多年来，反向链接一直是影响传统搜索排名的最强信号之一。
但随着我们进入人工智能搜索的新时代，规则是否发生了改变？
我们与 Kevin Indig 一起进行了一项数据研究，以检验反向链接如何影响 AI 生成的答案的可见性。
让我们深入探讨一下。
要点总结
TL;DR：反向链接对于人工智能可见性很重要，但质量和权威性远比数量重要。
- 高质量的反向链接比数量更重要。反向链接权威性更高的网站（以 Semrush 的权威性评分衡量）在人工智能生成的答案中被提及的频率更高。也就是说，只有当网站达到更高的权威性等级时，才能获得显著的曝光度提升。
- nofollow链接与follow链接的影响几乎相同。研究发现，两种链接类型的相关性数值相似，显著的收益提升仅出现在权威性最高的网站中。
- 图片链接和文本链接一样有效。一旦网站具备一定的权威性，图片链接与人工智能提及的相关性甚至比文本链接更强——尤其对于高权威性网站而言。
方法论
这项研究是与 Kevin Indig 和 Growth Memo 合作进行的。
首先，我们查看了 Semrush 的 AI 可见性工具包中随机选择的 1,000 个域名，以了解反向链接相关信号如何影响 AI 生成的答案的可见性。
为此，我们追踪了每个域名在五个领先的人工智能平台上的提及频率：
- ChatGPT
- ChatGPT 带搜索功能
- 双子座
- 谷歌人工智能概览
- 困惑
然后，我们将 AI 提及次数（域名在 AI 生成的答案中被引用的次数）和AI 声量份额（域名在 AI 生成的答案中相对于非品牌查询的可见度）与关键反向链接信号进行了比较：
- 反向链接总数
- 唯一引用域名数量
- follow 链接与 nofollow 链接的比例
- 文本链接与图像链接
- 权威评分——Semrush 的综合指标，反映了反向链接质量、引用域多样性、链接页面的自然流量以及垃圾链接信号。
最后，我们对同一数据集进行了Pearson 和 Spearman 相关性分析，以检验每个反向链接信号与 AI 可见性的关联强度，并确定这些关系是线性的还是表现出阈值效应。
了解更多关于我们如何测量相关性的信息。
以下是我们发现的情况。
1. 权威性提升人工智能的可见度，但只有超过一定阈值才能实现。
权威性得分较高的域名（该指标很大程度上受反向链接质量和引用域名多样性的影响）更有可能出现在人工智能生成的答案中。
然而，总体而言，这种影响并不显著，只有当一个域名进入更高的权威级别时，这种影响才会变得明显。
我们将权威得分与 AI 声量份额（即品牌在 AI 生成的答案中相对于非品牌查询的可见度）进行比较，结果如下：
- 皮尔逊相关系数： ~0.23 → 中等程度的线性关系
- 斯皮尔曼相关系数： ~0.36 → 更强的、基于阈值的信号
这两个相关性之间的差距表明，反向链接权威性对 AI 可见性具有中等程度的总体影响，但只有达到一定的权威性水平后才会出现真正的收益。
换句话说，只有当网站整体权威性提升到更高水平时，逐步改进反向链接才能产生显著效果。
“这里最重要的一点是，你的反向链接需要达到一定的最低门槛。简单来说：不要指望刚开始或者线性增长就能获得回报。你需要一定的投入才能看到预期的效果。”
这对你意味着什么：
- 重点在于突破权威性瓶颈。小规模的链接获取不会带来显著提升。要想提升排名，应该专注于从权威性更高、主题相关的网站获取反向链接，例如知名出版物、领先博客或行业目录。
- 拓展你的引荐域名范围。从各种不同的网站获取链接比单纯追求链接数量更重要。与其从相同的来源收集更多链接，不如优先拓展你所在领域的新域名。
- 平衡权威性和可信度。反向链接固然重要，但人工智能模型也更青睐那些被视为值得信赖和可信的品牌。保持内容准确、及时更新且来源可靠，并争取获得信誉良好的网站的提及——即使没有链接——也能增强你的权威性。
2. 链接质量比链接数量更能提升人工智能的可见性。
反向链接的质量对域名在人工智能生成的答案中出现的频率起着至关重要的作用。
当我们比较权威评分（Semrush 的链接质量指标）和 AI 提及次数时，结果显示两者之间存在很强的正相关关系：
- 皮尔逊相关系数： 0.65 → 强线性相关性
- 斯皮尔曼等级相关系数： 0.57 → 强但略呈非线性相关性
这意味着拥有高质量反向链接的域名在人工智能生成的答案中出现的频率要高得多，尤其是在它们超过关键权威阈值之后。
有趣的是，这种影响在不同的模型中有所不同：ChatGPT 搜索和困惑度对链接质量的权重最低，而普通的 ChatGPT（未启用搜索功能）则显示出最强的相关性。
这对你意味着什么
- 链接质量比链接数量更重要。少量来自权威、相关网站的反向链接，比几十个低质量或不相关的链接更能提升AI排名。
- 定期审核您的反向链接概况。使用 Semrush 的反向链接分析等工具，精准定位哪些域名能真正提升网站权威性，而不是那些低价值或垃圾链接，以免它们阻碍您的发展。
- 追求有意义的权威性提升。与其追求小规模的链接交换或低价值的提及，不如瞄准那些真正能提升信誉度的机会，例如数字公关、专家客座文章或被权威的行业资源收录。
3. nofollow 链接几乎与 follow 链接具有同等效力
nofollow链接对人工智能可见性的影响与标准follow链接几乎相同。
当我们分别将两者与人工智能提及进行比较时，发现相关性几乎完全相同。
点击以下链接：
- 皮尔逊相关系数： 0.334 → 中等线性信号
- 斯皮尔曼相关系数： 0.504 → 强阈值信号
nofollow链接：
- 皮尔逊相关系数： 0.340 → 中等线性信号
- 斯皮尔曼相关系数： 0.509 → 强阈值信号
这表明，人工智能模型在评估权威性和可见性时，对两种链接类型采取了类似的处理方式。
不同平台的权重也略有不同：我们发现 Gemini 和 ChatGPT 更倾向于 nofollow 链接，而 Google AI Overviews 和 Perplexity 则更倾向于 follow 链接。
这对你意味着什么：
- 不要忽视nofollow链接。它们对提升AI可见度贡献显著，尤其当它们来自高权重网站时。记住：获得权威且相关的来源的提及比追求短期收益更重要。
- 注意平台间的细微差别，并调整策略。像 Gemini 和 ChatGPT 这样的平台可能会奖励高质量的 nofollow 链接（例如来自 Reddit、Quora 或 Wikipedia 的链接），而 Google AI Overviews 和 Perplexity 则仍然略微倾向于 follow 链接。
- 保持链接（包括nofollow链接）的更新和相关性。定期更新品牌已有nofollow提及的页面上的内容。
“就像更新博客文章一样，也要更新nofollow链接。轮换使用新的数据点，更新产品截图，或者刷新品牌通过投稿文章获得的nofollow链接的统计数据，这样链接才能保持相关性和引用率。”
4. 图片链接的效果与文本链接一样好（有时甚至更好）
与文本链接相比，基于图像的链接与人工智能的可见性表现出更强的相关性。
当我们把这两者（分别）与人工智能提及进行比较时，相关性很明显。
图片链接：
- 皮尔逊相关系数： 0.415 → 更强的线性信号
- 斯皮尔曼相关系数： 0.538 → 强阈值信号
文本链接：
- 皮尔逊相关系数： 0.334 → 中等线性信号
- 斯皮尔曼： 0.472 → 中等阈值信号
当一个网站建立起一定的权威性之后，图片链接的优势也会显现出来。
从中间层级向上，这种关系逐渐加强，并在顶层达到顶峰，而低层级则几乎没有影响。
我们还注意到不同平台之间存在一些差异：
- Perplexity 和 ChatGPT 搜索结果显示，图像反向链接与 AI 可见性之间的关联性最强。
- ChatGPT 和 Gemini 的相关性稍弱一些。
- Google AI 概览显示连接最弱，但仍然很明显。
总体而言，基于图像的反向链接在大型语言模型中被视为可靠的参考信号——一旦域名达到更高的权威级别，就能带来最大的可见性提升。
这对你意味着什么：
- 投资吸引图片链接。将你的图片素材分发到出版商和创作者寻找参考资料的地方，并附上易于复制的嵌入代码或来源信息。在Reddit、LinkedIn和行业新闻简报等平台上分享它们，这些平台是记者和内容团队寻找图片素材的地方。
- 专注于创造价值。根据原创研究创建有用的图像素材，例如图表、信息图、产品图片和数据图，以便其他人能够自然地嵌入和链接这些素材。
“不要再把图片当作装饰品，而要把它们当作内容。最好的视觉内容能够解释和简化关键或复杂的主题。”
反向链接依然重要，但在人工智能搜索中，质量比数量更重要。
我们的研究揭示了反向链接对可见性的影响方式发生了明显转变：在人工智能时代，质量才是王道。
与其试图收集尽可能多的链接并“破解”系统，不如专注于建立高质量的信号并突破权威性阈值。
你应该这样做：
- 优先考虑切实提升权威性，而不是渐进式链接建设。
- 不要忽视来自高权威来源的nofollow链接
- 投资于可分享的视觉素材，以获得基于图像的链接
- 专注于让真正有价值的内容获得提及和引用。
关键在于：提升网站在人工智能领域的可见度，并非依靠一次性的链接优势，而是源于持续的权威性。因此，应优先获取高质量的反向链接，提升网站的权威性，并确保你的品牌在权威、及时更新的来源中保持曝光度。
我们如何测量相关性
为了解反向链接和 AI 可见性之间的联系，我们使用了两种标准统计方法：皮尔逊相关系数和斯皮尔曼相关系数。
- 皮尔逊相关系数用于检验两个变量之间的线性关系。如果两个变量的值呈平滑的线性同步上升或下降，皮尔逊相关系数可以清晰地捕捉到这种关系。但如果这种关系只有在达到某个临界点（阈值）后才显现出来，皮尔逊相关系数则往往无法检测到。
- 斯皮尔曼等级相关系数关注的是阈值效应。它考察的是数值是否朝着同一方向变化，即使曲线并非完全平滑。斯皮尔曼等级相关系数对异常值的敏感度较低，更擅长发现那些一段时间内没有明显变化，但在跨越某个阈值后关系突然增强的情况。
Pearson 和 Spearman 的得分都介于 -1 和 +1 之间：
- 越接近 +1 → 越强正相关
- 越接近 -1 → 越强负相关
- 0 左右 → 几乎没有关系
同时考察这两种方法有助于我们揭示各种因素之间的关系是线性关系还是基于阈值的关系。
