Spamdetectie bij Google
Transcript of Spamdetectie bij Google
Google spamdetectiePeter van der Graaf
Booming
Peter van der Graaf• 18 jaar SEO expert• Opvolgend actief in branches waar SEO nog
het verschil kon maken• Platforminrichting en Linkbuilding
• Bureau Booming
Zoekmachines vs Spammers• Altavista, Lycos, Hotbot en Yahoo
streden intensief tegen SEO spam:Hoog scoren werd voornamelijk een kwestie van het inzetten van steeds weer nieuwe trucs
• Google pakte dergelijke trucage het beste aan en won daarmee het marktleiderschap
• Spammers worden steeds vernuftiger en een statisch algoritme kan dit niet bijbenen
• Machine learning was nodig om onnatuurlijkheid het hoofd te bieden
Google richtlijnen• Het beste antwoord voor de zoeker zou het
beste moeten scoren
• Manipulatie moet bestraft worden en in ieder geval niet beloond– Panda: Content moet toegevoegde waarde
hebben en uniek geschreven zijn– Penguin: Links moeten als stem van vertrouwen
verdiend zijn
Niet zo flexibel!De uitdaging van Google
Hoe werkt Google?1. Verzamelen van alle eigenschappen2. Continu updaten externe eigenschappen3. Versimpelen tot diverse eindcijfers4. Verder versimpelen tot gecodeerde ranking factoren5. Op volgorde zetten voor zoekopdracht (cache)
6. Filteren en herschikken op eigenschappen individu7. Tonen resultaten
• Verversen kost rekenkracht• Factoren toevoegen/vervangen erg moeilijk• Waardering van factoren aanpassen is wel flexibel
Systeemaanpassingen?• Hoe flexibel is Google?• Ingewikkelde balans tussen– Responstijden– Accuraatheid– Spambestrijding– Benodigde rekenkracht• Capaciteit index groei
– Flexibiliteit voor algoritmewijzigingen• Machine learning algoritmen?
Gebruikerservaring
Machine learning bij Google• Welk patroon legt manipulatie bloot?
• Naar welke factoren mag het systeem kijken?
• Welk controlemiddel scheidt goed van slecht?
PandaCommunicatie vanuit Google (2011):
“De Panda-update heeft als doel het belonen van kwaliteitscontent en het devalueren van sites met geringe meerwaarde voor bezoekers.”
Officiële eigenschappen:Geen spamdetectie, maar herevalutatiekwaliteitsindicatoren.
Vernoemd naar Google (distributed tree learning)engineer Biswanath Panda
Panda Machine Learning
Panda: Patronen• Classificatie en regressie
over grote datasets– Systeem bepaalt classificatie
op basis van overeenkomstige attributen
– Blijft opsplitsen tot te grote diversiteit optreedt
– Uitgangspunt: Voorspelbaarheid nieuwe datasets door controleren van slechts enkele variabelen
Initieel geen live algoritme• Op de achtergrond in statische dataset patronen
ontdekken• Mensen bepalen eerste controlemiddelen
(meestal tekenen van goede of slechte gebruikerservaring)
• Mensen controleren voor false positives en negatives voor het resultaat (reeksen controlepunten) live gezet wordt
• Met elke iteratie wordt het resultaat stabieler• Zo stabiel dat Panda een Live algoritme kon worden• Zogenaamde Panda Updates alleen nog nodig als het
learning systeem zelf aangepast wordt
Heeft het effect?Wat doen Panda en Penguin