影響 GOOGLE 排名的核心技術：Hummingbird（蜂鳥演算法）

早期的 Google 搜尋主要依賴關鍵字匹配來提供結果：也就是將使用者查詢中的詞彙與網頁內容逐字比對。這意味著，搜尋引擎主要關注的是「字面上的字串」，而非整體意思。舉例來說，在過去如果你搜尋「Pay taxes to the IRS（繳稅給國稅局）」，Google 可能只是找出包含 pay、taxes 和 IRS 這些字的頁面，結果很可能只是國稅局首頁。傳統方法下，搜尋引擎較難瞭解你真正想做的是繳稅付款這件事。

語意搜尋（Semantic Search）的出現改變了這一切。2013 年推出的 Hummingbird 演算法正是 Google 從「關鍵字字串匹配」轉向「語意和意圖理解」的重要里程碑。Google 工程師將這次更新形容為自2001年以來最大的一次演算法變革，因為它並非只是在舊系統上打補丁，而是對核心搜尋演算法進行了重寫。Hummingbird 的代號「蜂鳥」寓意著迅速且精確——Google 希望透過這套新演算法，更快更準確地掌握使用者查詢的真實意圖。

Hummingbird 的核心理念在於引入自然語言處理（NLP）技術來解析查詢，關注查詢中的整體語意和上下文，而不只是逐字檢索。這意味著 Google 會試圖找出查詢中最重要的詞彙和概念，忽略那些無關緊要的字詞，從而理解使用者真正想知道的是什麼。例如，對於「繳稅給國稅局」這個查詢，Hummingbird 能夠理解使用者其實想找的是繳稅的「付款頁面」，即便查詢字面上沒有出現「付款」二字。再如，如果你搜尋「my precious（我的寶貝）」這個短語，Hummingbird 會結合上下文猜測你的意圖——多數人其實是想了解《魔戒》中咕嚕的相關資訊，於是 Google 會直接顯示咕嚕這個角色的知識圖譜卡片，而不只是逐字去找「my」或「precious」的字典意義。這些例子都顯示出，Hummingbird 讓 Google 更注重查詢背後的語意，而非表面的關鍵字匹配。

值得一提的是，Hummingbird 的誕生也和當時搜尋使用情境的變化有關。2010年代初期，智慧型手機和語音助理開始普及，用戶越來越常用對話式語句或發出語音查詢來搜尋資訊。這類查詢通常比較長且口語化，包含的字詞更多、語法更接近人類自然語言。Google 推出 Hummingbird 正是為了迎接這種趨勢的挑戰——讓搜尋演算法更懂「人話」。因此，Hummingbird 被認為特別有利於行動裝置上的語音搜尋和長句查詢，因為它可以更好地理解冗長而對話式的查詢內容。總而言之，Hummingbird 的核心理念就是讓 Google 從「關鍵字搜尋引擎」進化為「語意搜尋引擎」，試圖理解我們輸入的每個字詞在語境中的含義，以及我們真正想找的答案。

在 Hummingbird 出現之前，Google 已經陸續推出了一系列以動物命名的演算法更新，例如 2011 年的 Panda（熊貓） 和 2012 年的 Penguin（企鵝）。這些更新讓許多 SEO 新手霧裡看花，不妨讓我們簡單區分一下它們之間的重點差異：

Panda 更新（2011）：Panda 主要針對網站內容品質進行調整。它著重於打擊低品質內容，例如內容農場、大量重複或內容稀薄的頁面。被 Panda 命中的網站，其內容若被判定為品質不佳（比如全是抄襲、拼湊或字數極少），在搜尋結果排名中就會被壓低。簡單說，Panda 要求網站提供對使用者有價值、獨特且充實的內容，否則排名難逃下滑的命運。

Penguin 更新（2012）：Penguin 則聚焦在外部連結和關鍵字作弊上。它打擊的是利用黑帽手法操縱排名的行為，包括關鍵字堆砌（在頁面上不自然地重複特定關鍵字）以及不正當的連結計畫（例如購買大量垃圾連結導向網站）。Penguin 更嚴格地過濾這些違反指南的 SEO 手法，降低涉及這類作弊行為頁面的排名。與 Panda 不同的是，Penguin 往往精準處理特定問題頁面，而非對整個網站一棒打死。

Hummingbird 更新（2013）：相較於 Panda、Penguin 屬於特定領域的調校，Hummingbird 是一次全面性的核心演算法重塑。Panda 和 Penguin 更像是「附加模組」，一個管內容品質、一個抓連結作弊；而 Hummingbird 則是重建了 Google 搜尋引擎的大腦。本質上，Hummingbird 關注的是理解查詢語意和使用者意圖，讓 Google 從「逐字抓關鍵字」轉變為「理解整句話的意思」。正因如此，Hummingbird 不是為了懲罰某類特定違規行為（不像 Panda 罰內容、Penguin 罰連結），而是為了讓搜尋結果更符合使用者真正想找的東西。可以說，Panda/Penguin 是 Google 清理生態、提升結果品質的手段，而 Hummingbird 是換上一副全新的"引擎"，提升搜尋理解力的根本改造。

換個角度來說，Panda 和 Penguin 解決的是「品質」問題——內容夠不夠好、連結自然不自然，而 Hummingbird 瞄準的是「相關性」和「理解力」問題——搜尋引擎能否正確理解使用者在問什麼，並找出與主題相關的最佳答案。也因此，Hummingbird 的推出雖然影響了高達 90% 的搜尋查詢，但用戶其實不會像 Panda/Penguin 時代那樣明顯感覺到排名大洗牌。當年有分析指出，Hummingbird 上線時搜尋結果並沒有劇烈震盪，許多站長甚至渾然不覺。這是因為它不是為了懲罰誰，而是整體性地提升搜尋引擎對語意的處理能力。Hummingbird 更像是一場「靜悄悄的大革命」：影響範圍極廣，但作用是潛移默化地改善搜尋精確度，為後續一連串的搜尋創新鋪平道路。

Hummingbird 最大的突破在於它讓 Google 更加善解人意——也就是更能明白「使用者真正想問的是什麼」。這涉及兩個關鍵：查詢意圖（Search Intent）的判斷，以及語意解析（Semantic Parsing）的能力。

了解查詢意圖：所謂查詢意圖，就是使用者在鍵入一段文字背後，實際上想達成的目的。這可能是尋找資訊（資訊型意圖）、想購買商品（交易型意圖）、尋找特定網站（導航型意圖），或其他。例如，當你搜尋「國稅局 繳稅 線上支付」，你的意圖很明顯是想知道如何在線上繳納稅款，而不是單純找國稅局的官網首頁。Hummingbird 正是透過更聰明的分析，試圖揣測這些意圖並提供對應的結果。它會考量查詢的整體上下文、字詞之間的關係，甚至結合使用者所在地等資訊來猜測你可能想要什麼。例如，假設你人在臺灣搜尋「附近有沒有素食餐廳」，Google 會理解你的意圖是找本地的素食餐廳，因此結果頁可能直接呈現地圖和餐廳清單，而不是給你一堆解釋素食的維基百科連結。

語意解析與關鍵字變體：Hummingbird 利用自然語言處理技術，能將一個查詢句子拆解、分析，抓出其中重要的概念和實體。它懂得哪些字詞對查詢意義影響不大，可以忽略或淡化，哪些詞是核心。特別厲害的是，Hummingbird 還會運用同義詞、關聯詞來擴展理解。例如，知道「partner」這個詞可能意指妻子/丈夫/女友/男友等不同角色；又或者明白「平價」在不同語境下等同於便宜、經濟實惠、中等價位等等。透過這種語意解析，Google 能夠舉一反三：即使使用者的措辭和網頁內容不完全一樣，也能將相關的意思對上號。例如，你的網頁上寫的是「攝影入門技巧」，有人搜尋「新手相機教學」時，Google 也可能把你的頁面列出來，因為演算法理解「入門技巧」和「新手教學」在語意上是相關的。

Hummingbird 也利用了 2012 年推出的知識圖譜（Knowledge Graph，知識圖譜）來輔助語意理解。知識圖譜是一個龐大的資料庫，記載了現實世界中的各種實體（entities）及其彼此之間的關係（例如人名、地名、電影、歷史事件等）。有了知識圖譜，Google 能在解析查詢時辨識出其中提到的實體。例如搜尋「小瑪麗的爸爸是誰」，Google 可以識別「小瑪麗」是某部電影中的角色（假設知識圖譜中有這號人物），進而知道要找的是那個角色的父親這個概念，而不是去找網頁上每一個叫"小""瑪麗""爸爸"的字串。Hummingbird 讓 Google 更好地把知識圖譜中的知識融入搜尋解析中，直接把實體理解引入搜尋演算。這就是為什麼在 Hummingbird 之後，你常會看到 Google 的搜尋結果頁上出現各種豐富資訊卡、直接答案框——因為搜尋引擎已經不僅僅在列網址，而是試圖直接回答你的問題。

總的來說，Hummingbird 的語意解析讓 Google 更擅長處理長尾查詢和口語化問題。以前如果你問 Google：「今天天氣會不會下雨呢？」可能還得看運氣，但 Hummingbird 之後，Google 幾乎可以秒懂你的意思（查詢意圖是看天氣預報），並直接在結果頁上展示你所在地的天氣摘要。它不再拘泥於字面，而是盡可能去揣摩你心中真正的疑問。在 SEO 層面，這代表著網站內容若能精確回應用戶的常見問題和需求，就更有機會獲得良好的排名，因為搜尋引擎知道那些內容跟使用者的查詢語意相關。

當 Google 更加理解「人話」之後，SEO 規則也隨之轉變。對內容創作者和優化人員來說，Hummingbird 時代帶來了以下幾個重要影響：

關鍵字策略：從堆砌轉向語意相關 – 過去流行的關鍵字堆砌（keyword stuffing）手法在 Hummingbird 之後幾乎失效了。僅靠在頁面反覆塞滿某個關鍵詞，已無法像以前那樣奏效。搜尋引擎現在更重視內容整體的相關性與價值，而非單一詞頻。因此，我們應把重點放在主題覆蓋和語意相關上。這意味著，在撰寫內容時，多使用同義詞、相關詞彙，讓文章對一個主題講得全面且深入，而不是機械地重複某幾個字。換言之，寫「主題」而非只寫「關鍵字」。例如，如果你的主題是「減重飲食」，文章中自然會提到卡路里、營養、運動、健康餐等相關概念。這些豐富的語意訊號有助於 Google 理解你的內容與「減重」這個查詢背後的需求是契合的。

內容品質與使用者體驗優先 – Hummingbird 延續了 Panda 對內容品質的要求，但更進一步強調滿足使用者需求的重要性。因為 Google 自身變得更「以使用者為中心」了（Hummingbird 被視為 Google 成為「使用者優先」搜尋引擎的一大步）。因此，我們在做內容時更該站在讀者角度思考：這篇內容是否真正回答了使用者的問題？是否提供了深入、有用的資訊？在 Hummingbird 時代，解決使用者問題是王道。如果一篇文章能精準解答某類查詢，Google 就算發現文章沒有反覆出現那些關鍵詞，仍會明白它很相關，願意給予好的排名。相反地，如果內容空洞無物，就算灑滿熱門關鍵字也沒用。因此，SEO 策略需要與內容行銷結合——專注產出高品質、有價值且切合讀者需求的內容。這包括定期更新博客文章、製作深入的教學指南、使用案例研究等，來自然地吸引流量和連結。

自然語言書寫風格 – 由於 Hummingbird 能理解更口語化的查詢，我們撰寫內容時也可以更口語和自然，彷彿在直接回答讀者的問題。比起生硬地把關鍵詞硬插在句子裡，用對話式、Q&A 式的風格來組織內容反而更有效。例如，可以在文章中預設讀者會問的問題，然後提供回答。事實上，這也對應到 Google 搜尋結果中的「People Also Ask 人們也會問」區塊——如果你的內容結構符合問答形式，很可能增加被選中展示的機會。總之，順應使用者的語言來寫作，讓內容讀起來順暢、有溫度，既討好讀者也討好搜尋引擎。

頁面結構與可解析性 – 清晰的內容結構現在比以往任何時候都重要。善用標題（<h1>, <h2>, <h3> 等）、段落、清單等元素來組織內容，不僅幫助讀者理解，也方便搜尋引擎解析。Hummingbird 強調語意和上下文，因此頁面上的結構能提供暗示，讓演算法知道哪些部分是重點、哪些是次要資訊。比如，用小標題將文章拆成數個主題段落，或以項目符號列出重點，有助於 Google 判斷內容的重心。同時，良好的結構還提高易讀性，這對使用者體驗和 SEO 表現都有正面影響。此外，不要忽略基本的 meta 標籤（如<title>和<meta description>）。雖然 Hummingbird 不再僅僅依賴關鍵字，但一個貼切的標題和描述可以清楚傳達頁面內容，有助於搜尋引擎理解語意，也提高用戶在結果頁點擊的意願。

擁抱結構化資料 – Hummingbird 時代另一個值得關注的，就是結構化資料（Structured Data）的運用。正如前述知識圖譜的例子，Google 透過結構化資料更容易理解網頁上的資訊代表什麼意思。雖然加入 Schema 標記未必直接提升排名，但它能讓你的內容以更豐富的形式出現在搜尋結果中（例如星級評分、FAQ 展開項等富結果），提升點擊率和可見性。對 SEO 策略而言，這已成為不可或缺的一環。我們稍後會提供結構化資料的簡單程式碼範例，幫助你瞭解如何實作。

總而言之，Hummingbird 讓 SEO 更加回歸內容本質。我們需要針對使用者，而非針對機器人來優化。這不僅意味著更好的內容，還包括理解受眾搜尋意圖、提供符合意圖的資訊，以及在技術上幫助搜尋引擎讀懂這些資訊。下一節，我們將透過幾個簡易的程式碼範例，示範如何在網站中應用 meta 標籤與結構化資料來符合語意搜尋的最佳實踐。

要讓你的網站內容對 Hummingbird 友善，有幾個實用的技巧可以運用在頁面程式碼中，包括撰寫適當的 meta 標籤和加入結構化資料等。以下我們以簡單範例說明：

Hummingbird 開啟了 Google 語意搜尋的新紀元，但這並不表示演算法的演進在2013年就停下來。事實上，它為後續一系列的重要更新奠定了基礎。其中最值得關注的兩項就是 RankBrain 和 BERT，它們可以被視作是對 Hummingbird 理念的延續和強化。

RankBrain（2015）：Hummingbird 啟動了語意搜尋，引入對實體和上下文的理解，而 RankBrain 則是在此基礎上加入了機器學習的威力。RankBrain 是 Google 首次將人工智慧應用於搜尋排序的核心演算法元件。它的主要作用是幫助 Google 處理先前未出現過的全新查詢，以及更好地揣摩模稜兩可的語句。利用機器學習，RankBrain 可以根據類似查詢的歷史表現去猜測新的查詢該如何解讀和排序結果。例如，過去從未有人搜尋過的一長串句子，RankBrain 會嘗試找出其中的關鍵概念，並與已知的相關查詢做比較，推測出最佳結果。值得一提的是，RankBrain 上線後據稱迅速成為僅次於內容和連結之外的第三大排名因素。但對 SEO 而言，你無需刻意針對 RankBrain 去優化——因為RankBrain的宗旨跟 Hummingbird 一脈相承：就是看內容有沒有滿足使用者意圖。換句話說，只要你專注提供高品質、有幫助的內容來滿足搜尋意圖，就已經在迎合 RankBrain 了。

BERT（2018）：BERT 是「Bidirectional Encoder Representations from Transformers」的縮寫，聽起來拗口，但重點在於它是 Google 引入的一項自然語言理解深度學習技術。BERT 的強大之處在於能夠考量單字與上下文的雙向關係，也就是閱讀一整句話來理解每個詞的確切含義。這對於解析複雜的查詢、尤其是那些包含助詞、否定詞等微妙語意的句子特別有效。例如，「2019 巴西 雞蛋進口 禁令 取消 前」這樣的查詢，語序和助詞可能讓人混淆，但 BERT 可以更正確地理解用戶想問的是「2019年前巴西取消雞蛋進口禁令了嗎？」這種含意。BERT 在 2019 年底開始影響英語搜尋，當時Google表示它影響了大約 10% 的查詢。對 SEO 來說，BERT 進一步推動我們去書寫更自然、語意更豐富的內容,而不用太在意特定關鍵字的形式。因為 Google 變得更聰明，可以讀懂我們寫的長句和複雜表達。所以與其鑽研關鍵字該怎麼擺，不如專心把內容講清楚、講完整。

可以把這幾個里程碑串起來看：Hummingbird 奠定了「語意為王」的基調；RankBrain 加入機器學習，讓理解力舉一反三，處理未知詞彙更加游刃有餘；BERT 則讓 Google 更接近人類的語言理解，連細節語境都能考慮周全。此後，Google 還陸續推出了 MUM (Multitask Unified Model, 2021) 等更先進的模型，不斷朝著「100% 理解人類語言」的方向邁進。這一切的目標都是一致的：打造一個真正的語意搜尋引擎，讓使用者無論問什麼都能得到貼切的回答。

對內容創作者和 SEO 人員而言，這條演進路線其實指明了我們應對搜尋演算法的最佳策略——永遠圍繞使用者需求打轉。從 Hummingbird 開始，Google 已經越來越看重搜尋意圖和內容品質，後續的 RankBrain、BERT 只是讓機器更好地去辨識哪些內容符合這些要求。想要在排名上勝出，就務必要創作能直接解答使用者問題、提供實質價值的內容。與此同時，適當運用我們前面提到的技術手段（如結構化資料、清晰的內容結構等）來幫助搜尋引擎理解並信任你的內容。在語意搜尋的時代，SEO 不再只是技術和套路的比拼，更是內容與使用者體驗的競賽。