1. 首页
  2. 网络营销赋能
  3. 海外营销

解决标签蔓延:抓取预算,重复内容和用户生成的内容

好吧,所以情况就是这样。你有一个百万产品的网站。您的竞争对手有很多相同的产品。你需要独特的内容。你是做什么?每个人都做同样的事情 – 你转向用户生成的内容。问题解决了吧?

用户生成的内容(UGC)可以是非常有价值的内容和组织来源,可帮助您构建自然语言描述和以人为本的网站内容组织。网站利用用户创建的内容的一个常见功能是从电子商务网站到博客的各种标签。网站管理员可以利用标签来支持网站搜索,创建分类和产品类别以供浏览,并提供丰富的网站内容描述。

这是一种逻辑和实用的方法,但如果不加以控制,可能会导致棘手的SEO问题。对于大型网站,手动审核数百万用户提交的标签可能很麻烦(如果不是完全不可能的话)。但是,如果不加以标记,则可能会因精简内容,重复内容和一般内容蔓延而产生大量问题。在下面的案例研究中,来自不同公司的三个技术SEO正在联手解决大规模标签蔓延问题。该项目由Hive Digital营销副总裁Jacob Bohall领导,而计算统计服务则由JR Oakes of Adapt Partners和Russ Jones of Moz提供。让我们潜入。

什么是标签蔓延?

我们将标记蔓延定义为未经检查的唯一用户提供标记的增长,从而导致大量近似重复的页面和不必要的爬网空间。标记蔓延生成可能被归类为门口页面的URL,这些页面看起来只是为了在详尽的关键字数组中构建索引而存在。你可能已经在博客的帖子标记中以最基本的形式看到了这一点,这就是为什么大多数SEO推荐在Wordpress网站的标签页面上进行全面的“无索引,跟随”。这种简单的方法可以成为小型博客网站的有效解决方案,但对于主要依赖标签进行产品分类的主要电子商务网站而言,这种解决方案通常不是解决方案。

以下三个标记云表示与不同库存照片相关联的用户生成的术语列表。注意:用户行为通常是尽可能多地放置标签,以确保其产品的最大曝光率。

  1. USS Yorktown,Yorktown,cv,cvs-10,bonhomme richard,革命战舰,战舰,海军舰艇,军舰,攻击航空母舰,爱国者点,地标,历史船,艾塞克斯级航空母舰,水,海洋
  2. 船舶,船舶,约克镇,战舰,爱国者普安特,旧战舰,历史地标,航空母舰,战舰,海军舰船,海军舰船,请参阅,海洋
  3. 约克镇船,军舰和航空母舰,历史军舰,约克镇号航空母舰

如您所见,每个用户都为照片生成了有价值的信息,我们希望将其用作为相关库存图像创建可索引分类的基础。但是,在任何类型的规模,我们都有以下威胁:

  • 精简内容:当用户创建更具体/定义的标记时,只有少数产品共享用户生成的标记,例如“cvs-10”
  • 重复和类似内容:其中许多标签将重叠,例如“USS Yorktown”与“Yorktown”,“ship”与“ship”,“cv”与“cvs-10”等。
  • 不良内容:由不正确的格式,拼写错误,详细标记,连字符和用户造成的类似错误创建。

现在您已了解标签蔓延是什么以及它如何对您的网站产生负面影响,我们如何才能大规模解决此问题?

建议的解决方案

在纠正标签蔓延时,我们需要解决一些基本(表面上)问题。我们需要有效地审查数据库中的每个标记并将它们分组,以便采取进一步的行动。首先,我们确定标签的质量(有人搜索此标签的可能性,拼写是否正确,是商业广告,是否用于许多产品);其次,我们确定是否有另一个标签非常类似于质量更高。

  1. 识别好的标签:我们将一个好的标签定义为能够提供意义的术语,并且很容易被认为是搜索结果中的索引页面。这还需要识别“主”标签以表示类似术语的组。
  2. 识别不良标签:我们希望隔离由于拼写错误,重复,格式不佳,模糊不清或可能导致低质量页面而不应出现在我们数据库中的标签。
  3. 将坏标签与好标签相关联:我们假设我们的许多初始“坏标签”可能是一系列重复,即复数/单数,技术/俚语,连字符/非连字符,变形和其他词干。也可能有两个短语指的是同一件事,比如“约克镇船”和“约克镇号”。我们需要为每个“坏”标签识别这些关系。

对于鼓舞这篇文章的项目,我们的样本标签数据库包含超过2,000,000个“独特”标签,这使得这个手动完成几乎是不可能的壮举。虽然理论上我们可以利用Mechanical Turk或类似平台进行“手动”审查,但是这种方法的早期测试证明是不成功的。我们需要一种程序化方法(实际上是几种方法),以后我们可以在添加新标签时重现这些方法。

方法

为了确定好标签,标记坏标签以及将不良标签与好标签相关联,我们采用了十几种方法,包括:拼写纠正,出价,标签搜索量,唯一身份访问者,标记计数,Porter词干,词形还原,Jaccard索引,Jaro-Winkler距离,Keyword Planner分组,Wikipedia消歧和K-Means聚类与单词向量。每种方法都帮助我们确定标签是否有价值,如果没有,帮助我们确定一个有价值的替代标签。

拼写纠正

  • 方法:用户生成内容的一个明显问题是拼写错误的发生。我们会经常发现拼写错误拼写,其中分号被转换为字母“L”或者单词在开头或结尾都有非预期的字符。幸运的是,Linux有一个非常出色的内置拼写检查程序,名为Aspell,我们可以使用它来解决大量问题。
  • 好处:这提供了一个快速,早期的胜利,因为当它们由未包含在字典中的单词组成或包含简单无法理解的字符时(例如单词中间的分号),识别不良标记相当容易)。此外,如果更正的单词或短语出现在标签列表中,我们可以将更正后的短语信任为可能更好的标签,并将拼写错误的术语与好标签相关联。因此,这种方法可以帮助我们过滤坏标签(拼写错误的术语)并找到好的标签(拼写纠正的术语)
  • 限制:此方法的最大限制是正确拼写的单词或短语的组合对用户或搜索引擎不一定有用。例如,数据库中的许多标记是多个标记的连接,其中用户以空格分隔,而不是以逗号分隔其提交的标记。因此,标签可能包含正确拼写的术语,但在搜索值方面仍然无用。此外,还存在大量字典限制,特别是域名,品牌名称和互联网俚语。为了适应这种情况,我们添加了一个个人字典,其中包括根据Quantcast列出的前10,000个域名,数千个品牌和一个俚语词典。虽然这很有帮助,但仍有一些错误的建议需要处理。例如,我们看到“

出价值

  • 方法:虽然标签在描述性方面可能是好的,但我们想要与商业相关的标签。使用标记或标记短语的估计每次点击费用证明有助于确保该字词能够吸引买家,而不仅仅是访问者。
  • 优点:该方法的一个重要特点是它具有很高的信噪比。大多数具有高每次点击费用的标签往往具有商业相关性,并且经常被搜索到足以保证包含为“好标签”。在许多情况下,我们可以确信标签仅在此指标上是好的。
  • 限制:但是,出价值指标也有一些非常大的限制。对于初学者来说,Google Keyword Planner的消歧问题很明显。Google在报告搜索量和CPC数据时将相关关键字组合在一起,这意味着像“facbook”这样的标签会返回与“facebook”相同的数据。显然,我们更愿意将“facbook”映射到“facebook”而不是保留两个标签,因此在某些情况下,CPC指标不足以识别好的标签。出价值的进一步限制是获取CPC数据的难度。Google现在需要运行有效的Adwords广告系列才能访问每次点击费用值。即使您拥有足够的帐户,在Google关键字规划师中查找5,000,000个关键字也不是一件容易的事。幸运的是,我们觉得历史数据足够值得信赖,所以我们没有

标记搜索量

  • 方法:与CPC类似,我们可以使用搜索量来确定标记的潜在价值。但是,我们必须小心不要依赖标签本身,因为标签可能非常通用,因此它可以获得与产品本身无关的流量。例如,标签“USS Yorktown”可能每月获得几百次搜索,但“USS Yorktown T-shirt”获得0.对于我们索引中的所有标签,我们追踪标签的搜索量以及产品名称,以确保我们对潜在的产品流量有良好的估计。
  • 优点:与CPC一样,此指标在将我们的标记数据集合成仅可能提供流量的关键字方面做得非常出色。在绝大多数情况下,如果“标签+产品”具有搜索量,我们可以确信这是一个好词。
  • 局限性:不幸的是,这种方法成为CPC提出的相同歧义问题的受害者。由于Google将术语组合在一起,因此在某些情况下,两个标签可能会被赋予相同的指标。例如:“浮桥船”,“浮桥船”,“浮桥船”,“浮桥船”,“浮桥船”和“浮桥船”在同一交通量组中,其中还包括“游艇”和“游艇”等标签“此外,该指标中没有考虑关键字难度。某些代码与产品类型结合使用时,会产生可获得大量流量的关键字,但对于模板化的代码页而言,这些关键字总是遥不可及。

独特的访客

  • 方法:这种方法很简单:保护已经从Google接收流量的标签。我们导出了Google Analytics中过去12个月内收到Google搜索流量的所有代码。一般来说,这应该是一个相当安全的术语列表。
  • 好处:在与客户进行实验性工作时,能够为他们提供几乎可以保证改进的方案总是很好的。因为我们能够通过将已标记为好的标签(在绝大多数情况下)保护已经接收流量的标签,我们可以确保客户很有可能从我们所做的更改中获利并且最小化任何流量丢失的风险。
  • 局限性:不幸的是,即使这种方法也不完美。如果具有足够高权限的产品(或一组产品)包含标签的差异变化,那么差异变体将排名和接收流量。我们必须使用其他策略来验证我们从这种方法中的选择,并设计一种方法来鼓励索引中的标记交换以获得正确的术语版本。

标签计数

  • 描述:标记在网站上使用的频率通常是我们可以信任标记的强烈信号,特别是与其他类似标记相比时。通过计算每个标记在网站上使用的次数,我们可以偏向最终的可信标记集,以支持这些更受欢迎的术语。
  • 好处:当我们有两个非常相似但只需要选择一个标签的标签时,这是一个很好的打破平局指标。例如,有时短语的两个变体是完全可接受的(例如带有和不带连字符的版本)。我们可以简单地推迟具有更高标签数量的那个。
  • 限制:标签频率的明显限制是许多最常用的标签过于通用而无用。当标签“蓝色”只是帮助人们找到“蓝色T恤衫”时,它并不是特别有用。这个术语过于通用且太具竞争力而无法包含。此外,包含过于宽泛的标记只会产生非常大的爬网与流量 – 潜在比率。常见标签将包含数百个(如果不是数千个)匹配产品,从而为单个标签创建许多产品页面。如果标签产生50个分页产品列表,但每年只能驱动10个访问者,则可能不值得。

搬运工堵塞

  • 方法:词干是一种方法,用于通过从右到左扫描单词来识别标签中的根词,并使用各种模式匹配规则删除字符(后缀),直到到达单词的词干。有一些流行的词干分析器可供使用,但我们发现Porter作为查看替代单词形式的工具更准确。你可以在这里查看Snowball中的Porter词干算法,或者你可以在这里玩JS版本。
  • 好处:可以通过其词干对多个和占有性术语进行分组以进行进一步分析。根据术语“小马”和“小马”运行的Porter将返回“poni”作为词干,然后可以将其用于对术语进行分组以进行进一步分析。您还可以在短语上运行Porter词干。例如,“船舶事故”,“船舶事故”,“划船事故”等共享干船“船舶事故”。这可能是一种粗略而快速的分组变化方法。波特的干预也能够更好地清理文本,而其他的词干对我们的努力来说可能过于激进; 例如,Lancaster stemmer将“女人”缩减为“wom”,而Porter的stemmer将其视为“女人”。
  • 限制:词干用于查找术语和短语的公共根,并且不会对术语的正确形式创建任何类型的指示。Porter词干法通过删除尾随的“s”,“e”,“ance”,“ing”以及类似的词尾来尝试找到词干,从而将一组固定的规则应用于英语。为了使其运行良好,您必须具备所有正确的规则(和例外),以便在所有情况下获得正确的词干。对于以S结尾但不是复数的单词,如“台球”或“布鲁塞尔”,这可能特别成问题。此外,这种方法无助于映射相关术语,如“船撞”,“坠毁的船”,“船事故”等,这将导致“船撞”,“撞船”和“船只事故”。

词形还原

  • 方法:词形还原与词干类似。但是,不是使用规则集来通过删除字母来编辑单词来进行编辑,而是词形还原尝试将该术语映射到其最简单的字典形式(例如WordNet),并返回该单词的规范“引理”。考虑词形还原的粗略方法只是简化一个词。 这是一个要检查的API。
  • 好处:这种方法通常比阻塞更好。诸如“ship”,“shipping”和“ship”之类的术语都通过这种方法映射到“ship”,而“shipping”或“shipper”,即尽管有相同的词干,仍然具有不同含义的术语。您可以从短语中创建一个“引理”数组,可以与解决单词顺序问题的其他短语进行比较。事实证明这是一种更可靠的方法,用于对变异进行分组而不是词干。
  • 限制:与许多方法一样,映射相关术语的上下文可能很困难。词形还原可以为上下文提供更好的过滤器,但这样做通常依赖于识别单词形式(名词,形容词等)以适当地映射到根词。鉴于用户生成内容的不一致性,假设所有单词都是形容词形式(描述产品)或名词形式(产品本身)是不准确的。这种不一致可能会带来疯狂的结果。例如,“条袜”可以用作袜子的标签,上面带有条纹,例如“条纹袜子”,或者它可以是“脱衣袜”或一些仅匹配的紧身裤发现是否有其他产品和标签来比较上下文。此外,它不会在所有相关单词之间创建关联,只是文本衍生,

雅克卡指数

  • 方法:Jaccard指数是由Intersection over Union测量的相似系数。现在,不要跑掉,实际上非常简单。

    想象一下,你有两个桩,每个有3个大理石:第一个是红色,绿色和蓝色,第二个是红色,绿色和黄色。这两个桩的“交叉点”将是红色和绿色,因为两个桩都有这两种颜色。“联盟”将是红色,绿色,蓝色和黄色,因为这是所有颜色的完整列表。Jaccard指数为2(红色和绿色)除以4(红色,绿色,蓝色和黄色)。因此,这两个桩的Jaccard指数为.5。Jaccard指数越高,两组越相似。
    那么这与标签有什么关系呢?好吧,想象一下我们有两个标签:“海洋”和“海洋”。我们可以得到所有标有“海洋”和“海洋”标签的产品清单。最后,我们得到这两组的Jaccard指数。得分越高,他们的相关性就越高。也许我们发现70%带有“海洋”标签的产品也有“海”标签; 我们现在知道这两者相关性很好。然而,当我们运行相同的测量来比较“地下室”或“窗扉”时,我们发现它们只有.02的Jaccard指数。即使它们在角色方面非常相似,但它们意味着完全不同的东西。我们可以排除将两个术语映射在一起。
  • 好处:使用Jaccard索引的最大好处是它允许我们找到高度相关的标签,这些标签可能完全没有共同的文本特征,并且更可能具有过度相似或重复的结果集。虽然到目前为止我们考虑的大多数指标都帮助我们找到“好”或“坏”标签,但Jaccard索引帮助我们找到“相关”标签而无需进行任何复杂的机器学习。
  • 限制:虽然肯定有用,但Jaccard指数方法有其自身的问题。我们遇到的最大问题与几乎所有时间一起使用的标签有关,但不是彼此的替代品。例如,考虑标签“babe ruth”和他的绰号“swat苏丹。”后一个标签只出现在也有“babe ruth”标签的产品上(因为这是他的昵称之一),所以他们有相当的高雅卡指数。但是,谷歌没有在搜索中将这两个术语一起映射,所以我们更愿意保留昵称而不是简单地将其重定向到“宝贝露丝”。如果我们要确定何时应该保留两个标签或何时应该将一个标签重定向到另一个标签,我们需要深入挖掘。作为一个独立的,

Jaro-Winkler的距离

  • 方法:我们在整个过程中使用了几个编辑距离和字符串相似性度量。编辑距离只是衡量将一个单词更改为另一个单词的难度的一些指标。例如,“Russ Jones”和“Russell Jones”之间最基本的编辑距离度量,Levenshtein距离为3(您必须添加“E”,“L”和“L”才能将Russ转换为Russell)。这可以用来帮助我们找到类似的单词和短语。在我们的例子中,我们使用了一种称为“ Jaro-Winkler距离 ” 的特定编辑距离度量,它给出了在开头类似的单词和短语的优先级。例如,“棒球”将更接近“Baseballer”
  • 优点:编辑距离指标帮助我们找到许多非常相似的标签变体,特别是当变体不一定是拼写错误时。当与Jaccard索引度量一起使用时,这是特别有价值的,因为我们可以在字符无关的度量上应用字符级度量(即关注标记中的字母而不关注标记中的字母的度量)。
  • 限制:编辑距离指标可能有点愚蠢。根据Jaro-Winkler的距离,“棒球”和“篮球”相互之间的关系远远超过“棒球”和“投手”或“捕手”。“圆形”和“圆圈”的编辑距离度量可怕,而“圆形“和”磅“看起来非常相似。编辑距离不能单独用于查找类似标签。

关键字规划师分组

  • 方法:虽然谷歌选择在关键字规划师中组合类似的关键字对于预测流量一直存在问题,但它实际上为我们提供了一种识别高度相关术语的新方法。每当两个标签共享来自Google关键字规划师的相同指标(平均每月流量,历史流量,每次点击费用和竞争)时,我们可以得出结论,两者相互关联的可能性增加。
  • 优点:此方法对首字母缩略词(特别难以检测)非常有用。虽然Google将COO和首席运营官组合在一起,但您可以想象上面列出的标准方法可能会在检测关系方面遇到问题。
  • 局限性:这种方法的最大缺点是它在较不流行的术语中产生了许多误报。有太多的关键字,每年的搜索量平均为10,每月搜索10次,每次点击费用和竞争为0.因此,我们不得不将此方法的使用限制在只有少数几场比赛。

维基百科消除歧义

  • 方法:上述许多方法非常适合对相似/相关术语进行分组,但不提供用于确定“主”术语或短语以表示相关/重复术语分组的高可信度方法。虽然可以考虑针对英语语言模型测试所有标签,但缺乏流行文化参考和短语使其不可靠。为了有效地做到这一点,我们发现维基百科是一个值得信赖的来源,用于识别任何给定标签的正确拼写,时态,格式和单词顺序。例如,如果用户将产品标记为“指环王”,“LOTR”和“指环王”,则可能很难确定哪个标签应该是首选(当然我们不需要全部3个) 。如果您在维基百科中搜索这些条款,您将看到他们将您重定向到标题为“指环王”的页面。在许多情况下,我们可以相信他们的规范变体是“好标签”。请注意,我们不鼓励抓取任何网站或违反其使用条款。维基百科确实提供了整个数据库的导出,可用于研究目的。 

  • 好处:当标签可以映射到维基百科条目时,这种方法被证明在提供标签具有潜在价值的验证或创建相关标签的参考点方面非常有效。如果维基百科社区认为标签或标签短语非常重要,可以有专门的文章,那么标签更可能是一个有价值的术语与用户随机输入或关键字填充。此外,该方法允许对相关术语进行分组而对词序没有任何偏差。在维基百科上搜索会创建搜索结果页面(“ 浮桥 ”),或者将您重定向到文章的更正(“迪士尼世界”变成“沃尔特迪斯尼世界”)。维基百科也倾向于有一些流行文化参考的条目,所以被标记为拼写错误的东西,如“lolcats”,可以通过匹配的维基百科文章的存在来证明。
  • 限制:虽然维基百科可以有效地为消除歧义提供一致的正式标签,但它有时可能比用户友好的更无菌。这可能与其他信号(如CPC或流量方法)背道而驰。例如,“浮桥”成为“浮桥(船)”,或“百合”成为“百合”。所有信号都表明前一种情况是最受欢迎的,但维基百科消歧表明后者是正确的用法。维基百科还包含非常宽泛的术语条目,例如每个数字,年份,字母等。因此,简单地应用任何维基百科文章是允许标记的规则将继续有助于标记蔓延问题。

K-means聚类与单词向量

  • 方法:最后,我们尝试使用单词嵌入和k-means聚类将标签转换为更有意义的标签的子集。通常,该过程涉及将标签转换为标记(单个单词),然后通过词性(名词,动词,形容词)进行精炼,最后将标记语法化(“蓝色衬衫”变为“蓝色衬衫”)。从那里,我们将所有标记转换为自定义Word2Vec嵌入模型,该模型基于添加每个结果标记数组的向量。我们在数据集中创建了一个标签数组和每个标签的矢量数组,然后运行k-means,标签总数的10%作为质心数的值。起初我们测试了30,000个标签并获得了合理的结果。
    一旦k-means完成,我们从自定义Word2Vec模型中拉出所有质心并获得它们最近的相对,然后我们将标签分配到主数据集中的质心类别
  • 上面的分类列是Kmeans选择的质心。注意它是如何处理海边海滩沿海海滩的匹配。
  • 好处:这种方法似乎很好地找到了标签及其类别之间的关联,这些关联比字符驱动更具语义。“蓝色衬衫”可能与“服装”相匹配。如果没有在向量空间中找到的语义关系,这显然是不可能的。
  • 限制:最终,我们遇到的主要限制是试图在完整的200万个标签上运行k-means,最终得到200,000个类别(质心)。Sklearn for Python允许多个并发作业,但仅限于质心的初始化,在本例中为11 – 意味着即使您在60核处理器上运行,并发作业的数量也受到初始化数量的限制在这种情况下,再次是11.我们尝试了PCA(主成分分析)来减少矢量大小(300到10),但结果总体上很差。最后,因为嵌入通常是基于它们被训练的语料库中术语的概率接近度而构建的,所以有匹配可以理解为什么它们匹配,但显然不是正确的类别(例如“

将它们整合在一起

使用上述方法的组合,我们能够开发一系列方法可信度得分,这些得分可以应用于我们数据集中的任何标记,生成一个启发式,用于如何考虑每个标记的未来。这些是确定适当方法的案例级策略。我们将这些表示如下:

  • 好的标签:这主要是从我们的“请勿触摸”列表开始,这些条款已经从Google获得了流量。经过一些确认练习后,该列表进行了扩展,包括具有排名潜力,商业吸引力和独特产品组合的独特术语,以便向客户提供。例如,此类别的启发式可能如下所示:
    • 如果tag与Wikipedia条目相同
    • 标签+产品已估算搜索流量和
    • 标签具有CPC值
    • 标记为“好标记”
  • 好的标签:这表示我们希望保留与产品及其描述相关联的术语,因为它们可以在站点内用于向页面添加上下文,但不保证其自己的可索引空间。这些标记被映射为重定向或标准化为“主”,但仍包含在页面上以用于主题相关性,自然语言查询,长尾搜索等。例如,此类别的启发式可能如下所示:
    • 如果tag与Wikipedia条目相同,但是
    • 标签+产品没有搜索量
    • 矢量标签匹配“好标签”
    • 标记为“Okay Tag”并重定向到“Good Tag”
  • 要重新映射的错误标记:此分组表示映射到替换的错误标记。这些标签实际上将被删除并替换为更正版本。这些通常是通过词干/词形还原/等发现的拼写错误或术语。确定了主要替代品的地方。例如,此类别的启发式可能如下所示:
    • 如果标签与维基百科或向量空间不相同
    • 标签+产品没有搜索量
    • 标签没有音量
    • 标签维基百科条目匹配“好标签”
    • 标记为“重新映射的错误标记”
  • 要删除的错误标记:这些标记被标记为与好标记无关的错误标记。基本上,这些需要完全从我们的数据库中删除。最后一组代表了最差的最差,因为标签的存在可能被视为网站质量的负面指标。考虑了标签的字符长度,缺少维基百科条目,无法映射到单词向量,没有先前的流量,没有预测的流量或CPC值等。在许多情况下,这些都是无意义的短语。

总之,我们能够将标签数量减少87.5%,将网站整合到一个合理的,有针对性的,有用的标签集合中,这些标签正确地组织了语料库,而不会浪费任何爬行预算或限制用户参与。

结论:高级白帽SEO

近九年前,一位着名的黑帽SEO称白帽SEO为简单,陈旧和失去创新。他声称“先进的白帽SEO”是一种矛盾 – 它根本就不存在。我当时很自豪能够通过Hive Digital使用的技术回应他的主张,我称之为“第二页偷猎”。这是一项伟大的技术,但与我们现在看到的方法的复杂性相比,它显得苍白无力。我从来没有想过在白帽SEO社区内开发的技术熟练程度的深度或广度,以解决网站管理员面临的独特但持久的问题。

我真诚地怀疑这里的大多数读者都会遇到上面描述的特定标签蔓延问题。如果你们中的一些人遇到它,我会很幸运的。我希望这篇文章可能会让我们厌倦任何白帽SEO的漫画,因为它们很容易或停滞不前,并激励那些在我们空间中的人发挥最佳作品。

免责声明:本文仅代表作者个人观点,与穷思笔记网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。

发表评论

登录后才能评论

联系我们

 

在线咨询:点击这里给我发消息

邮件:2267450086@qq.com

QR code