Comment Perplexity classe le contenu

Une recherche menée par Metehan Yesilyurt, non encore vérifiée, a mis en lumière des aspects clés du fonctionnement de l'Answer Engine Perplexity. Cette analyse fournit des indices sur la manière dont la plateforme évalue et classe le contenu, offrant des pistes d'optimisation pour la visibilité des contenus dans les réponses générées par IA.

Système de reclassement de recherche d'entités

Perplexity utilise un système de reclassement d'apprentissage automatique à trois couches (L3) pour les recherches d'entités (personnes, entreprises, concepts).

• Les résultats initiaux sont récupérés et notés.
• Le système L3 applique ensuite des filtres d'apprentissage automatique plus stricts.
• Si le nombre de résultats pertinents est insuffisant, l'ensemble des résultats est écarté.

Cela signifie que la qualité du contenu et l'autorité thématique sont primordiales ; l'optimisation par mots-clés seule ne suffit plus.

Facteurs de classement découverts

La recherche a révélé plusieurs facteurs de classement influençant la visibilité du contenu sur Perplexity :

• Domaines faisant autorité : Perplexity utilise des listes manuelles de domaines fiables (ex. : Amazon, GitHub, LinkedIn). Le contenu associé à ces plateformes ou y faisant référence bénéficie d'un "boost" d'autorité.
• Synchronisation YouTube : Les titres de vidéos YouTube correspondant exactement aux requêtes populaires sur Perplexity obtiennent une visibilité accrue, suggérant une validation croisée entre les deux plateformes.
• Performance des nouveaux posts : L'engagement initial (clics) d'un contenu après sa publication est crucial pour sa visibilité à long terme.
• Classification thématique : Les sujets liés à la technologie, à l'IA et à la science sont valorisés, tandis que le sport et le divertissement sont moins bien positionnés.
• Déclin temporel : Il est nécessaire de publier et de mettre à jour le contenu fréquemment pour éviter une dépréciation rapide de sa visibilité.
• Pertinence sémantique : Le contenu doit être riche et complet, et non se contenter de correspondre à un mot-clé.
• Engagement utilisateur : Les clics et les signaux d'engagement historiques alimentent les modèles de performance.
• Réseaux de mémoire : Les grappes de contenu interconnectées se classent mieux ensemble.
• Signaux négatifs : Les retours utilisateurs et les vérifications de redondance peuvent "enterrer" les contenus peu performants.

Conclusion

Pour réussir sur Perplexity, il faut combiner une sélection stratégique des sujets, un engagement précoce de l'utilisateur, une valeur interconnectée du contenu, une optimisation continue et la priorité donnée à la qualité plutôt qu'au simple jeu d'algorithme. Ces principes rappellent fortement les fondamentaux du SEO traditionnel.