这张图清晰地说明了为什么构建比简单直接的关联更先进的系统如此重要。根据此图，在 URL 的路径或文件名中使用查询词实际上与排名略有负相关性，而子域名似乎基本无用，根域名则具有很强的相关性。诚然，所有这些（根域名除外）都位于 x 轴的窄带上，但 SEO 经验告诉我们，在页面名称中使用关键词对搜索排名和点击率都大有裨益。每当我们看到这样的数据时，就会出现许多假设。目前我们内部最喜欢的假设是，
URL 路径/文件名数据可能会因根域名关
当根域名已经使用了关键词时，引擎可能会将那 电报数据库些在路径/文件名中也使用该关键词的搜索引擎视为潜在的关键词堆砌（一种垃圾邮件）。原始相关性也可能表明，由于其他因素（链接、域名权重等），大量 URL 优化较差的页面表现良好。此外，大多数在路径/文件名中使用关键词的网站，在根域名中并不使用关键词，因此，其中一个因素的负面效应可能与另一个因素的正面效应混杂在一起。
无论原因是什么，这都完美地说明了为什么原始相关性是有缺陷的，以及为什么更深入的分析和更复杂的模型对于从数据中获取更多价值至关重要。
我们能否建立一个提供更多可操作要点的排名模型
为了真正体现任何特定 SEO 措施的潜在价值，我们 正确的沟通是成功和实现目标的途径 需要一个能够模拟 Google 的模型。这并非易事——Google 使用了据称 200 个排名因素，因此，尽管我们拥有大量数据点（页面因素、链接因素，以及这些因素的大量衍生/组合），但其复杂性仍然是一个巨大的障碍。
“uber”分数（上图中的红线）是通过综合运用我们从页面分析和 Linkscape 数据中获得的关于网页、域名和链接的所有特征而得出的。我们（好吧，严格来说，是 Ben）将这些特征通过一个机器学习模型进行处理，该模型会将搜索结果映射到相应的结果上，并得出一个与排名的相关性远高于任何单一指标的结果。您已经可以看到，
这些机器学习排名模型让我们能够更深
入地审视在任何特定页面功能中使用关键词的 阿尔及利亚商业指南 价值。我们不必依赖简单的相关性，而是可以根据最佳拟合模型来思考：“在这里使用关键词会产生什么影响？” 让我们以上面那个我们遇到困难的例子为例，它展示了路径/文件名中关键词的负相关性：