Les Petites Histoires Du SEO

Qu’est-ce qui distingue un bon consultant SEO d’un consultant lambda ? Qu’est-ce qui fait qu’un expert en référencement naturel va réussir à se démarquer, devenir une référence dans son métier et attirer de nombreux clients grâce à sa réputation ?

Voici les 6 qualités indispensables que doit rassembler à mon sens un consultant SEO pour sortir du lot.

En réalité, il n’existe pas de consensus réel sur la définition d’entité nommée, puisqu’elle est souvent dépendante de son champ d’application, qui peut être multiple et varié. Toutefois, lorsqu’il s’agit de traitement automatique du langage naturel et de recherche du sens d’un texte ou d’une requête (puisque c’est bien de ça dont nous souhaitons parler dans cet épisode), on peut définir une entité nommée comme un objet textuel (c’est à dire un mot ou un groupe de mots) catégorisable dans des classes qui peuvent être par exemple des lieux, des personnes ou des organisations, auxquelles nous pouvons rattacher des caractéristiques ou attributs.

Le concept de reconnaissance et d’exploitation des entités nommées au sein d’un document textuel est apparu dans le milieu des années 90. Il est aujourd’hui un élément incontournable dans le traitement automatique du langage naturel.

Selon une étude menée par Microsoft en 2010, entre 20 et 30% des requêtes soumises dans Bing, son moteur de recherche, étaient des entités nommées à parts entières, et 71% d’entre elles contenaient au moins une entité nommée dans la question posée. On comprend alors tout l’intérêt pour un moteur de recherche de constituer une gigantesque base de données d’entités nommées permettant de catégoriser des requêtes et des pages web afin de simplifier l’extraction de la bonne information et d’améliorer la pertinence des résultats.

2010, c’est également l’année où Google rachète Metaweb, une société connue pour avoir développé Freebase, une base de données de plusieurs millions d’entités nommées.

C’est avec cette base de données, qui rassemble aujourd’hui 500 milliards de faits au sujet de 5 milliards d’entités selon les dernières informations données par Google en 2020, que le moteur de recherche a déployé son knowledge graph, ou arbre de connaissances, à partir de 2012.

Il faut cependant savoir que la reconnaissance des entités nommées se heurte à plusieurs défis de taille, parmi lesquels nous pouvons en citer 2.

Le premier défi est celui de la désambiguïsation sémantique lexicale. Un même terme peut en effet avoir plusieurs sens différents. On dit alors qu’il est polysémique. L’exemple classique qu’on donne en SEO est le terme jaguar, qui peut à la fois désigner l’animal sauvage mais également la marque de voiture de luxe. Dans le cadre d’une recherche d’information sur un moteur de recherche, lorsque l’utilisateur utilise le terme jaguar (qui est donc une entité qui peut soit avoir pour type “le nom d’une organisation”, soit avoir pour type “le nom d’un animal”) dans sa requête, le moteur de recherche va devoir analyser le contexte dans lequel se trouve le terme (qui peut être les mots entourant jaguar, mais également l’historique des recherches de l’utilisateur ou encore sa position géographique au moment où il effectue sa recherche) pour comprendre le véritable besoin de l’internaute et lui renvoyer les résultats les plus pertinents. Un scoring sera par ailleurs mis en place afin de déterminer la probabilité qu’un utilisateur recherche plutôt telle ou telle information lorsqu’il tape une requête de type “jaguar” dans le moteur de recherche.

Etc.

Comme nous l’avons vu dans un précédent épisode, le PageRank est l’algorithme fondateur de Google, qui fut à l’origine de son succès. Créé par Larry page, un des cofondateurs du moteur de recherche, il est expliqué en détail dans un article en date du 29 janvier 1998, que l’on peut facilement consulter sur le web. Mais comment expliquer le PageRank en quelques mots ?

Pour cela, il faut déjà comprendre la problématique qui se pose à tout moteur de recherche. Comment trouver un modèle qui puisse automatiquement et rapidement fournir les résultats les plus pertinents à l’utilisateur en recherche d’information ?

C’est la base !

Un utilisateur qui juge les résultats qu’on lui renvoie peu pertinents par rapport à sa recherche passera chez la concurrence et ne reviendra pas de sitôt. La qualité des résultats fournis est donc cruciale pour un moteur de recherche.

C’est donc à cet épineux problème que c’est attaqué Larry Page en créant le PageRank.

Son postulat de départ consiste à dire que les pages les plus populaires doivent être les mieux classées dans un moteur de recherche.

Pourquoi ? Parce que si une page est souvent visitée par un grand nombre d’internautes, c’est qu’elle leur plaît et il est donc normal que les moteurs de recherche poussent ces pages web.

Mais le problème est qu’en 1998, il n’existe aucun moyen de mesurer l’audience d’un site web. Rappelons que Google Analytics ne sera lancé qu’en 2005 et qu’il n’existe alors pas encore d’outil pour connaître le trafic d’un site.

Pour autant, une estimation de l’audience ne semble pas insurmontable.

Imaginons pour commencer que le web soit représenté par un graphe orienté, où chaque nœud représente une page web, et chaque arc reliant les nœuds entre eux un lien hypertexte pointant d’une page vers une autre. Intuitivement, on peut aisément se visualiser le fait que plus un nœud A est relié à d’autres nœuds, plus ce nœud A est gros et est donc plus visible que les autres.

Mais encore faut-il donner une base scientifique à cette intuition pour la rendre tangible.

Pour cela, Larry Page va modéliser un visiteur virtuel, appelé “surfeur aléatoire”. C’est l’idée selon laquelle un internaute, lorsqu’il se retrouve sur une page web quelconque, a deux comportements possibles. Soit il clique sur un des liens se trouvant sur la page, soit aucun de ces liens ne l’intéresse et il se téléporte sur une autre page quelconque, en ouvrant un nouvel onglet dans son navigateur par exemple.

Qu’est-ce que le Natural Language Processing ? Et quel est son rapport avec le SEO ?

Le Natural Language Processing a pour objectif de permettre aux machines de comprendre le langage humain, et est notamment utilisé dans la recherche d’information. C’est une technologie utilisée par Google pour traiter, comprendre et classer le contenu des pages web, mais également les recherches des utilisateurs.

D'un point de vue historique, une théorie majeure fut développée au milieu des années 50. Il s’agit de ce que l’on appelle l’hypothèse distributionnelle. Elle pose l’idée que les mots qui se trouvent dans des contextes d’apparition proches tendent à avoir des significations similaires.

Plusieurs décennies plus tard, en 1983, Gerard Salton propose le modèle vectoriel, qui consiste à représenter des documents textuels ou des listes de mots sous la forme de vecteurs, c'est-à-dire de valeurs numériques.

Parallèlement, ce même Gérard Salton propose d’utiliser une méthode statistique de pondération, appelée TF-IDF, pour évaluer l’importance d’un terme, devenu une valeur numérique, dans un document.

A partir des années 2010, on commence à utiliser des réseaux de neurones artificielles en NLP.

En 2013, des algorithmes entraînés par des réseaux de neurones et développés  par les équipes de Google ont permis de mettre au point le système Word2Vec, un algorithme de word embedding, capable d’identifier les relations entre les mots en prenant en compte le contexte dans lequel ces mots, transformés en vecteur, apparaissent.

Mais depuis 2013, Google ne cesse de repousser les frontières du traitement automatique du langage naturel. On peut citer BERT, son algorithme à l'œuvre depuis 2019 pour comprendre encore plus précisément les requêtes des utilisateurs.

Fin 2020, Google annonce que sa mise à jour “passage indexing” lui permet d’identifier un passage précis d’un contenu qui répond selon lui précisément à la requête de l’internaute. De cette manière, Google peut renvoyer à l’utilisateur un extrait d’un contenu en réponse à sa recherche, peu importe que le contenu d’ensemble de la page n’ait qu’un rapport lointain avec la demande de l’utilisateur.

On le voit, la compréhension qu'a Google de votre contenu est précise.

Les avancées en traitement automatique du langage naturel montre qu’aujourd’hui il est totalement improductif de bourrer votre contenu du mot-clé sur lequel vous souhaitez vous positionner.

De la même manière, les longs textes dilués ne servent à rien. Au contraire. Google souhaite mettre en avant des textes précis, allant à l’essentiel, clairs dans l’objectif qu’ils se donnent de répondre à telle ou telle problématique, autant dans leur globalité que dans chacune des sous-thématiques abordées. Gardez toujours à l’esprit. Ce que Google veut, c’est afficher les réponses les plus pertinentes à la requête de l’utilisateur.

Pour optimiser un contenu, il faut donc d’abord et avant tout être clair dans l’intention qu’on se donne de répondre à une problématique rencontrée par vos utilisateurs. Et plutôt que de bourrer votre page du même mot-clé sur lequel vous souhaitez vous positionner, demandez-vous plutôt quels sont les termes et les thèmes qui tournent autour et qui sont régulièrement abordés lorsqu’on parle du sujet sur lequel vous souhaitez prendre la parole. Structurez votre contenu en conséquence. Chacun des sujets connexes à votre sujet principal pourra faire l’objet d’une sous-partie ou d’un paragraphe spécifique.

Cette manière de structurer votre contenu plaira autant aux internautes qu’au moteur de recherche. Et c’est la combinaison gagnante pour vous rapprocher des premières places dans les pages de résultats de Google.

Qu’est-ce que Google Penguin?

Un an après Google Panda, une nouvelle mise à jour algorithmique est déployée par le moteur de recherche pour pénaliser les sites de mauvaise qualité. Son nom ? Google Penguin.

Officiellement lancé le 24 avril 2012, ce nouveau filtre vise plus précisément à réduire la visibilité des sites qui violent les guidelines de Google en pratiquant des optimisations abusives, telles que par exemple des échanges de liens entre des sites n’ayant aucun rapport thématique entre eux, la suroptimisation des ancres de liens (c’est à dire le fait d’avoir une ancre de liens intégrant un même mot-clé répétée un trop grand nombre de fois), ou encore la duplication délibérée de contenu d’un site depuis un autre site.

En d’autres termes, Google Penguin vise à pénaliser les spammeurs !

Cette mise à jour est complémentaire à Google Panda, mais à la différence de cette dernière qui vise plutôt à sanctionner le contenu interne des sites lorsqu’il est de mauvaise qualité, le filtre Google Penguin lui s’intéresse davantage aux techniques de référencement externe, ce qu’en d’autres termes on appelle le netlinking.

C’est à partir du déploiement du filtre Penguin en 2012 que les experts du SEO ont commencé à utiliser des stratégies de backlinks moins agressives, mais beaucoup plus fines et variées. A partir de cette période, on s’intéresse moins à la quantité des liens qu’un site reçoit, qu’à la qualité de ces liens. Les référenceurs vont désormais chercher des backlinks depuis des sites ayant la même thématique que celui qu’ils cherchent à rendre plus visible dans le moteur de recherche. La course au plus grand nombre de backlinks possibles devient beaucoup moins pertinente que par le passé, voire même dangereuse pour le site qui pourrait se voir infliger une pénalité et baisser de manière vertigineuse dans les pages de résultats de Google.

Ainsi, si le spam sur le Web a toujours existé et existera toujours, à partir de 2012, il est nécessaire de mettre en place des stratégies de netlinking beaucoup plus fine pour passer sous les radars du filtre de nettoyage Google Penguin.

Qu'est-ce que Google Panda ?

Google Panda est le nom donné à une mise à jour de l’algorithme de classement du célèbre moteur de recherche dont la première version a été déployée en février 2011, et ne concernait tout d’abord que les Etats-Unis. Son objectif est de dévaluer les pages proposant un contenu dupliqué, insuffisant ou de faible qualité, pour mettre en avant ceux contenant une information riche, utile aux utilisateurs.

Google Panda est déployé un peu plus d’un an après Google Caffeine, une autre mise à jour majeure de l’algorithme de Google, qui visait à améliorer le processus d’indexation des pages web. L’index de Google s’est alors mis à augmenter de manière exponentielle, mais parmi les contenus indexés, certains étaient de très faible qualité.

Beaucoup de propriétaires de sites se sont alors plaints d’être moins visibles dans les pages de résultats de Google que d’autres sites dont le contenu superficiel semblait n’avoir été créé que dans l’unique but d’être bien positionné dans les pages de résultats de Google, sans apporter la moindre valeur ajoutée aux utilisateurs.

Il était donc important pour Google de régler ce problème, et c’est tout l’objectif de Google Panda.

Fait suffisamment rare pour être souligné, Google publie un billet sur son blog le 24 février 2011 pour annoncer le déploiement de Google Panda, dont il explique qu’il impacte 11,8% des requêtes des internautes.

Google Panda sera déployé partout dans le monde à compter d’août 2011.

En mars 2013, Google annonce que les mises à jour de Google Panda se font désormais en temps réel, et ne sont plus déployées de manière manuelle. C’est ce qu’on appelle le filtre “Panda Everflux”.