Názory k článku Co vlastně chcete po vyhledávači?

... bylo by možné objasnit jak je realizováno toto?:

Vezme nejenom stránky, kde se toto slovo vyskytuje s největší frekvencí, ale také stránky, na které lidé, kteří před vámi hledali Borgese, z Googlu skutečně klikli.

Bylo by to hezké, ale myslím si že tak to nefunguje.

Ano, tak to skutecne nefunguje. :-)

Staci se napr. podivat na zdrojak po vyhledani nejakeho slova. Dřív tak fungoval např. Atlas, ale i ten od toho ustoupil.

Pokud vím, algoritmy Googlu jsou alespoň zčásti neveřejné. Berte tedy následující informaci ve stylu "už nevím, kde jsem k ní přišel".
Představuju si to tak, že zadáte do Googlu slovo X a on vám vyjede stránky, kde je slovo X s největší frekvencí (nebo jak to přesně počítá, podle meta znaků, titulků apod.). Splu s adresami vám vyjedou základní anotace těch stránek. Na titulu uvidíte třeba 10 (nebo kolik) adres s anotacemi. No a vy kliknete ne na 1. v pořadí, ale na 8. Google si pak řekně "aha, takže dokument 8 skutečně je o X". Příště, až někdo zadá dotaz na X, postrčí dokument 8 trochu víc nahoru.
Problém je samozřejmě v tom, že je-li nejrelevantjěší dokument na pozici 100, málokdo se k němu vůbec dokliká a vezme nakonec zavděk něčím z té titulní stránky. Takový dokument pak může těžko stoupat po žebříčku.
Doufám tedy, že Google dělá i následující věc, a to shazování dolů - řekne si: "fajn, na dotaz X jsem tohle kvůli frekvenci 1000krát zobrazil ve výpisu jako číslo 1 a všichni klikali jinam. takže tenhle dokument asi není o X".
samozřejmě pro zjednodušení předpokládáme, že anotace skutečě vystihuje obsah dokumentu.

Takovyhle zpusob bude vyhovovat mainstreamu, ale ve chvili, kdy hledam neco specialniho, co zajima "jenom me", tak je takovy system silne kontraproduktivni.

Nastesti je to jenom autoruv vyplod a lide od Googlu urcite maji na to, aby vymysleli neco pouzitelneho.

BTW formulace jako "...nebo jak to přesně počítá..." prozrazuje docela dost o autorove erudici... ;)

pokud hledáte něco, co zajímá jenom vás, pak google (alespoň za předpokladu, že používá zde popsaný postup) žádný "předpis" ještě nemá :-). když se vámi zadané slovo vyskytuje v jediném dokumentu, hodí prostě tento dokument a basta. má to smysl tam, kde možných dokumentů je milion a zbývá problém, jak je seřadit. eventuálně snad i tam, kde google nezná žádnou odpověď a chce se vám zavděčit alespoň nějak.

Pri hledani neceho specialniho preci neni problem tam dat parametr, ktery by toto hodnoceni stranek vypnul. Skoda, ze to na Google neni implementovano (ne to vypinani - pocitani kliknuti) - docela by me zajimalo zpresneni relevance vysledku.

Finta je v tom, ze Google se o vasem kliknuti na odkaz nedozvi. Kod stranky s vysledky vyhledavani neobsahuje nic, co by to umoznovalo. Teda ja jsem ho dukladne neprohlizel. Ale samotne odkazy jsou ciste, tedy vedou pryc z google bez sance zjistit kliknuti. Leda, ze by tam byl nejaky javascript, nebo neco podobneho a to pochybuji.

to jest, pravda, zasadni namitka :-)
na to mi nezbyva nez rict, ze by to tak Google proste delat mel :-) (a misto psani clanku jsem mohl dumat o tom, zda, ac jsem si to sam nevymyslel, se ta myslenka neda nejak vyuzit)

Pane Housere, nejenom že to tak Google nedělá, ale není ani jediný důvod proto, aby to tak začal dělat. Klikatelnost odkazu, o kterém uživatel ví jen tolik, kolik mu sám Google ukáže, nevypovídá o hodnotě či relevanci stránky pro určitý dotaz vůbec nic.

Co Google dělá, je posuzování kontextu, v jakém se objevují zpětné odkazy na cílovou stránku. To vámi navrhovaný způsob nejen nahrazuje, ale i vysoce převyšuje.

Jak můžete vědět, že posuzování kontextu převyšuje navrhovaný způsob klikatelnosti, když přesný způsob posuzování kontextu je tajen?
A v tom je také problém, proč lidé nepíší HTML-stránky tak, aby je "relevantně" nacházely web-searche. - Nikdo přesně neví, podle čeho se řídí. Ale hlavně, že produkují hory dat (a reklam).

Klikatelnost výsledků vyhledávání je dána *pouze* tím, co vyhledavač sám nabídne -- jednak pozicí a jednak textem popisujícím odkaz. Nevstupuje tam žádná další informace zvenčí a tudíž to nijak nelze pro zkvalitnění výsledků vyhledávání využít.

Naopak, hodnocení zpětných odkazů, jejich váhy a kontextu, je založeno na tom, jak lidé hodnotí danou stránku nikoli podle toho, co jim o ní řekne sám vyhledavač, ale podle toho, jak ji sami znají a používají.

Z toho, že jsou algoritmy vyhledavačů tajeny, nijak nevyplývá, že nejsou do určité míry známy. Stejně tak není pravda, že lidé "nepíší HTML-stránky tak, aby je relevantně nacházely web-searche." Lidé, kteří o Webu alespoň něco tuší, takovým způsobem stránky píší. Proto také nemám v devíti případech z deseti vůbec žádný problém najít v Googlu přesně to co chci, jediným dotazem a na první stránce výsledků.

Hmmmmm, bylo by docela zajimave napsat nejakeho "spiona" ala GoogleBar, ktery by sledoval, jak dlouho setrvas na strance po jejim vyhledani a kam pote jdes - jde jen o to, aby o tom uzivatel vedel.

Prvni odstavec je prikladem nespravne dedukce ze spravnych informaci. Je sice pravda, ze o odkazech vim jen tolik, co Google sam - ostatne, vsechny mam od nej, neni ale tak uplne pravda, ze tyto informace nemohu vyhodnotit zpusobem, ktery je strojove "inteliogenci" vyhledavac v zasade nedostupny. Sama pripadna informace, ze lidi prumerne klikaji na "vzdalene" odkazy, ergo, informace, ze aktualni ohodnocovaci algoritmus neni dostatecne dobry je dostatecnym duvodm pro zajem o takovou informaci. Nesouhlasim tedy s tvrzenim, ze neni jediny duvod, aby vyhledavac takovou informaci ziskaval - jakkoli souhlasim s tim, ze Google to nedela.

No ano, přes nepříliš pozitivní přijetí těchto úvah si stále myslím, že příslušná funkce by se hodila. Má totiž jednu výhodu oproti tomu, když by uživatelé hodnotili relevantnost "poté". Vše by se dělo automaticky. Hodně blbý příklad: v supermarketu samozřejmě můžete rozdat dotazníky a ptát se lidí, zda chtějí zlevněné zboží dát spíše k salámům nebo k pečivu. Jednodušší ale asi je oboje zkusit a zjistit, kde se ho prodá víc - netvořit žádné speciální dotazníky, ale učit se přímo z normálního chování.
Nicméně: mým cílem nebylo jen to, aby vyhledávač lépe řadil dokumenty uživateli již takto "posouzené", ale aby se také učil a mohl lépe posuzovat dokumenty neznámé. Aby si vytvářel složitou síť hierarchie vztahů - kde je tento výraz, bývá s tou a tou vahou ještě tento výraz.

Pane Housere, jestli dovolíte, vypůjčím si váš supermarketový příměr a jen ho trochu zpřesním. V zásadě totiž funguje, ale je třeba vzít v potaz specifický charakter výběru a "konzumace" informací:

1) Tentýž výrobek (stránku) skoro nikdy "nekoupím" opakovaně. Vybírám si tedy jen podle krabice, nikoli podle obsahu, neboť ten dosud neznám.

2) Jestliže potřebuji větší množství určitého zboží, nikdy nekoupím víc balení téhož výrobku, nýbrž koupím vždy po jednom balení od výrobků různých.

3) Vyhledavač tuší, co je v krabici lépe než já. Ukáže mi však jen ty krabice a na regálech je seřadí podle toho, co ví o jejich obsahu a toho, jak často se zmínky o výrobku objevují v jiných zdrojích (link popularity).

Opravdu nevím, jak za dané situace může statistika "prodeje" jednotlivých výrobků pomoci vyhledavači k tomu, aby je na regálech lépe seřadil.

Ještě dodám, že klikatelnost odkazů ve výsledcích je přímo úměrná jejich pozici a existují docela slušné odhady konkrétních procent pro jednotlivé pozice. Drobné odchylky způsobuje pouze titulek a popis, což jsou opět informace dodané vyhledavačem, které on může ovlivnit. Jinými slovy, je to vyhledavač, který rozhoduje o tom, jak často uživatelé kliknou na každý nalezený odkaz. Je tedy zhola zbytečné, aby podle tohoto kritéria nějak ovlivňoval řazení.

Proč určovat řazení odvozenými kritérii, když už je určeno kritérii primárními.

Správná připomínka. Pokud používáte "holý" IExplore nebo jiný prohlížeč tak máte 100% pravdu. Co ale v případě, že máte nainstalovaný Google Toolbar?

Tam bych si už tak jistý nebyl. Před časem jsem API potřebné k programování toolbarů do IE docela podrobně zkoumal a zjišťovat kam uživatel kliká jde docela snadno.

Takže technicky vzato takovéto monitorování určitě možné je. To ale nic neříká o tom, jestli se tak skutečně děje...

Tady jste to, myslím, trefil přesně. Google toolbar ma stáhnuto spousta lidi, protože to je pro určitou skupinu nutnost a bylo by podivné, kdyby Google tyto a dalsi informace nevyužíval.

Kdyby google posuzoval miru kliknutí na vysledky vyhledavani u vsech uzivatelů, byla by objektivnost této metody vylepšení relevance dost pokulhávající a to z toho důvodu, jak velké procento uživatelů klikne na první předložený odkaz nebo několik prvních a tim by v podstatě působil kontraproduktivně. U zivatelu toolbaru se da predpokladat nejaka "hodnota" volby odkazu a IMHO to google s mensi dulezitosti pouziva - ale tento muj nazor je opravdu pouze odhad.

Jako pravidelný čtenář Lupy bych docela uvítal, aby šarlatáni z IDG do tohoto kvalitního internetového média nepřispívali. Média IDG jsou celosvětově koncipována jako přežvykovadlo tiskových zpráv a vydávání zpráv z tzv. "celosvětové zpravodajské sítě IDG" za vlastní žurnalistickou tvorbu - přitom jde pouze o marketingovou masáž amerických počítačových firem. Kvalifikací redaktora v IDG Czech je řiťolezectví a absence vlastního názoru; stačí si číst, co publikuje ComputerWorld či cw.cz - tuto poslušnost počítačové firmy odměňují inzercí. To vše je doplněno občasnými interview s pupíky z počítačových firem ve smyslu "pane řediteli, prozraďte nám, jak je to možné, že jste tak úspěšní". Vím, o čem mluvím, dělal jsem tam nějakou dobu.

Lupa si drží nezávislost a schopnost kritičnosti, to na ní oceňuji, bylo by moc dobré, kdyby nesklouzla do toho komerčního "ruka ruku myje".

Co to je prezenční grafika?

Zde bych se pana Housera rád zastal. Je to nejen špičkový novinář, ale i velmi přemýšlivý člověk, který má dar vidět věci s nadhledem a v souvislostech. Důkazem toho je i tento článek, který svým námětem a hloubkou výrazně převyšuje průměr, který můžeme na internetu (a bohužel poslední dobou i na Lupě) vidět. Nejhorší chybou, kterou můžeme udělat, by bylo odsoudit kvůli několika věcným nepřesnostem celý článek. Rád bych, kdyby se nám podařilo tyto dvě věci - námět a případné věcné chyby - důsledně oddělit a pokračovat v diskusi dané titulkem článku.

Řekl bych, že dnešní vyhledávače na internetu umí jen málo z toho, co by umět mohly. Co nám dnes nejvíc chybí? V jakých konkrétních situacích nám internet nepomůže, ačkoliv víme, že by mohl, protože hledané informace na něm jsou?

No, me by treba stacilo, kdybych mohl hledat takhle:

Najdi stranky, kde v jedne vete jsou tato tri slova.

Paralela mezi Webem a Borghesovou Babylonskou knihovnou je sice zajímavá, má však minimálně jednu slabinu: zatímco knihy nikdo nepíše s ohledem na fulltextové vyhledavače, u webových dokumentů by tomu mělo být, a velmi často již je, přesně naopak. Nalezitelnost v hlavních vyhledavačích pro relevantní dotazy je dnes prostě základním atributem kvalitního webu. Ty nekvalitní nalézat není třeba.

Jinak, na některé faktické chyby v článku již poukázali ostatní diskutující (hodnocení stránek Googlem), já bych se ještě zastavil u sémantického HTML/XML. Nevím, kde autor přišel k informaci, že "tagy HTML mají charakter spíše prezenční grafiky (určují barvu, styl písma, velikost atd.)." Předpokládám, že místo *prezenční* myslel autor *prezentační* grafiku, nicméně ani potom není toto tvrzení příliš pravdivé. HTML je jazyk vyznačující *strukturu* a částečně i sémantiku hypertextových dokumentů. Postupným vývojem se do něj sice dostalo pár skutečně prezentačních značek, ale jejich význam pro HTML jako takové je minimální a v poslední době se od jejich užívání již opět ustupuje.

Úvahám o XML už pak nerozumím vůbec. Autor zřejmě žije v domění, že XML je jakousi modernější alternativou k HTML, což ovšem není pravda ani trochu. V této souvislosti by se snad dalo hovořit jen o XHTML, ale to oproti původnímu HTML žádné převratné sémantické ambice nemá.

Na závěr bych si ještě dovolil polemizovat s větou: "Aby ale vyhledávače mohly podporovat sémantický web, musela by v něm nejprve být vytvořena nezanedbatelná množina stránek." V zásadě je to tvrzení sice správné, ale obávám se, že onou "nezanedbatelnou množinou" myslel autor řádově miliony dokumentů. Jenže to vůbec není potřeba. Kromě mainstreamových vyhledavačů existuje i plno alternativních, které mohou být velmi užitečné i pro malé soubory dokumentů, např. z určitého oboru, nebo dokonce jen z určitého webu.

Shrnuto: inspirativní článek otevírající zajímavý pohled na možný vývoj Webu; jeho argumentace je však oslabena četnými faktickými chybami.

kritiku beru, polemizuji pouze s jedinou větou - "ty nekvalitní [stranky] nalézat není třeba".
obavam se, ze pokud hledam nejakou informaci, pak ji proste chci najit. je sice mozne si rict "tvurce webu byl idiot/lenoch, ze svuj vytvor neoptimalizoval pro vyhledavace", nicmene toto ujisteni mi hledanou informaci jaksi nevynahradi.

Kdyz se vám dostane do ruky kniha vytištěná bílým písmem na bílém papíře, budete vinit své brýle, že vám ten text nechtějí ukázat? Nebo se smíříte s tím, že tiskař byl idiot a lempl, když knihu neoptimalizoval pro čtení?

Web je něco jiného, než klasická média a k webovému obsahu neodmyslitelně patří určitá míra přístupnosti. Informace, které tuto míru nenaplňují, reálně neexistují, neboť prostá přitomnost souboru kdesi na disku jakéhosi serveru připojeného do sítě prostě není existence na webu.

Všimněte si ale, prosím, že píšu o přístupnosti, nikoli o optimalizaci pro vyhledavače. Optimalizace pro vyhledavače vstupuje do hry tehdy, když je informací příliš mnoho a jde o to, najít mezi miliony stránek tu nejvíce relevantní. Přístupnost je naopak nezbytná k tomu, aby se šlo dostat k unikátní informaci, kterou by jinak vyhledavač vůbec nenašel.

Nicméně i optimalizace pro vyhledavače v podstatě není nic jiného, než forma podání oné informace. Buď ji napíšu dobře, čitelně, srozumitelně a výstižně, a pak ji vyhledavač nejen najde, ale i upřednostní, a nebo ji napíšu blbě a pak zřejmě i hodnota té informace bude pochybná.

"Informace, které tuto míru nenaplňují, reálně neexistují, neboť prostá přitomnost souboru kdesi na disku jakéhosi serveru připojeného do sítě prostě není existence na webu."

Fakt? Pokud na nej vede odkaz z jine stranky, pak snad existuje. Leo

V tom bylo to přirovnání k Babylonské knihovně dobré -- v určitém smyslu existují všechny informace, aby však bylo možné konkrétní informaci využít, musí být splněny dvě podmínky: musím ji nalézt a musím si být jist, že to je ta informace, kterou chci.

Na Webu to znamená jednak dobrou viditelnost (zejména prostřednictvím vyhledavačů) a jednak věrohodnost zdroje. Není-li splněna první podmínka, není většinou splněna ani druhá.

ještě poznámka k sémantičnosti HTML/XML.
nemůžu si pomoct, ale HTML podle mě nijak sémantické není. možná záleží na tom, co si pod pojmem "sémantické" představujeme. dívám se do zdrojového kódu této stránky. co je v něm sémantického?
vlastně vůbec neznám žádný sémantický tag v html. to, že něco je titulek, něco odkaz, něco v tabulce a něco položka seznamu je přece stále syntax (třebaže nemusí nutně souviset jen s grafickým ztvárněním), ne sémantika.

em, strong, cite, dfn, code, samp, kbd, var, abbr, acronym, q, blockquote, ...

Že je (skoro) nikdo nepoužívá, to je věc jiná...

Daleko horší je, že většina těch, co tyto (sémantické) značky používá, je používá špatně. Viz typické zaměňování STRONG a B, EM a I nebo dokonce CITE, atd.

Nac pouzivat Google, kdyz staci vytahnout z police Borghesovy knihovny tu spravnou knihu ... :)

"Nalezitelnost v hlavních vyhledavačích pro relevantní dotazy je dnes prostě základním atributem kvalitního webu. Ty nekvalitní nalézat není třeba."

Opravdu?

Nejhodnotnější informace jsou podle mé zkušenosti nalezitelné na webu v "absolutně neoptimalizované" podobě pdf, ps a podobně.

Podíl "kvalitních webů" s téměř bezcenným obsahem typu weblogy, osobní stránky a firemní prezentace je tak velký, že jako "encyklopedie" nebo "knihovna" už je html část webu skoro nepoužitelná.

Nevím, zda se shodneme na pojetí "absolutně neoptimalizované" podoby a zda se ta vaše představa shoduje s praxí. Já nacházím odkazy na dokumenty v PDF velmi často mezi prvními deseti výsledky v Googlu, čili nalezitelné jsou a optimalizované v jistém smyslu taky.

Dále si možná nerozumíme ani v pojetí *hodnotné* informace. Každá informace na Webu má dvě části -- vlastní informaci a pak balík metainformací umožňující vlastní informaci nějak zatřídit, přiřadit ji určitou věrohodnost, časovou platnost, apod.

Typickou "vlastností" špatně udělaných webových stránek je, že ten balík metainformací není dostatečný, nebo zcela chybí. Samotná informace pak má jen kvůli tomu hodnotu menší, malou a často dokonce žádnou, a to i v případě, že by se za jasně zřejmého a věrohodného kontextu jednalo o informaci velmi cennou.

Jakožto blogger se často dostávám do situace, kdy bych velmi rád odkázal na nějaký článek, protože jeho obsah *vypadá* velmi zajímavě a *mohl* by mít značnou hodnotu. Jenže kvůli zdánlivým drobnostem, třeba proto, že není uveden autor, nebo článek není datován, na ceně prudce ztrácí. Někdy mám čas, abych kontext nějak dohledal a věrohodnost ověřil, ale někdy na to čas nemám, nebo to dokonce vůbec nejde.

Je to sice trošku od věci, ale částečně to souvisí s "manuálním" vyhledáváním informace. Nezaráží vás, proč třeba zatřízení odkazu na Seznamu trvá řádově 3-5 týdnů, zatímco na ostatních portálech je to ať již automatizované či rychlejší? Když nedostanete uspokojivé výsledky ze search enginu, tak někdy sáhnete i po pracnějším proklikávání se informačním stromem. A ti laičtější uživatelé, nechápající vyhledávací podmínky a operátory, to považují za jediný typ vyhledávání informace na Netu.

Jenže, pokud je pokrok u nějaké společnosti takový, že je v podstatě zpátečnický, tak to je špatné. Neobstojí ani jejich tvrzení, že každý odkaz ručně kontrolují, to by tam v některých kategoriích nesměly být dvojitě.

No jasně. Toto je nepříjemné hlavně u aktuálních věcí. Já jsem dělal jakýsi weblog (no, nebyl to přímo weblog, spíš takové komentované zprávičky) o válce v Iráku, a Seznamu trvalo 10 dní, než mi tam ten odkaz dali. Takže deset dní jsem si to psal jentak pro sebe, protože nikdo samozřejmě o mé stránce nevěděl. Na druhou stranu Seznam zareagoval rychle a prakticky ihned po začátku konfliktu vytvořil novou kategorii Válka v Iráku. To žádný jiný český katalog neudělal. Někde Seznam reaguje rychle, někde mu to trvá.

On ani google neni jediny a nejlepsi ve vsem. Pokud treba hledam ubytovani v CR (coz jsem nedavno delal), muzu pouzit google, jyxo nebo jiny fulltext, ale Atlas se svou peknou strukturou kategorii vedl k cili rychleji. Seznam byl uplne na dve veci, jak fulltext tak katagorie (ubytovani neni clenene podle regionu :-).

Jeste jednu poznamku na okraj k vyhledavacum. Myslenka webu jako otevrene delokalizovane encyklopedie s rychlym pristupem a inteligentnim vyhledavanim a zpracovanim dotazu je sice pekna, ale jednak tech rozumnych informaci na netu moc neni, a k rozumne synteze si clovek stejne musi otevrit rady stranek nalezenych ruznymi zpusoby a tam si to rucne prebrat, jednak bude driv nebo pozdeji cast obsahu za penize, a za treti, setkal jsem se nekolikrat s tim, ze na komercnich webech firmy nechteji mit vsechny informace uzitecne pro zakazniky (treba kde se vyskytuje nejlizsi prodejna s jejich zbozim), protoze rychly pristup k nim pak maji nejenom klienti, ale i konkurence.

Leo

Problém je samozřejmě v tom, že je-li nejrelevantjěší dokument na pozici 100, málokdo se k němu vůbec dokliká a vezme nakonec zavděk něčím z té titulní stránky.

Este vacsi problem je v tom, ze pre kliknutim nemusite vediet, ci je dokument na 100. alebo ktoromkolvek mieste naozaj relevantny.

Casto sa stava, ze pri vyhhladavani (viac slovne dotazy s log. operatormi) narazim na stranky, ktore sa zdaju byt vo vysledkoch vyhladavania relevantne, ale v skutocnosti nie su.

Mozno by sa dala najst nejaka logika v spravani pouzivatelov - napr. pokial klikne na 1. web vo vysledkoch vyhladavania a neskor aj na 2., 3. atd. moze znamenat, ze hlada najrelevantnejsiu stranku. Podobne, ak dochadza k upresnovaniu stringu vo vyhladavani.