기본 콘텐츠로 건너뛰기

애드센슨 승인 받는 방법/조건/후기



2019년 8월 16일 구글 애드센스 신청을 승인받았습니다. 7월 21일 신청했으니깐 승인 기간은 26일이 소요되었습니다.
애드센스 승인을 받기 위해 정한 제 기준과 방법을 애드센스 승인 원하시는 블로거들에게 공유 드려 조금이나마 도움을 드리기 위해 포스팅을 합니다.
애드센스 승인 메일

구글 애드센스 승인을위한 제 기준

1.     포스팅 개수는 몇 개?

저는 7월 28일 첫 포스팅을 시작하고 바로 그날 구글 애드센스를 신청했습니다. 그리고 포스팅 수 20개가 되었을 때 가입 승인이 되었습니다. (비공개 글 sitemap.xml을 미포함) 최소 20개는 있어야 한다는 게 제 생각입니다. 다른 글을 보면 블로그를 해왔던 분들은 승인이 빨리 나는 이유가 포스팅 개수와 연관이 있다고 생각합니다.
2.     글자 수는 꼭 1000자를 넘겨야 한다.
글자 수는 꼭 천자를 넘겨야 한다. 이건 아니라고 생각합니다. (글자 수는 공백을 제외한 수) 하나의 포스팅이기는 하지만 하나는 700 ~ 800의 글자 수였습니다. 하지만 대체적으로 포스팅 글의 수는 1000자 이상이 되는 것이 좋다고 생각합니다.

3.     이미지 많으면 승인이 어렵다.

이미지 개수는 승인과 관련 없다고 생각합니다. 제 블로그를 보시면 아실 겁니다. 저는 이미지를 삽입하고 설명하는 방식으로 글을 작성했기 때문에 많은 이미지가 들어가 있습니다.

4.     명확한 주제

명확한 주제 맞는 글은 필수라고 생각합니다. 몇몇 승인이 안 되는 블로그를 보면 주제와 맞지 않는 글을 쓰는 경우가 많이 보입니다. 또한 주제와 맞지 않는 글은 글자 수가 많으면 오히려 좋지 않은 결과를 낼 걸로 생각합니다.

5.     카테고리

빈 카테고리가 없는 게 좋다고 생각합니다. 저는 딱 두 개 카테고리가 있고 둘 다 IT관련 카테고리입니다. 전문성을 높이는 데 집중했습니다.

6.     맞춤법

맞춤법은 필수입니다. 내용이 아무리 좋아도 맞춤법이 틀리면 누구라도 읽기 불편합니다. 저는 MS워드와 사람인에서 제공하는 글자 수 세기/맞춤법 검사기를 사용했습니다.

7.     포스팅 단락

하나의 포스팅에도 여러 내용이 들어갑니다. 가독성이 좋아야 사용자들은 글을 읽을 것이고 세션 시간이 올라가니 이 부분은 중요하다고 생각합니다. 저는 각 내용을 나누기 위해 단락 주제별 볼드체 및 글자 크기로 구분했습니다. 또한 궂이 필요하다는 생각은 안들지만 저는 모든 이미지를 설명하는 코멘트도 모두 달았습니다.

8.     조회 수

조회 수

제 조회 수를 보시면 거의 평균 한자릿수 정도입니다. 심지어 7월은 거의 0입니다. 이 지표를 봤을 때 조회 수는 승인과는 크게 상관이 없다는 생각입니다. 조회 수보다는 콘텐츠 질이 중요하다고 생각합니다.
7월 31일은 지인 찬스와 8월16일날은 광고 승인 기념으로 제 지인들에게 조회 부탁을 해서 가파르게 올랐습니다.

9.     구글 서치 및 애널리스틱

구글 서치 콘솔 및 네이버 웹마스터 도구 가입은 좋다고 생각합니다. 아래 구글 서치와 애널리스틱에서 중요하게 생각했던 점들을 알려드립니다.

구글 서치 이용 방법

구글서치콘솔

저는 평균 게재순위를 가장 중요하게 생각했습니다. 검색 순위가 높아지면 자연스레 노출 수 및 클릭 수도 같이 올라가기 때문입니다
애널리스틱 이용 방법
애널리스틱

제가 구글 애널리스틱에서 중요하게 생각한 건 세션 시간입니다. 구글에서 글을 읽지 않고 바로 닫는 글에 광고를 달지 않겠지 라는 생각을 가지고 있었며, 좋은 글이라면 독자는 적어도 5분 이상은 꼭 볼 거고 그 기준을 넘기기 위해 정성스럽게 글을 작성했습니다. 이미지는 8분대이지만 실제 제가 승인받았을 때는 7분대였습니다.

10.     태그

결론부터 말씀드리면 태그는 애드센스 승인과 크게  연관이 없다고 생각합니다. 제가 알기로는 태그 사용의 목적은 분류로 알고있습니다. 즉, 자신의 블로그에서 특정 키워드에 맞게 글을 분류하는 기능입니다. 제 블로그 태그를 보시면 아시겠지만, 저는 태그를 자세히 분류하지 않았습니다. 

감사합니다.

댓글

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file.  tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다.  설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...

[Deep Learning-딥러닝]SRU(Simple Recurrent Unit)

SRU(Simple Recurrent Unit) SRU는 병렬화와 시퀀스 모델링이 가능한 light recurrence한 unit입니다. 기존 RNN Architecture(RNN, LSTM, GRU)는 previous time step에 대한 의존성 때문에 병렬처리가 불가능하여 학습 속도가 느렸습니다. 이런 단점을 SRU는 높은 병렬화 및 시퀀스 모델링 기능을 제공하여 학습시간 단축시켰습니다. SRU는 분류, 질의응답에서 cuDNN-optimized LSTM보다 5~9배 빠른 속도를 보였고, LSTM과 convolutional models보다 좋은 성능을 보였습니다. 특징 SRU의 state연산은 time-dependent이지만, 각 state 차원은 independent입니다. 이것은 hidden dimension과 time steps에서 병렬화 연산하는 CUDA-level optimization으로 병렬 처리 가능합니다. SRU는 convolutions을 더 많은 recurrent 연결로 대체하였습니다(QRNN과 KNN과 같이). 이건 적은 연산으로 모델링을 유지합니다. SRU는 highway connection방법과 deep architecture에서 gradient전파에 맞게 조정된 매개 변수 초기화 체계를 사용하여 deep recurrent models training을 개선합니다. 연산방법 SRU는 forget gate, state, reset gate, hidden state 연산을 수행합니다. Light recurrence (1, 2번 수식) Forget gate: 정보 흐름을 제어 State: 이전 state와 현재 입력을 forget gate에 따라 조정 특징 - 문자열 정보를 위해 input x와 state c를 연산 - 이전 state에 영향을 받음 - 병렬처리를 위해 matrix multiplication 대신 point-wise multiplication 연산 수행 Highway network (3, 4번 수식) Hidden ...