简短回答： 部分地,而不是大多数团队所假设的. 出生数字的PDF是可读的,因为它带有文本层;扫描的PDF是一张文档的图片,没有OCR,则不能产生任何效果. 图像大多通过周围的文本——文件名,备选案文,标题,附近的副本来理解. 视频几乎完全通过其记录、标题和描述来阅读,这就是为什么记录稿成为AI可见度最强的关联之一。 每一种格式都通过文本来获得引用。
核心要点
- 生数码PDF携带嵌入式文本层,可以直接解析;扫描PDF是图像的序列,没有OCR,没有机器可读文本.
- 答题引擎大多通过周围文本——文件名,异位属性,标题和附近的段落——理解图像,而不是仅通过视觉.
- 视频几乎完全通过其记录、标题和描述阅读;没有经过更正的记录的视频很少有助于引用。
- 自动生成的字幕在资源较少的语言和区域口音中急剧退化,因此记录片覆盖是语言特有,而不是通用的.
- PDF读取顺序和表格结构在文本提取过程中经常中断,这就是为什么一个文档的HTML版本比PDF本身更可读.
每一种格式都能够作出什么实际贡献?
所有三种格式都能够作出贡献,但只能通过文本。每个被引用的格式都是这样,因为其中的某物可以作为文本读取。
单项原理解释了这里的大部分混乱。 答题引擎合成文本答案, 所以格式产生可提取的可归属文本时会获得引用。 格式之间的差异在于它们暴露的文本数量和可靠性的差别。 A 文本层 是嵌入在文件中的字符的机器可读字符串,而不是页面上这些字符的视觉外观.
注意有商业原因. AI Overview 包含的分析发现,多式联运内容——文本与图像,视频和结构化数据相结合——与包含密切相关,随着答题引擎扩展到处理非文本内容,早期的优势. 显示内容为文字的多格式页面往往表现良好;隐藏内容的格式则不。关于不同格式的引用所得的更宽泛的条目,请参见 AI答引擎实际上让你引用的是什么.
为何PDF读得很少,
因为 PDF 是假扮网页的打印格式。 文本经常存在; 引擎需要准确引用的结构经常不使用 。
开始于决定一切的分拆。 诞生数字 PDF,从一个单词处理器或设计工具导出,包含一个嵌入式文本层,并可以直接解析。 扫描 PDF 图像序列, 没有 OCR , 则根本不包含机器可读文本。 您网站上的每张白皮书、 报告和数据表都属于这两类之一, 许多组织不知道其中的一类。
即使文本存在,三个结构性问题也降低了可读性.
| 问题 | 何谓断裂 |
|---|---|
| 阅读顺序 | 多栏布局,侧边栏和拉引语在错误的顺序中解析,所以提取的段落会出错,且不易引用 |
| 表格 | 视觉网格被平整成一串没有关系的数字—— 一种特别的损失,因为表格式数据在其他方面是高度可定额的 |
| 缺少上下文 | 没有可靠的标题等级, 没有计划标记, 在一个机器可读字段没有发布日期, 没有内部链接。 文件主机的页面可能包含全部内容; 文件没有 |
文档解析的供应商建造检索管道报告的情况正是如此:普通OCR可以从扫描中提取原始文本,但生成的读取顺序差,表格破损,即使原始文本技术上存在,也会损害其批量和答答质量。 技术 AEO 结构 HTML作为主表面,PDF作为次要的人工剂.
实际结论不是放弃 PDF 。 而是停止把它们当作您想要引用的任意内容的主版本。 发布一个HTML 页面, 内容与 正确结构, 并带有 问题形状的标题, 如 描述 问题标题和回答第一写法,并给出PDF作为下载。HTML获得引用;PDF为想要打印的读者服务。
引擎如何真正理解图像和视频?
透过所附的文字,存在视觉能力,但引用的可靠途径则通过标题、备选案文、文字记录和描述。
影像图. 现代模型可以描述一个图像,但一个决定是否引用一个页面的答题引擎主要从它周围的文本中工作:文件名、 其它属性、 标题、 邻近段落、 结构化数据。 这就是为什么当图表的关键发现也出现在标题或机构副本中时, 图表表现更好 。 带有一个在页面上没有句子重复的统计的图像是引擎无法引用的统计,在AI回复中表面的图像通常会与源头连接,因此描述性归属问题.
视频. 整个地区的证据最强。YouTube始终是回答引擎和研究中最引人入胜的领域之一。 75,000个品牌 发现YouTube视频标题和记录稿中品牌的提及与AI的可见度的关系比其他研究的信号更为密切. 从业人员分析指出的方式相同:记录密度,章节标记和结构描述都具有升降功能.
仔细阅读,因为很容易误读。不是视频内容被偏爱。 带丰富的记录的视频是文本文件 带视频,而记录稿就是阅读内容。带有自动生成、未经修正或缺失记录的视频很少提供内容。
多语种层面是商业上有趣的地方,它与以下描述的格局联系在一起: AI 搜索中的英语偏差: 一种语言的笔录,除非有人制作其他语言,自动字幕会用资源较少的语言和地区口音急剧下降。 一个有优秀英语笔录的公司,其他东西在顾客用印度尼西亚语或阿拉伯语询问时就看不见。 如本报告所述,制作各语文的准确记录稿和标题。 AI引擎引用,是工作内容 Lifewood 透过当地语言者在全岛 40+ 分娩中心 30+ 国家——在这方面,是一种能见度投资,而不是事后的可获取性。
你该先修什么?
把这些都按顺序处理,因为努力与效果的比例大不相同。
- 审计哪些PDF被扫描. 打开每个并尝试选择文本。 如果您无法打开, 引擎也无法读取。 运行 OCR —— 或者更好, 重写为 HTML 。
- 给每个重要的PDF一个HTML等效. 内容相同,题形标题相同,每个部分顶部附近有一个答案,真实的HTML表格而不是表格的图像.
- 写其它文本,说明发现,而不是文件。 显示农村互联网使用情况的列图 58% 反对 85% 城市是有用的,"图1.png"不是。
- 复说品中密钥数. 仅存在于图像内的统计数据实际上并不存在以引用为目的。
- 出版更正的笔录,而不是自动抓取. 添加章节标记和结构化描述。在进行覆盖的同样的爬行器访问检查之后,将记录稿作为自己的页面处理。 AI 允许和阻挡的.
- 做同样的事情,你销售的每一种语言。 语录、标题和备选案文是语言特有的资产;用一种语言进行报道,在另一种语言中不会买任何东西。
- 检查爬行者访问您的媒体目录 。 A
robots.txt规则封禁/assets/或 或 时 间/downloads/悄悄地排除了上面的一切, 并且你分析中的任何内容都不会报告。
一个管理 AEO 方案通常作为第一次通过审计进行;见 AEO/GEO 提供者 如何扩大这项工作的范围。