对于大多数网站而言，快速获得Google SEO的好处是，在缺少它们的标题标签中加入排名靠前的关键字。
如果某个页面已经在某个关键字上排名，并且该关键字的title标题中没有该关键字，那么如果我们以自然的方式添加该字词，则该页面的排名可能会更高
如果我们还将关键字添加到meta描述中，也可以在搜索结果中将其以粗体突出显示。

使用深度学习自动进行标题标签优化

现在，如果您在一个拥有数百，数千或数百万个页面的站点上工作，那么手动执行此操作将变得非常耗时且成本过高！

也许这是我们可以教一台机器为我们做的事情。

它最终可能比数据输入团队做得更好，更快。

让我们找出答案。

重新引入Uber的路德维希和Google的T5
我们将结合前几节中介绍的几种技术：

优步的路德维希
Google的T5（文本到文本传输转换器）
在我的《使用深度学习进行自动意图分类》一文中，我首先介绍了路德维希。

总之，这是一个开放源代码的“自动ML”工具，可让您无需编写任何代码即可训练**进的模型。

我首先在文章如何自动生成标题和元描述中介绍了T5 。

使用深度学习自动进行标题标签优化

Google将T5描述为BERT样式模型的高级版本。

如果您还记得我有关意图分类的文章，那么BERT非常适合完成此任务，因为我们的目标输出/预测是类/标签（意图）。

相比之下，T5可以进行总结（就像我在有关元标记生成的文章中所展示的那样），翻译，回答问题，分类（例如BERT）等。

这是一个非常强大的模型。

现在，据我所知，T5尚未经过标题标签优化的培训。

也许我们可以做到！

我们会需要：

训练数据集，其示例包括：
没有目标关键字的原始标题标签
我们的目标关键字
使用我们的目标关键字优化标题标签
T5微调代码和后续教程
一组未优化的标题，可用于测试模型
我们将从我已经从HootSuite提取的SEMrush数据中汇总的数据集开始。我将分享有关如何一起编译这样的数据集的说明。
T5的作者慷慨地整理了一个详细的Google Colab笔记本，您可以使用它来微调T5。

如果您运行它，则可以使用它来回答任意琐事问题。我实际上是在7月份的SEJ eSummit演讲中做到的。

使用深度学习自动进行标题标签优化

它们还包括一个部分，说明如何针对新任务对其进行微调。但是，当您查看所需的代码更改和数据准备时，要弄清楚我们的想法是否切实可行，似乎需要进行大量工作。
也许有一个更简单的方法！

幸运的是，Uber在几个月前发布了Ludwig版本0.3。

0.3版随附：

一种超参数优化机制，可从模型中压缩其他性能。
与Hugging Face的Transformers资源库进行了无代码集成，使用户可以访问**进的预训练模型，例如GPT-2，T5，Electra和DistilBERT，以进行自然语言处理任务，包括文本分类，情感分析，命名实体识别，问题解答等等。
基于TensorFlow 2的新的，更快的，模块化的和可扩展的后端。
支持许多新的数据格式，包括TSV，Apache Parquet，JSON和JSONL。
开箱即用的K折交叉验证功能。
与权重和偏差的集成，用于监视和管理多个模型训练过程。
一种新的矢量数据类型，支持带噪标签以进行弱监管。
该版本包含了新功能，但我最喜欢的功能是与Hugging Face的Transformers库的集成。

本文由上海上弦发布，不代表上海上弦立场，转载联系作者并注明出处：使用深度学习自动进行标题标签优化 https://www.sun.sh.cn/title-tag-optimization-using-deep-learning/