簡短回答： 部分地,而不是大多數團隊所假設的. 出生數字的PDF是可讀的,因爲它帶有文本層;掃描的PDF是一張文檔的圖片,沒有OCR,則不能產生任何效果. 圖像大多通過周圍的文本——文件名,備選案文,標題,附近的副本來理解. 視頻幾乎完全通過其記錄、標題和描述來閱讀,這就是爲什麼記錄稿成爲AI可見度最強的關聯之一。 每一種格式都通過文本來獲得引用。
核心重點
- 生數碼PDF攜帶嵌入式文本層,可以直接解析;掃描PDF是圖像的序列,沒有OCR,沒有機器可讀文本.
- 答題引擎大多通過周圍文本——文件名,異位屬性,標題和附近的段落——理解圖像,而不是僅通過視覺.
- 視頻幾乎完全通過其記錄、標題和描述閱讀;沒有經過更正的記錄的視頻很少有助於引用。
- 自動生成的字幕在資源較少的語言和區域口音中急劇退化,因此記錄片覆蓋是語言特有,而不是通用的.
- PDF讀取順序和表格結構在文本提取過程中經常中斷,這就是爲什麼一個文檔的HTML版本比PDF本身更可讀.
每一種格式都能夠作出什麼實際貢獻?
所有三種格式都能夠作出貢獻,但只能通過文本。每個被引用的格式都是這樣,因爲其中的某物可以作爲文本讀取。
單項原理解釋了這裏的大部分混亂。 答題引擎合成文本答案, 所以格式產生可提取的可歸屬文本時會獲得引用。 格式之間的差異在於它們暴露的文本數量和可靠性的差別。 A 文本層 是嵌入在文件中的字符的機器可讀字符串,而不是頁面上這些字符的視覺外觀.
注意有商業原因. AI Overview 包含的分析發現,多式聯運內容——文本與圖像,視頻和結構化數據相結合——與包含密切相關,隨着答題引擎擴展到處理非文本內容,早期的優勢. 顯示內容爲文字的多格式頁面往往表現良好;隱藏內容的格式則不。關於不同格式的引用所得的更寬泛的條目,請參見 AI答引擎實際上讓你引用的是什麼.
爲何PDF讀得很少,
因爲 PDF 是假扮網頁的打印格式。 文本經常存在; 引擎需要準確引用的結構經常不使用 。
開始於決定一切的分拆。 誕生數字 PDF,從一個單詞處理器或設計工具導出,包含一個嵌入式文本層,並可以直接解析。 掃描 PDF 圖像序列, 沒有 OCR , 則根本不包含機器可讀文本。 您網站上的每張白皮書、 報告和數據表都屬於這兩類之一, 許多組織不知道其中的一類。
即使文本存在,三個結構性問題也降低了可讀性.
| 問題 | 何謂斷裂 |
|---|---|
| 閱讀順序 | 多欄佈局,側邊欄和拉引語在錯誤的順序中解析,所以提取的段落會出錯,且不易引用 |
| 表格 | 視覺網格被平整成一串沒有關係的數字—— 一種特別的損失,因爲表格式數據在其他方面是高度可定額的 |
| 缺少上下文 | 沒有可靠的標題等級, 沒有計劃標記, 在一個機器可讀字段沒有發佈日期, 沒有內部鏈接。 文件主機的頁面可能包含全部內容; 文件沒有 |
文檔解析的供應商建造檢索管道報告的情況正是如此:普通OCR可以從掃描中提取原始文本,但生成的讀取順序差,表格破損,即使原始文本技術上存在,也會損害其批量和答答質量。 技術 AEO 結構 HTML作爲主表面,PDF作爲次要的人工劑.
實際結論不是放棄 PDF 。 而是停止把它們當作您想要引用的任意內容的主版本。 發佈一個HTML 頁面, 內容與 正確結構, 並帶有 問題形狀的標題, 如 描述 問題標題和回答第一寫法,並給出PDF作爲下載。HTML獲得引用;PDF爲想要打印的讀者服務。
引擎如何真正理解圖像和視頻?
透過所附的文字,存在視覺能力,但引用的可靠途徑則通過標題、備選案文、文字記錄和描述。
影像圖. 現代模型可以描述一個圖像,但一個決定是否引用一個頁面的答題引擎主要從它周圍的文本中工作:文件名、 其它屬性、 標題、 鄰近段落、 結構化數據。 這就是爲什麼當圖表的關鍵發現也出現在標題或機構副本中時, 圖表表現更好 。 帶有一個在頁面上沒有句子重複的統計的圖像是引擎無法引用的統計,在AI回覆中表面的圖像通常會與源頭連接,因此描述性歸屬問題.
視頻. 整個地區的證據最強。YouTube始終是回答引擎和研究中最引人入勝的領域之一。 75,000個品牌 發現YouTube視頻標題和記錄稿中品牌的提及與AI的可見度的關係比其他研究的信號更爲密切. 從業人員分析指出的方式相同:記錄密度,章節標記和結構描述都具有升降功能.
仔細閱讀,因爲很容易誤讀。不是視頻內容被偏愛。 帶豐富的記錄的視頻是文本文件 帶視頻,而記錄稿就是閱讀內容。帶有自動生成、未經修正或缺失記錄的視頻很少提供內容。
多語種層面是商業上有趣的地方,它與以下描述的格局聯繫在一起: AI 搜索中的英語偏差: 一種語言的筆錄,除非有人制作其他語言,自動字幕會用資源較少的語言和地區口音急劇下降。 一個有優秀英語筆錄的公司,其他東西在顧客用印度尼西亞語或阿拉伯語詢問時就看不見。 如本報告所述,製作各語文的準確記錄稿和標題。 AI引擎引用,是工作內容 Lifewood 透過當地語言者在全島 40+ 分娩中心 30+ 國家——在這方面,是一種能見度投資,而不是事後的可獲取性。
你該先修什麼?
把這些都按順序處理,因爲努力與效果的比例大不相同。
- 審計哪些PDF被掃描. 打開每個並嘗試選擇文本。 如果您無法打開, 引擎也無法讀取。 運行 OCR —— 或者更好, 重寫爲 HTML 。
- 給每個重要的PDF一個HTML等效. 內容相同,題形標題相同,每個部分頂部附近有一個答案,真實的HTML表格而不是表格的圖像.
- 寫其它文本,說明發現,而不是文件。 顯示農村互聯網使用情況的列圖 58% 反對 85% 城市是有用的,"圖1.png"不是。
- 復說品中密鑰數. 僅存在於圖像內的統計數據實際上並不存在以引用爲目的。
- 出版更正的筆錄,而不是自動抓取. 添加章節標記和結構化描述。在進行覆蓋的同樣的爬行器訪問檢查之後,將記錄稿作爲自己的頁面處理。 AI 允許和阻擋的.
- 做同樣的事情,你銷售的每一種語言。 語錄、標題和備選案文是語言特有的資產;用一種語言進行報道,在另一種語言中不會買任何東西。
- 檢查爬行者訪問您的媒體目錄 。 A
robots.txt規則封禁/assets/或 或 時 間/downloads/悄悄地排除了上面的一切, 並且你分析中的任何內容都不會報告。
一個管理 AEO 方案通常作爲第一次通過審計進行;見 AEO/GEO 提供者 如何擴大這項工作的範圍。