-Web: A verlinkt auf B und C, B nur auf C, C auf A. Page und Brin setzen d oft auf 0,85. Zur Vereinfachung gilt hier d = 0,5 – der Wert ändert die Zahlen, nicht das Prinzip.
PR(A) = 0.5 + 0.5 PR(C) PR(B) = 0.5 + 0.5 (PR(A) / 2) PR(C) = 0.5 + 0.5 (PR(A) / 2 + PR(B))
Die Lösung:
PR(A) = 14/13 = 1.07692308 PR(B) = 10/13 = 0.76923077 PR(C) = 15/13 = 1.15384615
Die Summe ist 3 – gleich der Seitenzahl. Das ist kein Zufall: In der ersten Formulierung ist PageRank ein Erwartungswert über ebenso viele Anläufe wie Seiten. Für drei Seiten ist das Gleichungssystem noch handlich. Das Web umfasst Milliarden URLs; eine direkte Lösung scheidet aus.
Iterative Berechnung
Google nähert PageRank schrittweise an. Jede Seite erhält zuerst einen Startwert, danach folgen Iterationen. Die Näherung liegt oft schon nach wenigen Durchläufen nah am exakten Wert. Page und Brin veranschlagten rund 100 Iterationen für das gesamte Web. Die Summe der Werte konvergiert gegen die Seitenzahl, der Durchschnitt gegen 1. Jede Seite hat mindestens (1−d). Der theoretische Höchstwert dN+(1−d) entstünde, wenn alle Seiten nur auf eine einzige zeigten und diese auf sich selbst.