گروه‌بندی همسان یادگیرندگان در محیط یادگیری الکترونیکی به کمک روش خوشه¬بندی شورایی
یادگیری الکترونیکی به عنوان روشی نوین در امر آموزش و یادگیری در طی سالیان اخیر مورد استقبال فراوانی قرار گرفته است. اکثر سامانه¬های یادگیری الکترونیکی، صرف نظر از تفاوت¬های فردی یادگیرندگان محتوای آموزشی مشابهی را برای همة یادگیرندگان ارائه می¬دهند در حالی¬که در آموزش¬های مبتنی بر وب، علاوه ¬بر¬افزایش فرصت یادگیری باید به ارتقای بازدهی یادگیری نیز توجه شود. سامانه¬های یادگیری تطبیقی برای ارائة محتوای تطبیق¬پذیر با هر ¬یادگیرنده، نیازمند گروه¬بندی یادگیرندگان با علایق مشابه است و برای تحقق این هدف، می¬توان از سبک¬های یادگیری یادگیرندگان بهره گرفت. گروه-بندی خودکار یادگیرندگان در این محیط به کمک روش¬های خوشه¬بندی امکان پذیر است. به دلیل متفاوت بودن نتایج روش¬های خوشه بندی در تکرارهای مختلف، در این پژوهـش از روش خوشه¬بندی شورایی برای ترکیـب نـتایج خوشـه¬بندی پنـج روش FCM، K-means، KNN , SVM و medoids-K برای گروه¬بندی یادگیرندگان در محیط یادگیری الکترونیکی استفاده شده است. نتایج ارزیابی تجربی روش خوشه‌بندی پیشنهادی بر اساس سه شاخص «دیویس – بولدین»، « خلوص و تجمع» و « واریانس » نشان می‌دهد که این روش، کاهش هزینة محاسباتی و دقت و سرعت بیشتری نسبت به سایر روش‌های متداول در شناسایی گروه‌ها داشته است.
Despite the individual differences of learners such as their abilities, goals, knowledge, learning styles and backgrounds, most of the electronic learning systems has presented an equal learning content for all of the learners. This is happening while producing a specialized content for the individuals. Increasing appliances of artificial memory in teaching the adaptation learning systems will require recommended teaching methods which are appropriate to the learner’s individual differences. In order to grouping learners based on their learning styles in their own similar groups, we are presenting a new method in this text. This method is mainly about combining the result of clustering methods which is certainly reducing choosing an unreliable method. Meanwhile it is preventing method`s complication which is because of using simpler and more useful clustering algorithms that subsequently will cause a better result and it may happen due to the fact that different methods will overlap each other’s defections. In this article we are using Felder- Silverman learning style which consist of 5 dimensions: processing (active-reflective) , input (visual-verbal) , understanding (sequential-global) , perception (sensing-intuitive) and organization (inductive-deductive). Firstly, proper behavioral indicators to different learning style dimension of Silverman-Feedler will recognize and then based on these behaviors learners will be able to be groups by one of these 5 methods. In the case of evaluating the proposed method, utilizing روش ایندکس گذاری clustered the c++ programming electronic teaching period information is necessary. Learner members of experiment environment were 98 ones which were extracting the expressed indicators connected to their network behaviors in 4 dimensions of Perception , process , input and understanding of Felder- Silverman model. On the other hand students were asked to fill the questionnaire forms and their learning styles were calculated between 0-11 and then based on the behavioral information they were being grouped. We are using 5 clustering grouping methods : k-means , FCM , KNN , K-Medoids and SVM to produce ensemble clustering in generation step and co-occurrence samples or majority votes were used in Integration step. Evaluating the results will require the followings : Davies-bouldin index , Variance index , and gathering purity index. Due to the fact that the expressed methods are not able to indicate automatically the best cluster, clustering 3,4,5,6,7 clusters were using this روش ایندکس گذاری clustered method. And with calculating Davies-bouldin index the best cluster in each method were selected. In FCM each data were contributed to the cluster which has the most dependence to that . Numerical results of Davies-bouldin index have shown that ensemble clusters have the exact accumulation clusters among the others. Clustering variance in different size is indicating that ensemble clustering has the most accumulation and the least dispersion and also purity-gathering results has shown that proposed grouping method has the ability to gather learners with the similar style in each cluster and has a better efficiency compared to the others. So with this idea while maintaining simplicity, more accurate results based on the Davies-bouldin index , Variance index , and gathering purity index is obtained. Due to the importance of high accuracy and high speed and low computational complexity in the clustering methods, instead of a more complex approach, combining the weaker and easier clustering methods, better and more accurate results reached.
1. Samadi.M. (2011) Study of Felder and Solomon Psychometric Properties Questionnaire of Learning Styles. Journal of New Educational Approaches. Volume 6 , Number 1 (13);pp 39-60 [in Persian]
2. Romiszowski, A. J. (2004) "How's the e-learning baby? Factors leading to success or failure of an educational technology innovation," Educational Technology-Saddle Brook Then Englewood Cliffs NJ-, vol. 44, pp. 5-27.
3. Maseleno A., Sabani N., Huda M, Ahmad. R , Jasmi . K.A and Basiron. B. (2018). Demystifying Learning Analytics in Personalised Learning. International روش ایندکس گذاری clustered Journal of Engineering & Technology. Vol. 7, pp. 1124-1129.
4. Chen S. and Zhang, J. (2008). "The adaptive learning system based on learning style and cognitive state," in Knowledge Acquisition and Modeling, 2008. KAM'08. International Symposium on, pp. 302-306.
5. Schleith, D, Widener, M.J.,Kim C ,.Liu. L (2018). Assessing the delineated commuter sheds of various clustering methods. Journal of Computers, Environment and Urban Systems. Vol 71, pp 81-87.
6. Popat S. K. and Emmanuel, M (2014). "Review and Comparative Study of Clustering Techniques," International Journal of Computer Science and Information Technologies, vol. 5, pp. 805-812.
. Huang, Y.-P. Lu, C.-C. Chang, T.-W. and. Horng, M.-S (2007). "An intelligent approach to detecting the bad credit card accounts," in Proceedings of the 25th conference on Proceedings of the 25th IASTED International Multi-Conference: artificial intelligence and applications, pp. 220-225.
8. Shakhnarovich, G, Indyk. P, and Darrell, T. (2006). Nearest-neighbor methods in learning and vision: theory and practice.
9. Gravenhorst, R. M. (2007). "Student learning styles and academic performance in a non-traditional anatomy course," Journal of Dance Education, vol. 7, pp. 38-46.
10. Honey P. and Mumford, A. (1989). Learning styles questionnaire: Organization Design and Development, Incorporated.
11. Kolb A. and Kolb, D. A. (2012) ."Kolb’s learning styles," in Encyclopedia of the Sciences of Learning, ed: Springer, pp. 1698-1703.
12. Felder R. M. and Silverman, L. K. (1988). "Learning and teaching styles in engineering education," Engineering education, vol. 78, pp. 674-681.
13. Essalmi, F. . Ayed, L. J. B ,Jemni, M. and Graf, S (2010). "A fully personalization strategy of E-learning scenarios," Computers in Human Behavior, vol. 26, pp. 581-591.
14. رضايي محمدصادق, منتظر غلامعلي. گروه بندي همگن يادگيرندگان الکترونيکي بر اساس رفتار شبکه اي آنان. نشریه فناوری اطلاعات و ارتباطات ایران، سال ششم شماره ۲۱ (پاییز و زمستان ۱۳۹۳)
15. Truong, HM (2016). Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities .Journal of Computers in Human Behavior. Vol 55, pp 1185-1193.
16. Sabitha ,A.S, Mehrotra D. and Bansal. A. (2017). An ensemble approach in converging contents of LMS and KMS. Journal of Education and Information Technologies. Vol 22, pp 1673–1694.
17. Abellán J. and .Castellano, JG. (2017). A comparative study on base classifiers in ensemble methods for credit scoring. Journal of Expert Systems with Applications. Vol 73 , pp 1-10.
18. Fred, A. (2001). "Finding consistent clusters in data partitions," in Multiple classifier systems, ed: Springer , pp. 309-318.
19. Vega-Pons S. and Ruiz-Shulcloper, J. (2011). "A survey of clustering ensemble algorithms," International Journal of Pattern Recognition and Artificial Intelligence, vol. 25, pp. 337-372.
20. Davies D. L. and Bouldin, D. W. (1979). "A cluster separation measure," Pattern Analysis and Machine Intelligence, IEEE Transactions on, pp. 224-227.
21. Zheng, Q. Ding, J. Du, J. and Tian, F. (2007). "Assessing method for e-learner clustering," in Computer Supported Cooperative Work in Design, CSCWD 2007. 11th International Conference on, 2007, pp. 979-983.
22. Halkidi, M. Batistakis, Y. and Vazirgiannis, M. (2001). "On clustering validation techniques," Journal of Intelligent Information Systems, vol. 17, pp. 107-145.
23. Olson, D. L., & Delen, D. (2008). Advanced data mining techniques p. 138 (1st ed.). Springer.
24. Lokaiczyk, R , Faatz,A, Beckhaus,روش ایندکس گذاری clustered A and Goertz,M.(2007). Enhancing Just-in-Time E-Learning Through Machine Learning on Desktop Context Sensors. International and Interdisciplinary Conference on Modeling and Using Context.pp 330-341.
25. Lykourentzou, I *. Giannoukos,I . Nikolopoulos,V . Mpardis,G . Loumos, V. (2009). Dropout prediction in e-learning courses through the combination of machine learning techniques. Journal of Computers & Education Vol 53. pp 950–965.
26. He ,Y . Hui, SC . Quan,TT.(2009). Automatic summary assessment for intelligent tutoring systems. Journal of Computers & Education . Vol 53 . pp 890–899.
27. Kotsiantis.S . Patriarcheas. K , Xenos.M .(2010). A combinational incremental ensemble of classifiers as a technique for predicting students’ performance in distance education. Journal of Knowledge-Based Systems. Vol 23 .pp 529–535.
28. Moreira-Matias.L . Mendes-Moreira.J . Gama.J and Brazdil.P.(2012). Text Categorization Using an Ensemble Classifier Based on a Mean Co-association Matrix. pp. 525–539.
29. Sai.A . Sabitha1 & Mehrotra1. D & Bansal.A. (2016). An ensemble approach in converging contents of LMS and KMS. Journal of Education and Information Technologies Vol 22(4) .
خوشه‌بندی استان‌های ایران بر پایه‌ی معیارهای شکاف دیجیتال به کمک روش K-MEANS
در این مقاله مفهوم شکاف دیجیتال و برخی از روش‌های کمّی بررسی آن(نمایه‌ها) توضیح داده شده است. هر کدام از نمایه‌های شکاف دیجیتال، تعدادی نشانگر را دربردارند که برای به دست آوردن هر کدام از نشانگرها باید داده‌های گوناگونی گردآوری شود. به دست آوردن برخی از این داده‌ها شدنی نیست و برخی نیز به دشواری گردآوری میشود. برای این پژوهش داده‌های برخی از نشانگرهای شکاف دیجیتال گردآوری شده است که به خوبی وضعیت کشور را در زمینه‌ی تقسیم فناوری اطلاعات نشان می‌دهد. سپس بر روی این داده‌ها خوشه‌بندی انجام شده است. نتیجه‌ی خوشه‌بندی نیز به خوبی نشان دهنده‌ی وضعیت شکاف دیجیتال در کشور است و تهران در نتیجه‌ی به دست آمده از خوشه‌بندی به روش K-means آن چنان تفاوتی با دیگر استان‌ها دارد که همواره در یک خوشه جداگانه گذاشته میشود.
20.1001.1.23223707.1391.1.1.112.9
عنوان مقاله [English]
Clustering provinces in Iran Based on Digital Divide Metric Using the K-means Algorithm
نویسندگان [English]
- Ahmad Yoosofan
- Elham Yousofian
In this paper, the notion of the digital divide has been described, and a few analyzing methods of digital divide have been reviewed. Analyzing methods of digital divide are called indices which have different indicators and different formulas for calculation. Since data collection for an indicator may be difficult, calculating an index is an essential problem. We collected and calculated some indicators in provinces of Iran. But they were insufficient to calculate a standard index. These indicators terribly show the deep digital divide between the provinces. To show more accurately the social inequalities in the adoption of ICT between provinces in Iran, we used the well-known K-means clustering algorithm on the indicators of the provinces. The clustering results appropriately showed the unique status of Tehran among provinces because Tehran always falls in a different cluster alone. It means that the information technology does not fairly spread through the provinces in Irān.
Hybrid Hierarchical Clustering (KH): Cluster Assessment via Rand index.
This paper introduces a hybrid hierarchical clustering method, this method has several computational advantages over agglomerative hierarchical clustering approach for it uses centroids rather than raw data points. It reduces the sample space for building the hierarchy and hence requires fewer resources. In order to evaluate the hybrid algorithm, it is compared with the standard algorithm in terms of time and accuracy on generating data with different distributions (i.e., uniform and normal) and Chess data sets from the UCI repository for single hierarchical and average hierarchical with Euclidean and Manhattan distances.in this paper, we Determine the number of clusters by using ratio from 0.1 to 0.9 from the total number of original data. And also, we used the external (Rand index) criteria with the purposes to evaluate the results obtained from hybrid hierarchical clustering and standard hierarchical clustering.
کلیدواژه ها:
نویسندگان
Faculty of Mathematics and Computer Science, Amirkabir University of Technology, Tehran,Iran
Faculty of Mathematics and Computer Science, Amirkabir University of Technology, Tehran,Iran.
Faculty of Mathematics and Computer Science, Amirkabir University of Technology, Tehran,Iran
کلاس بندی یا طبقه بندی در GIS چیست؟
کلاس بندی یا طبقه بندی که در انگلیسی Classification نامیده میشود، «فرایند مرتب سازی یا منظم کردن موارد موجود در گروه ها یا دسته بندی ها است؛ بر روی یک نقشه، یعنی فرایند نمایش اعضای یک گروه با استفاده از یک سمبل یا نماد یکسان است که معمولا در جدول راهنمای نقشه تعریف می شود».
از طبقه بندی در GIS، نقشه کشی و سنجش از دور برای بیان و تفهیم پیچیدگی ها و استخراج معنی از حوادث جغرافیایی و داده مکانی استفاده می روش ایندکس گذاری clustered شود.
انواع مختلفی از طبقه بندی وجود دارد، همه آنها به طور کلی شامل یک الگو یا کلید هستند که دربرگیرنده مجموعه ای از ضوابط و معیارها است (که معمولا به خواص عوارض بستگی دارد) که در خصوص اینکه هر عارضه در کدام طبقه یا کلاس قرار گیرد، تصمیم گیری می کند.
به طور خلاصه: کلاس بندی یا طبقه بندی (Classifying) داده وکتور به شما اجازه می دهد تا بر اساس ویژگی های عارضه های موجود درون یک لایه، از سمبل (نماد) های مختلف استفاده کنید. با این کار شخصی که از نقشه استفاده می کند، به آسانی به ویژگی عوارض مذکور پی میبرد.
انواع الگوهای طبقه بندی
الگوی طبقه بندی فرم های مختلفی داشته و به شیوه های گوناگونی میتواند بدست آید. انتخاب نوع الگو و شیوه طبقه بندی به منبع دااده و جزئیات دسته بندی های که میخواهیم داده ها را درون آنها قرار دهیم، بستگی دارد.
آستانه کمی (Quantitative Thresholding)
ساده ترین روش، تقسیم گستره ای از مقادیر یک ویژگی کمی به کلاس های عدد-توصیفی است. از این شیوه معمولا برای نقشه های موضوعی پیوسته و گسسته استفاده می شود.
نمونه یک نقشه موضوعی که تفاوت بین داده های یکسان بر اساس طبقه بندی های مشخص شده را نمایش می دهد
برای مثال، درآمد خانوار در یک کشور میتواند به صورت «پردرآمد»، «معمولی» و «کم درآمد» طبقه بندی شود. برای این نوع الگو تکنیک های مختلفی وجود داشته که مبتنی بر الگوی داده ها است:
فواصل یکسان (Equal Interval)
مقادیر مربوط به یک ویژگی را در گروه هایی قرار می دهد که دارای گستره یکسانی از مقادیر هستند. با این کار گروه های مختلفی که دارای اندازه نزدیک به هم هستند، در یک گروه قرار می گیرند. اما این امر در پدیده های جغرافیایی معمولا نمیفتد.
برای استفاده از این روش، تفاضل مقادیر حداقل و حداکثر داده های خود را محاسبه کرده و آنرا بر تعداد دسته بندی هایی که میخواهید ایجاد کنید، تقسیم کنید.
چارک (Quantile)
مقادیر یک ویژگی را به صورت مساوی بر تعداد از پیش مشخص شده کلاس ها، تقسیم می کند. مقادیر یک ویژگی با هم جمع شده و سپس بر روی تعداد از پیش معین کلاس ها، تقسیم می شوند.
برای انجام این کار، مجموع کل مشاهدات را بدست آورده و آنرا بر تعداد کلاس ها تقسیم کنید. یکی از مزایای استفاده از این شیوه، سادگی محاسبه کلاس ها و نمایش یکسان آنها بر روی نقشه است. استفاده از این شیوه برای داده های عددی-توصیفی آسان است.
Jenks Natural Breaks
سیستم طبقه بندی Jenks Natural Breaks یا بهینه سازی، شیوه ای است که برای بهینه سازی دسته بندی مجموعه ای از مقادیر درون کلاس های «طبیعی» مورد استفاده قرار میگیرد.
این روش از طریق کمینه کردن انحراف متوسط از میانگین کلاس ها با بیشینه کردن انحراف از میانگین دیگر گروه ها صورت میگیرد. این شیوه واریانس درون کلاس ها را کاهش داده و واریانس بین کلاس ها را افزایش می دهد.
فاصله هندسی (Geometric Interval)
این شیوه طبقه بندی برای تصویرسازی داده های پیوسته ای که دارای توزیع نرمال نیستند، مورد استفاده قرار میگیرد. این شیوه طراحی شده بود تا بر روی داده هایی که شامل مقادیر تکراری مازاد هستند، مورد استفاده قرار گیرد. مثلا 35% از عوارض دارای مقادیر یکسانی هستند.
انحراف معیار (Standard Deviation)
شیوه طبقه بندی انحراف معیار، مقدار میانگین مشاهدات را بدست آورده سپس کلاس ها را در بالا و پایین مقدار میانگین در فواصل 0.25، 0.5 یا 1 قرار می دهد تا زمانیکه تمام مقادیر درون کلاس ها قرار گیرند.
این شیوه طبقه بندی نشان می دهد که مقدار ویژگی یک عارضه چقدر میتواند از مقدار میانگین متفاوت باشد. از یک الگوی رنگی میتوان برای نمایش بهتر این مقادیر استفاده کرد.
درخت تصمیم (Decision Tree)
درخت تصمیم، مجموعه منظمی از سوالات است که از هر داده ورودی یا هر نقطه ای در فضا پرسیده می شود تا در خصوص دسته بندی یی که به آن تعلق دارد، تصمیم گیری شود. پاسخ به هر سوال مشخص کننده نتیجه یا تعیین کننده سوال جزئی تر بعدی است.
به علت اینکه این سوالات منشعب شده و احتمالات بیشتری را مطرح می کنند، نمودار نهایی شکل یک درخت افقی را به خود میگیرد.
سوالات مذکور میتواننند گستره وسیعی از ویژگی ها و ضوابط و معیارها را شامل شوند. به عنوان یک مثال جغرافیایی، سیستم طبقه بندی اقلیمی Köppen به عنوان یک درخت تصمیم اجرا می شود.
سیستم طبقه بندی اقلیمی Köppen
در GIS، الگوهای طبقه بندی درخت تصمیم از طریق اجرای کوئری مربوط به سوالات بر روی داده ها اجرا می شود. پاسخ مربوط به سوالات منجر به تعیین کلاس نهایی برای ویژگی مذکور را علامت گذاری آن برای طرح سوال بعدی می شود.
خوشه بندی چندمتغیره (Multivariate Clustering)
Clustering نوعی شیوه طبقه بندی است که به صورت رایج برای داده کاوی و تجزیه و تحلیل تصاویر سنجش از دور مورد استفاده قرار میگیرد.
این شیوه مبتنی بر این قضیه است که اگر مجموعه ای از دسته بندی ها در یک پدیده یا عارضه وجود داشته باشند (مثلا انواع پوشش اراضی)، به عنوان الگوهایی برای خصوصیات آن پدیده میبایست مورد استفاده قرار گیرند. به طور مشخص، خوشه هایی وجود دارند که در برخی ویژگی ها مشابه هم هستند اما با دیگر موارد موجود در آن ویژگی مذکور، متفاوت اند.
برای مثال، اگر انسان ها میتوانند انواع مختلف پوشش اراضی روش ایندکس گذاری clustered در یک تصویر هوایی را با درک شباهت ها و تفاوت ها در رنگ و بافت، شناسایی کنند، پس نرم افزارهای سنجش از دور نیز میبایست از پس چنین کاری در تصاویر چندطیفی بربیایند.
یک مثال خوب از چنین شیوه ای میتواند این باشد که: شما داده های مربوط به مشاهده شیر کوهستان را جمع آوری کرده اید و میخواهید از قلمرو آن اطلاعات بیشتری کسب کنید. آگاهی یافتن از از زمان و مکان تجمع شیرها میتواند به طراحی مناطق حفاظت شده جهت کمک به تولیدمثل موفق آنها کمک کند.
ارزیابی چندضابطه ای (Multi-criteria Evaluation)
در بسیاری از الگوهای طبقه بندی جغرافیایی، هر کلاس توسط مجموعه از ضوابط که بیانگر یک منقطه مکانی است، مشخص می شوند. در چنین موردی، پیدا کردن منطقه متناسب با هر کلاس میتواند با استفاده از شیوه ارزیابی چندضابطه ای انجام شود. این کار میتواند با استفاده از شیوه های تجزیه و تحلیل GIS مانند queries، buffers، overlay و map algebra انجام شود.
برای مثال، فرض کنید که یک تحلیلگر GIS به دنبال بهترین مکان برای ساخت تاسیسات مدیریت پساب بر اساس ضوابط مکانی مشخصی است. ضوابطی مانند اینکه: تاسیسات مذکور میبایست نزدیک جاده باشد، از منابع مربوط به حیات وحش دور و همچنین مناطق مسکونی دور باشد.
برای طبقه بندی بهتر مناطق مذکور با مناطقی که با ایده آل ما فاصله دارند، تحلیلگر میتواند از این شیوه ارزیابی برای در نظر گرفتن چندین متغیر که تاثیرگذار هستند استفاده کرده و مکان تاسیسات را شناسایی کند.
با کمک این روش میتوان برای هر ضابطه وزن مشخصی تعیین کرد تا از این طریق بتوان نگاه بهتری نسبت به متغیرها داشت.
برای مثال، در مورد تاسیسات مدیریت پساب، اگر فاصله تاسیسات از مناطق مسکونی دارای اهمیت بیشتری از نزدیک بودن آن به جاده باشد، میتوان این مورد را در طبقه بندی لحاظ کرد.
مدل شاخص (Index Model)
اگر مجموعه نهایی کلاس ها، عددی-توصیفی باشد (مثلا، پتانسیل خطرناک بودن زلزله که دارای مقادیر کم-متوسط-زیاد می باشد)، میتوان آنرا به صورت یک شاخص مدل کرد، یک اندازه گیری کاذب برای چیزی که نمیتواند به صورت مستقیم اندازه گیری شود (در مثال زلزله، مقیاس پتانسیل مذکور بین 1 تا 10 است)، بر اساس فاکتورهایی که میتوانند اندازه گیری شوند.
رایج ترین روش انجام این کار، ترسیم هر فاکتور موثر به همراه ویژگی ها با یک مقیاس کمی است، سپس با استفاده از یک فرمول مانند Weighted Linear Combination میتوان امتیاز نهایی را محاسبه کرد.
بهترین روش‌های جذب بازدیدکننده و درآمد بیشتر با لینک داخلی
نویسنده: تیم تحریریه منتشر شده در شنبه, 7 تیر 1399
لینک‌های داخلی 1 نقش مهمی در سایت شما ایفا می‌کنند و مسیرهایی را ایجاد می‌کنند که کاربران و موتورهای جستجو بتوانند از آن طریق محتوای وب سایتتان را پیدا کنند. اما نقش آنها تنها به این مورد محدود نمی‌شود.
معمولاً در مبحث سئو و خدمات سئو، لینک‌های خارجی 2 – لینک‌هایی که از سایت‌های دیگر به سایت شما داده می‌شوند – مورد توجه زیادی قرار می‌گیرند.
اما باید به بهترین روش‌های ایجاد لینک‌های داخلی نیز توجه داشت، چرا که این نوع لینک‌ها میتوانند از راه‌های زیر برای وب سایت شما مفید باشند:
- میتوانند کمک کنند سایتتان در جستجوهای مرتبط رتبه بالاتری کسب کند.
- به بازدیدکنندگانتان کمک می‌کنند تا تجربه بهتری در سایتتان داشته باشند.
- کمک می‌کنند تا بازدیدکنندگان را به صفحات درآمد ساز سایت خود هدایت کنید.
اجازه بدهید برایتان توضیح دهیم که منظورمان از لینک‌های داخلی چیست؟
راهنمایی: منظور ما به هیچ وجه در لینک دادن از یک پست وبلاگی به یک پست وبلاگی دیگر خلاصه نمی‌شود.
لینک داخلی چیست؟
لینک داخلی لینکی است که از یک صفحه سایت شما به یک صفحه دیگر آن ایجاد میشود. (همانطور که در بالا اشاره کردیم، لینک‌های خارجی، که اغلب به آنها بک لینک 3 می‌گویند، لینک‌هایی هستند که از یک سایت دیگر به سایت شما ایجاد می‌شوند.)
اگر در حوزه بازاریابی محتوا 4 فعالیت دارید، احتمالاً با روش لینک دهی از یک مقاله وبلاگ به مقاله دیگر آن آشنا هستید. اما لینک‌های داخلی را میتوان در چندین نقطه از صفحات وب عادی پیدا کرد. علاوه بر لینک‌های داخل مقاله، لینک‌های داخلی میتوانند شامل: لینک‌های راهبری، لینک‌های تصویری، دکمه‌های فراخوان عمل (روش ایندکس گذاری clustered CTA 5 )، لینک‌های موجود در تبلیغات بنری شوند و عملاً هرگونه لینکی را که به صفحه دیگری از سایت خود ارجاع دارد را نیز شامل شوند.
نحوه استفاده از لینک‌های داخلی برای ایجاد ترافیک ارگانیک
نحوه لینک دهی شما بین صفحات سایت، معماری وب سایتتان را به وجود می‌آورد. معماری وب سایت یکی از فاکتورهای مهم در بهینه سازی برای موتورهای جستجو (سئو) به شمار می‌رود. ربات‌های موتورهای جستجو (که به آنها خزنده 6 می‌گویند) برای پیدا کردن صفحات سایتتان از لینک‌های داخلی آن سایت استفاده می‌کنند. علاوه براین، معماری وب سایت به موتورهای جستجو کمک می‌کند تا محتوایتان را بر اساس موضوع آن ایندکس کنند. آنها با بررسی متن لینک شده یا انکر تکست 7 لینک‌ها متوجه می‌شوند که موضوع صفحات چیست و چه ارتباطی بین آنها وجود دارد.
اگر موتورهای جستجویی مانند گوگل نتوانند صفحاتتان را به آسانی پیدا کنند، نمی‌توانند آنها را ایندکس 8 کنند. و اگر موتورهای جستجو نتوانند صفحاتتان را ایندکس کنند، نمی‌توانند آنها را در نتایج جستجو به نمایش بگذارند.
علاوه براین لینک‌های داخلی باعث می‌شوند افراد زمان بیشتری را در سایت شما بگذرانند. وقتی کسی وارد وب سایت شما میشود و بعد یک لینک داخلی را دنبال می‌کند، این موضوع باعث بالا رفتن میزان معیارهای مشخصی میشود که موتورهای جستجو از آنها برای ارزیابی میزان مفید بودن صفحه شما از آن استفاده می‌کنند. تعامل خوانندگان، مثل زمانی که روی یکی دیگر از صفحات سایتتان کلیک می‌کنند، به موتورهای جستجو نشان می‌دهد که سایت شما برای بازدیدکنندگان ارزشمند است. این سیگنال‌های مثبت، مثل بازدید صفحات بالاتر و نرخ پرش 9 (یا نرخ خروج) پایین تر، میتوانند باعث شوند صفحه شما در رتبه بالاتری در نتایج جستجو قرار بگیرد.
ارزش خالص لینک چیست؟
ارزش خالص لینک که به آن عصاره لینک 10 هم می‌گویند، از نظر فعالان حوزه بهینه سازی سایت میزان ارزشی است که از طریق یک لینک از یک صفحه به صفحه دیگر منتقل میشود.
همانطور که سایت شما در مجموع میتواند اعتبار 11 را بالا ببرد، صفحات مستقل سایت شما هم میتوانند ارزش سایت را بالا ببرند. صفحات وب میتوانند عمدتاً از طریق بک لینک‌هایی که سایر وب سایت‌ها به آنها می‌دهند، ارزش دریافت کنند. سپس میتوانند از طریق استفاده خودشان از لینک‌ها، این ارزش را (چه به صورت داخلی و خارجی) به صفحات دیگر منتقل کنند.
بسیاری از متخصصین سئو قبلاً فکر می‌کردند که بایستی به دقت این ارزش خالص را دستکاری کنند تا مطمئن شوند که میزان بهینه اعتبار لینک را به صفحات مشخصی منتقل می‌کند. البته به لطف یکی از به روزرسانی‌های گوگل که از جذابیت دستکاری ارزش لینک کم کرد، دیگر از تکنیک لینک دهی مصنوعی به این شکل استفاده نمی‌شود. با اینحال بایستی در نظر داشته باشید که عصاره لینک میتواند به صفحات شما کمک کند.
چگونه از ارزش خالص لینک برای بهبود رتبه صفحات خودتان استفاده کنید؟
زمانی که متوجه شوید که ارزش خالص لینک به انتقال ارزش از یک صفحه به صفحه دیگر کمک می‌کند، کم کم راه‌هایی برای بهینه سازی صفحاتتان از طریق سئو را مشاهده خواهید کرد.
اگر صفحه‌ای داشته باشید که به نظرتان باید بهبود پیدا کند، می‌توانید از صفحات مرتبط سایتتان که ارزش خالص لینک بیشتری دارند به آن لینک بدهید. همچنین می‌توانید از صفحه اصلی سایت خود -که معمولاً از بالاترین ارزش میان صفحات سایت برخوردار است- به محتواهای جدید یا مهم لینک بدهید.
به عنوان مثال، بسیاری از شرکت‌ها این کار را از طریق جدیدترین مطالب بلاگ انجام می‌دهند. این کار را می‌توانید به وسیله یکی از ابزارک‌های سیستم مدیریت محتوای سایتتان به صورت خودکار انجام دهید.
نمونه موردی:
ببینید که شرکت تجهیزات پزشکی گرین لایت گورو (Greenlight Guru) چگونه لینک به محتواهای اخیر خود را در پایین صفحه اصلی سایتش درج کرده است:
اما از کجا متوجه می‌شوید که کدام صفحات ارزش خالص لینک بیشتری دارند؟ برای این کار سه گزینه پیش روی شماست:
- پروفایل بک لینک صفحات مختلف سایتتان را بررسی کنید. صفحاتی که سایت‌های بیشتر و با کیفیت‌تری به آنها لینک داده‌اند بیشترین میزان ارزش خالص لینک را دارند.
- از افزونه‌های کروم برای مشاهده ارزش صفحات مجزا استفاده کنید. برای این کار می‌توانید از افزونه رایگان سایت Link Research Tools به نام LRT Power*Trust™ Extension شروع کنید.
- به بخش مربوط به تجزیه و تحلیل آمار سایتتان در ابزارهای مربوطه مراجعه کنید و ببینید کدام صفحات بیشترین بازدیدکننده را به سایتتان هدایت می‌کنند.
این مورد درست است که اگر به این نتیجه برسید که صفحاتی که بازدیدکننده بیشتری دارند از ارزش خالص بیشتری برای به اشتراک گذاری برخوردارند. قطعاً این صفحات میتوانند فرصتی فراهم کنند تا میزان دیده شدن صفحاتی را که میخواهید بهبود ببخشید، بالا ببرید.
از لینک‌های داخلی برای نشان دادن ارتباط استفاده کنید
از آنجایی که مرتبط بودن 12 بسیار مهم است، لینک کردن تمامی محتواهای مرتبط به شکل چند خوشه یا شبکه محتوایی میتواند استراتژی مفیدی باشد. برای این کار باید برای هر موضوع یک صفحه مرکزی ایجاد کنید و سپس از آن به تمامی صفحات سایتتان که به آن مرتبط هستند لینک بدهید. می‌توانید این روش‌ها را در دو مدل رایج معماری رایج محتوا به نام‌های «محتوای مرکزی و محتوای مهمان 13 » و «مدل خوشه‌ای تولید محتوا 14 » مشاهده کنید.
ایجاد یک چهارچوب سئوی قدرتمند لینک سازی داخلی میتواند باعث شود صفحاتتان به طور جداگانه و سایتتان به صورت کلی رتبه بهتری کسب کنند.
نکته دیگری که به همین اندازه مهم است این است که لینک های داخلی میتوانند به بالا بردن نرخ تبدیل و درآمد سایتتان کمک کنند.
چگونه از لینک‌های داخلی برای کسب درآمد استفاده کنیم؟
لینک‌های داخلی که به درستی ایجاد شده باشند میتوانند میزان دیده شدن صفحاتی را که در تبدیل بازدیدکننده به خریدار نقش مهمی ایفا می‌کنند، بالا ببرند. این لینک‌ها میتوانند خوانندگانتان را به ارزشمندترین صفحات سایتتان هدایت کنند و به آنها کمک کنند با برند شما آشنا شوند.
قیف فروش:
لینک دادن از داخل محتوا به سایر صفحات سایتتان به خوانندگان نشان می‌دهد که شما جز صفحه‌ای که آنها خودشان روش ایندکس گذاری clustered وارد شده‌اند، محتواهای دیگری نیز برای ارائه کردن و پیشنهاد دارید. به محتواهایی لینک دهید که به آنها کمک می‌کند مفاهیم را عمیق‌تر بررسی کنند یا سؤالات مرتبط درباره موضوعی که می‌خوانند را پاسخ دهد.
همچنین در نظر داشته باشید که آنها در کدام نقطه از مسیر خرید خود قرار دارند. به طور کلی، خریداران می‌خواهند در هر مرحله و قبل از پیشروی به مرحله بعدی چندین محتوا را خوانده و بررسی کنند. بد نیست که این موضوع را با توجه به قیف فروش 15 بررسی کنیم. هرچه مشتری احتمالی در نقطه پایین‌تری از قیف فروش قرار داشته باشد، به خریداری محصول نزدیک تر است.
اگر کسی از طریق مقاله ای که در بالای قیف قرار دارد وارد سایت شما شود، می‌توانید به سایر مقالاتی که نیازهای بالای قیف را برطرف می‌کنند و همچنین به بعضی از مقالاتی که به خواننده کمک می‌کنند سراغ علایق وسط قیفی خود هم برود، لینک بدهید.
به همین شکل، اگر خواننده وارد مقالات وسط قیفی شما شود، شاید فکر خوبی باشد تا به چند مقاله دیگر در همان سطح، و همچنین چند مقاله که به خواننده کمک می‌کنند سراغ سؤالات خود در سطح بعدی برود، لینک بدهید.
دیدگاه شما