从历史上看，反向链接一直是提升搜索结果可见度的最可靠手段之一。
我们知道链接对于基于 AI 的搜索的可见性很重要，但它们在 LLM（包括 AI Overviews、Gemini 或 ChatGPT 等）内部的工作原理仍然有点像个黑匣子。
人工智能搜索模型的兴起改变了自然搜索可见性的规则，也改变了LLM搜索结果中声量份额的竞争格局。
所以问题是，反向链接在基于人工智能的搜索方式中是否仍然能获得曝光度……如果可以，哪些搜索方式能获得曝光度？
如果说反向链接是 LLM 出现之前的网络货币，那么本周的分析将首次探讨它们在新兴的 AI 搜索经济中是否仍然是合法货币。
我与 Semrush 合作，分析了 1000 个域名及其 AI 提及情况与核心反向链接指标之间的关系。
数据揭示了四个明确的结论：
- 反向链接带来的权威性固然重要，但这并非全部。
- 链接质量比链接数量更重要。
- 最令人惊讶的是，nofollow链接竟然产生了真正的影响。
- 图片链接可以提升权威性。
这些发现有助于我们了解人工智能模型如何识别网站，以及营销人员可以利用哪些反向链接手段来影响网站的可见性。
下面，您将看到方法论、更深入的数据结论，以及（针对高级订阅用户）将这些发现付诸实践的建议（附带基准）。
方法论
本次分析中，我研究了1000个随机选择的网站域名中提及人工智能的相关关系。所有数据均来自Semrush AI SEO Toolkit，即Semrush的人工智能可见性和搜索分析平台。
我与 Semrush 团队一起，分析了以下各项的提及次数：
- ChatGPT。
- ChatGPT 已启用搜索功能。
- 双子座。
- 谷歌人工智能概览。
- 困惑。
（如果您想知道 Claude.ai 在此分析中处于什么位置，我们目前没有将其纳入分析范围，因为它的用户群体通常不太关注网络搜索，而更关注生成式任务。）
对于上述平台，我们根据以下反向链接指标衡量了声量份额和人工智能提及次数：
- 反向链接总数。
- 唯一链接域。
- 点击链接。
- nofollow链接。
- 权威评分（Semrush 指标， 下文简称 Ascore）。
- 文本链接。
- 图片链接。
如何理解这项分析：皮尔逊相关系数与斯皮尔曼相关系数的数据相关性
在本分析中，我使用了两种不同的方法来衡量数据之间的相关性：皮尔逊相关系数和斯皮尔曼相关系数。
如果您已经熟悉这些概念，请跳到下一节，我们将深入探讨结果。
对于其他人，我将逐条解释，以便你们更好地理解以下发现。
Pearson 和 Spearman 都是相关系数——介于 -1 和 +1 之间的数字，用于衡量两个不同变量之间的关联强度。
系数越接近+1或-1，相关性就越强。（接近0表示相关性很弱或完全没有相关性。）
- 皮尔逊相关系数 r 用于衡量两个变量之间线性关系的强度和方向。它使用原始数据来分析线性相关性。这种测量方法对异常值较为敏感。但是，如果关系呈曲线或存在阈值，皮尔逊相关系数的测量结果会偏低。
- 斯皮尔曼等级相关系数 (ρ) 用于衡量单调关系的强度和方向，或者说，衡量数值是否始终朝着相同或相反的方向变化，而不一定是直线变化。斯皮尔曼等级相关系数考察的是数据间的等级相关性。它考察的是 X 值越高，Y 值也越高吗？斯皮尔曼等级相关系数的问题是：“当一个变量增加时，另一个变量通常也会增加吗？”。这种相关性对异常值更稳健，并且能够解释非线性单调模式。
皮尔逊相关系数和斯皮尔曼相关系数之间的差距可能意味着收益是非线性的。
换句话说：存在一个阈值需要跨越。这意味着 X 对 Y 的影响不会立即显现。
同时考察皮尔逊系数和斯皮尔曼系数可以告诉我们，在超过某个临界点之前，是否什么事（或很少事）发生——而一旦超过该临界点，这种关系就会明显显现出来。
以下是一个简单的例子，说明同时使用这两个系数的分析可以揭示什么：
在广告上花费 500 美元（行动 X）可能不会对销售增长（结果 Y）产生显著影响。但是，一旦每月投入超过 5000 美元（行动 X），销售额就会开始稳步增长（结果 Y）。
今天的统计学课程就到此结束了。
要点一：权威性对人工智能提及很重要，但这只是拼图中的一块
我们考察的第一个信号是网站获得的反向链接数量与其 AI 声量份额之间的关系强度。
以下是数据显示的结果：
- 权威得分与声量份额（SoV）有中等程度的关联：皮尔逊相关系数约为 0.23，斯皮尔曼相关系数约为 0.36。
- 更高的权威意味着更高的声望，但收益并不均衡。你需要跨越一个门槛。
- 权威性固然有助于提升可见度，但它并不能解释大部分差异。这意味着反向链接确实会对人工智能的可见度产生影响，但影响因素远不止于此，例如你的内容、品牌认知等等。
此外，唯一链接域的数量比反向链接的总数更重要。
简单来说，如果你的网站拥有来自许多不同网站的链接，那么它的权重（SoV）就比只有少数几个网站的大量链接要高。
要点二：质量胜于数量
在所有模型中，权威性得分（皮尔逊相关系数为 0.65，斯皮尔曼相关系数为 0.57）与提及次数之间的关系最为密切。
以下是 Semrush 对 权威评分的定义 ：
权威评分是我们用于衡量网站或网页整体质量的综合指标。评分越高，该域名或网页指向其他网站的外部链接的权重就越高。
它会考虑反向链接的数量和质量、链接来源页面的自然流量以及链接概况的垃圾性。
当然，Ascore 只是质量的一个近似值。链接生命周期管理（LLM）有其自身评估反向链接质量的方法。但数据显示，我们可以将 Semrush 的 Ascore 作为一个很好的代表指标。
大多数模型对提及次数的这一指标赋予相同的权重，但 ChatGPT 搜索和 Perplexity 对该指标的权重低于平均水平。
令人惊讶的是，在所有模型中，普通的 ChatGPT（未启用搜索功能）对 Ascore 的权重最高。
关键信息：提及次数中位数从第 8 个十分位数的约 21.5 次跃升至第 9 个十分位数的约 79.0 次。这种关系并非线性。换句话说，只有当权威性（在本例中为 Ascore）达到上限时，才能获得最大的收益。
（作为背景知识， 十分位数 是将数据集分成 10 个相等部分的方法。每个部分，或称十分位数，包含按顺序排列的数据点的 10%。）
要点三：nofollow 链接与普通链接具有相同的效果
这项分析最重要的发现或许是， 链接是否设置为nofollow并不重要！
这会产生巨大的影响。
确认 nofollow 链接的价值非常重要，因为这类链接比 follow 链接更容易创建。
这就是 LLM 与搜索引擎截然不同的地方：我们早就知道谷歌 也会 统计 nofollow 链接，但不知道统计了 多少 ， 也不知道统计的目的是什么 （抓取、排名等）。
再次强调，只有当你进入前 3 个十分位，也就是数据点的前 30% 时，你才会看到显著的进步。
点击链接 → 提及：
- 皮尔逊相关系数为 0.334，斯皮尔曼相关系数为 0.504
nofollow 链接 → 提及：
- 皮尔逊相关系数为 0.340，斯皮尔曼相关系数为 0.509
相反，谷歌的 AI 概览和困惑度指标对普通链接赋予最高权重，对 nofollow 链接赋予最低权重。
有趣的是，Gemini 和 ChatGPT 对 nofollow 链接的权重最高（高于普通 follow 链接）。
以下是我个人对 Gemini 和 ChatGPT 为何更重视 nofollow 标签的解释：
使用 Gemini 时，我很好奇谷歌是否比我们过去认为的更重视 nofollow 链接。而使用 ChatGPT 时，我的假设是必应（在谷歌也开始这样做之后）也提高了 nofollow 链接的权重。但这仅仅是我的推测，目前我还没有数据支持。
要点四：图片链接同样有效——有时甚至更好。
除了基于文本的反向链接之外，我们还测试了基于图片反向链接是否具有相同的权重。
在某些情况下，它们与提及的相关性甚至比与基于文本的链接的相关性更强。
但强度如何？
- 图片与提及量：皮尔逊相关系数 0.415，斯皮尔曼相关系数 0.538
- 文本链接与提及：皮尔逊相关系数 0.334，斯皮尔曼相关系数 0.472
当你已经拥有一定的权威性之后，图片链接才能真正发挥作用。
- 从中间十分位开始，这种关系逐渐转为积极，然后不断加强，并在最高十分位达到最强。
- 在低 Ascore 十分位数（第 1 和第 2 十分位数）中，图像 → 提及关系较弱或为负面。
如果您希望在 Perplexity 或 Search-GPT 上获得提及量增长，图片链接尤其有效。
- 在 Perplexity 和 Search-GPT 中，图像与提及的相关性最高（Spearman ≈ 0.55 和 0.53），其次是 ChatGPT/Gemini（≈ 0.49 – 0.52），然后是 Google-AI（≈ 0.46）。
发表回复