BERT—Bidirectional Encoder Representations from Transformers—ialah teknik language representation yang Google open-source pada 2018 dan gunakan dalam Cari pada Oktober 2019. Ia membantu Google memahami bagaimana gabungan perkataan membawa makna dan intent melalui surrounding context. BERT meningkatkan language understanding; ia bukan SEO score, plugin, schema type atau penalty yang boleh dioptimumkan secara langsung.
October 2019
Apa yang berubah
Original BERT research melatih deep bidirectional representation daripada unlabelled text, kemudian fine-tune untuk task seperti question answering dan language inference. Secara mudah, representasi satu perkataan berubah mengikut perkataan sebelum dan selepasnya. “Bank” untuk akaun kewangan dan tebing sungai tidak patut membawa makna sama.
Apabila BERT dilancarkan dalam Cari, contoh Google menunjukkan query yang berubah kerana small words dan relationship: siapa bergerak ke negara mana, ubat untuk orang lain, ketiadaan curb, atau “stand” sebagai tuntutan fizikal kerja. Google berkata BERT digunakan untuk ranking dan featured snippets.
Current Google ranking systems guide masih menyenaraikan BERT untuk memahami word combination, meaning dan intent. Ini tidak bermaksud model, coverage atau implementation 2019 kekal sama. Cari menggunakan banyak sistem dan tiada BERT report untuk satu site atau query.
Timeline BERT: daripada research kepada Cari system
Coverage figure berikut ialah historical statement bertarikh, bukan permanent percentage hari ini.
| Tarikh | Milestone didokumentasikan | Apa yang disokong |
|---|---|---|
| Oktober–November 2018 | Google researcher memperkenal dan open-source BERT untuk NLP pre-training. | BERT bermula sebagai reusable language research, bukan SEO update. |
| 2018–2019 | Research melaporkan strong result untuk 11 NLP tasks dan diterbitkan di NAACL 2019. | Benchmark tidak mendedahkan Cari ranking weight. |
| 25 Oktober 2019 | Google mengumumkan BERT dalam U.S. English ranking dan featured snippets di beberapa negara. | Pada launch, kira-kira satu dalam sepuluh U.S. English searches. |
| 9 Disember 2019 | Google mengumumkan rollout kepada lebih 70 bahasa. | Multilingual expansion tidak menjanjikan quality sama untuk setiap bahasa. |
| 15 Oktober 2020 | Google berkata BERT digunakan dalam hampir setiap English query. | Angka sepuluh peratus sudah outdated dalam setahun. |
| Dokumentasi semasa | Google terus menyenaraikan BERT sebagai notable ranking system. | BERT masih relevan tetapi tidak menerangkan modern Cari sendirian. |
Fahami istilah BERT tanpa mencipta SEO mythology
Research concept, Cari product dan content recommendation saling berkait tetapi bukan claim yang sama.
| Istilah | Working meaning yang tepat | Jangan simpulkan |
|---|---|---|
| Bidirectional context | Word representation menggunakan context pada kedua-dua sisi semasa BERT pre-training. | Google memahami setiap statement seperti manusia. |
| Transformer | Neural architecture yang menghubungkan input melalui attention mechanisms. | Website perlukan Transformer markup atau JavaScript library. |
| Pre-training | General language representation dipelajari sebelum task-specific fine-tuning. | Google retrain pada satu website setiap kali wording berubah. |
| Fine-tuning | Pre-trained model disesuaikan untuk downstream task. | Site owner boleh fine-tune Google dengan mengulang query variation. |
| Cari ranking use | BERT membantu memahami query meaning apabila memilih dan menyusun useful result. | BERT ialah satu-satunya ranking system atau public quality score. |
| Featured-snippet use | Google juga menggunakan BERT untuk improve snippet understanding. | Short paragraph menjamin featured snippet. |
Maksudnya untuk SEO
Tulis secara natural tetapi jangan samakan natural dengan vague. Nyatakan actor, action, object, direction, condition, time, location, quantity dan exception apabila ia mengubah jawapan.
Keyword research masih diperlukan. Google mengesyorkan words yang user gunakan diletakkan pada title, main heading dan lokasi deskriptif, sambil menyatakan language systems boleh menghubungkan page dengan query tanpa setiap exact variation.
Asingkan relevance daripada quality. BERT membantu memahami maksud query atau passage; ia tidak membuktikan information itu accurate, original, current atau trustworthy.
Salah faham vs tafsiran bertanggungjawab
| Salah faham | Tafsiran bertanggungjawab |
|---|---|
| BERT menjadikan keyword obsolete. | User vocabulary kekal penting; exact-match repetition tidak menggantikan intent. |
| Ada BERT score untuk ditingkatkan. | Google tidak menyediakan score, Search Console filter atau page diagnostic. |
| Perlu BERT plugin atau schema. | Tiada BERT-specific markup atau plugin. |
| Long conversational copy automatik lebih baik. | Useful context boleh concise; filler mengganggu task. |
| Masukkan semua synonym dan entity. | Pilih precise natural terms yang menyokong page purpose. |
| BERT reward grammar sempurna. | Ia language-understanding system, bukan public grammar factor. |
| BERT ialah fact checker. | Memahami bahasa claim tidak membuktikan ia benar. |
| BERT, RankBrain dan Neural Matching sama. | Google mendokumentasikan sistem berbeza dengan related roles. |
| BERT menghasilkan AI Overviews. | BERT mendahului generative Cari dan bukan Gemini answer generation. |
| Traffic change Oktober 2019 membuktikan BERT. | Tiada site-level report; faktor lain mesti diperiksa. |
BERT, RankBrain, Neural Matching dan sistem bahasa lain
Gunakan public description Google untuk membezakan sistem; production interaction lebih kompleks daripada satu SEO diagram.
| Sistem | Fokus didokumentasikan Google | Claim yang perlu dielak |
|---|---|---|
| Hummingbird | Major 2013 improvement kepada overall ranking systems; kini historical. | Semua sistem bahasa kemudian hanya nama lain Hummingbird. |
| RankBrain | Memahami bagaimana words berkait dengan concepts. | User-signal score atau synonym counter yang boleh diukur. |
| Neural Matching | Memahami concept representations dalam queries dan pages lalu memadankannya. | LSI keyword checklist. |
| BERT | Memahami bagaimana word combinations menyatakan meaning dan intent. | Page-quality score atau one-time penalty. |
| Passage Ranking | Mengenal pasti section untuk memahami page relevance. | Google index passage sebagai separate URL. |
| MUM | Understand dan generate language untuk specific applications. | General ranking system untuk setiap query. |
| Gemini dalam Cari | Menyokong newer generative Cari experiences. | Setiap AI Overview citation diterangkan oleh BERT. |
Tindakan praktikal
- Tetapkan satu primary user task, intended audience dan successful outcome sebelum drafting.
- Kumpul real query language daripada Search Console, customer conversation, internal search, community dan keyword research.
- Group variation yang berkongsi intent dan expected answer; jangan bina satu page setiap phrasing.
- Berikan direct answer awal dengan complete precise sentence, bukan keyword string.
- Namakan actor dan object apabila it, they atau this boleh merujuk beberapa perkara.
- Kekalkan direction, negation, comparison, unit, eligibility, location, date dan detail kecil yang mengubah maksud.
- Gunakan descriptive headings untuk decision dan subquestion, kemudian kekalkan scope section.
- Terangkan specialist term dalam bahasa audience beginner atau buyer.
- Tambah example, calculation, screenshot, evidence atau exception untuk menyelesaikan uncertainty.
- Edit AI-assisted draft untuk missing referent, invented certainty, contradiction dan unsupported claim.
- Link supporting page yang benar-benar related; elakkan thin page untuk setiap long-tail query.
- Ukur query cluster, landing-page outcome dan conversion lalu improve section berdasarkan evidence.
Audit context clarity untuk satu page
Audit ini membantu user dan machine tanpa berpura-pura mengira BERT score.
| Elemen context | Soalan lulus | Warning sign |
|---|---|---|
| Actor | Jelas siapa melakukan atau menerima action? | Pronoun boleh merujuk beberapa orang, company atau product. |
| Direction | From, to, for, by dan between menunjukkan relationship betul? | Origin dan destination terbalik. |
| Negation | No, not, without dan exception dikekalkan? | Summary membuang negative lalu mengubah instruction. |
| Scope | Audience, product, location atau situation dinyatakan? | Conditional answer ditulis sebagai universal advice. |
| Time | Date, version dan effective period jelas? | Historical dan current rule bercampur. |
| Quantity | Number ada unit, denominator dan comparison basis? | Percentage tanpa sample atau timeframe. |
| Reference | Reader tahu this, that, former dan latter merujuk apa? | Referent hilang atau terlalu jauh. |
| Terminology | Official term digunakan dan diterangkan? | Synonym variation memberi banyak nama untuk satu concept. |
| Answer completeness | Decision, reason, next step dan limitation ada? | Page match keyword tetapi user perlu search lagi. |
Apa yang tidak dimaksudkan
- Google tidak menyediakan BERT score, impact report, manual action, recovery request atau switch.
- Angka satu dalam sepuluh ialah U.S. English launch Oktober 2019, bukan current coverage.
- Lebih 70 bahasa ialah expansion Disember 2019 dan tidak menjamin performance sama setiap bahasa.
- “Hampir setiap English query” ialah statement Oktober 2020, bukan exact percentage hari ini.
- Public example menerangkan language challenge, bukan semua production feature atau weight.
- BERT tidak menjamin crawling, indexing, ranking, featured snippet, AI citation atau click.
- BERT tidak menggantikan factual accuracy, evidence, source quality atau technical eligibility.
- Content lebih panjang, banyak question atau conversational filler bukan BERT optimization.
- Third-party NLP score boleh bantu editing tetapi tidak mengesahkan Google interpretation.
- Search Console change tidak boleh isolate BERT daripada demand, intent, SERP, competitor atau sistem lain.
Soalan lazim
Apa maksud BERT?
Bidirectional Encoder Representations from Transformers, teknik pre-training contextual language representation.
Bila Google mula gunakan BERT?
Google mengumumkan U.S. English Cari ranking pada 25 Oktober 2019 dan kemudian lebih 70 bahasa.
BERT masih digunakan?
Ya. Current Google ranking systems guide masih menyenaraikannya.
Boleh optimize khusus untuk BERT?
Tiada special setting. Improve task, contextual clarity, evidence dan usefulness.
BERT menggantikan keyword?
Tidak. Gunakan words audience pada title dan heading tanpa awkward repetition.
BERT sama dengan RankBrain?
Tidak. BERT memahami word combination dan intent; RankBrain menghubungkan words dengan concepts.
BERT sama dengan Neural Matching?
Tidak. Neural Matching memadankan concept representation dalam queries dan pages.
BERT menilai content quality?
Bukan sendirian. Language understanding membantu relevance; banyak sistem lain menilai usefulness dan reliability.
Structured data membantu BERT?
Structured data boleh membantu eligible Cari feature, tetapi tiada BERT-specific schema.
Apa tindakan untuk multilingual site?
Tulis dan review setiap bahasa secara native, kekalkan direction dan condition, elakkan literal translation yang mengubah task.
Sumber rasmi dan rujukan utama
- Google Cari: Understanding searches better than ever before
- Google Research: Open sourcing BERT
- Google Research publication: BERT
- Google Cari ranking systems guide: BERT
- Google Cari: BERT used in almost every English query
- Cari Engine Land: BERT rollout to more than 70 languages
- Google Cari: How Google delivers reliable information
- Google Cari: Creating helpful, reliable, people-first content
- Google Cari Central: SEO Starter Guide
- Ahrefs: Cari intent and the three Cs
- Semrush: How the Google Cari algorithm works
Sambung siri sistem Google Cari
Semak visibility, content, links dan technical health tanpa mengejar skor algoritma rekaan.
Evolusi Ranking Google: Daripada PageRank ke Modern Cari Systems2 September 2026
Kandungan AI dan SEO Google: Apa Dibenarkan, Apa Dianggap Spam dan Cara Publish2 September 2026
Google Florida Update 2003: Fakta, Teori dan Lesson SEO2 September 2026