Sådan bestemmer AccuRanker søgeintention med AI

Den følgende artikel giver dig et indblik i den nye AccuRanker (AI-baseret) søgeintentionsfunktion.

For bedre at forstå denne artikel anbefaler vi, at du først læser vores anden artikel: Hvad er Search Intent? Her vil du lære, at vi klassificerer den søgeintention, Google er målrettet mod, ved at se på SERP (søgemaskinens resultatside) mere end søgeordet. Du vil også lære, hvorfor søgeintentionen kan ændre sig over tid, og at det er muligt at have flere intentioner for en enkelt SERP/et enkelt søgeord.

I resten af denne artikel vil vi for kortheds skyld referere til et SERP/søgeordspar som et søgeord, selvom et søgeord kan have forskellige SERP'er.

Introduktion

Søgeintention er et nuanceret emne. Og det er næsten umuligt at opstille et sæt faste regler for at finde den hensigt, Google målretter mod for et givet søgeord. Heldigvis har udviklingen inden for AI og maskinlæring i løbet af det seneste årti gjort nye metoder mulige. Vi har nu det rigtige værktøjssæt til at bruge de enorme mængder SERP-data, som AccuRanker behandler dagligt, til at "træne" en machine learning-model.

Bag om søgeintentionsmodellen

Som træningsdata til den nye søgeintentionsmodel brugte vi en kombination af umærkede og håndmærkede data. Dette datasæt består af søgeintentionen for søgeord, som er mærket af menneskelige eksperter kombineret med de tilsvarende SERP-data. Med maskinlæringsteknikker opstår der mønstre. Disse mønstre oversættes til en model, som kan bruges til at finde søgeintentionen for søgeord uden for træningsdatasættet.

Ved at bruge en machine learning-model kan vi forudsige søgeintention med større præcision end regelbaserede tilgange. Det er dog umuligt at opnå 100% præcision af mange årsager. Nogle af disse grunde er:

• Selv mennesker (op til 40%), der kigger på SERP'er, er uenige om søgeintentionen.
• SERP'en kan vise flere hensigter.
• Der er ikke altid 100 % enighed om definitionen af de forskellige søgeintentionskategorier.

Vi har forsøgt at skitsere AccuRanker-definitionerne med eksempler. Ved at bruge disse definitioner og vurdere maskinlæringsmodellen i forhold til disse etiketter kan vi opnå en overensstemmelse med de håndmærkede data på mere end 90%. Og vi er ofte tilbøjelige til at være mere enige med machine learning-modellen end den menneskelige label, når vi gennemgår forskellene.

Hvilke funktioner bestemmer søgeintentionen

Den nye AccuRanker-søgeintentionsmodel bruger mere end hundrede funktioner i SERP til at finde ud af søgeintentionen. Disse funktioner er indbyrdes afhængige, og det er derfor ikke let at forklare i detaljer, hvordan de fungerer. Hvis det var tilfældet, kunne vi lige så godt bruge en regelbaseret tilgang.

Funktionerne omfatter særlige ord (oversat til flere sprog) i søgeord, titler, URL'er og beskrivelser samt SERP-funktioner og andre SERP-metadata som f.eks. cost-per-click og AdWords-konkurrence.

En måde at forstå den nye søgeintentionsmodel på er at se på SHAP-visualiseringer af, hvordan funktionerne påvirker modellens output i forskellige tilfælde.

Visualisering af hvilke funktioner, der bestemmer søgeintentionen

Billedet nedenfor viser de tyve vigtigste funktioner, der afgør, om hensigten er transaktionel.

Her kan du se indersiden af den nye søgeintentionsmodel, og hvordan beslutningerne træffes. Dette er vist på en lidt forenklet måde.

Diagrammet læses som følger:

• På y-aksen har du de mest indflydelsesrige funktioner til at finde ud af, om et søgeord hører til transaktionskategorien.
• På x-aksen ser du de enkelte funktioners indvirkning på modeloutputtet, der går fra negativ til positiv. Den lodrette linje adskiller negativ og positiv påvirkning.
• Hver prik svarer til et søgeord. Farven på prikken svarer til værdien af den tilsvarende funktion for dette søgeord. Rød betyder en høj værdi, blå en lav værdi.

Transaktionel hensigt

Diagrammet fra det foregående afsnit viste, hvilke funktioner der afgør, om søgeintentionen er transaktionel. Lad os undersøge dette diagram og tage konkurrencen på AdWords (competition_adwords) som et eksempel.

Du kan se ved siden af competition_adowrds i diagrammet, at der er røde prikker til højre for den lodrette linje. Det betyder, at høj konkurrence på AdWords (en rød prik) gør det mere sandsynligt, at det er et transaktionelt søgeord (til højre for den lodrette linje).

På den anden side skal du se på tilstedeværelsen af en featured snippet (pagefeaturedsnippet). Hvis denne værdi er høj (rød prik), betyder det, at der er en featured snippet på SERP'en. De røde prikker er alle til venstre for den lodrette linje. Det betyder, at det er mindre sandsynligt, at det er et transaktionsnøgleord, når der er en featured snippet.

Andre ting, du kan se på diagrammet, er, at Amazon, der er til stede en eller flere gange (urlscountamazon.), gør det mere sandsynligt, at SERP'en er transaktionel, og det modsatte er tilfældet med Wikipedia.

Disse resultater er ikke overraskende. Det fede er, at maskinlæringsmodellen ikke har fået noget af dette at vide på forhånd. Den har udledt det fra dataene. Derudover har den udledt forholdet mellem de forskellige funktioner. Læg mærke til, at prikkerne er spredt på x-aksen i stedet for at være oven på hinanden. Det skyldes, at SERP-funktionernes indvirkning på modellen afhænger af, hvilke andre funktioner der er til stede på SERP. Så bare fordi der er stor konkurrence på AdWords, vil modellen ikke nødvendigvis konkludere, at søgeordet er transaktionelt.

Informativ hensigt

I den anden ende af spektret kan du se de tyve bedste funktioner, som afgør, om hensigten er informativ.

Her kan du se, at en høj konkurrence på AdWords betyder, at det er usandsynligt, at der er tale om en informativ hensigt. Du kan også se, at funktioner som videokarruseller, relaterede spørgsmål og featured snippets er fremherskende for SERP'er med informativ hensigt.

På den anden side indikerer ordet "best" typisk en kommerciel snarere end en informativ hensigt. Det samme gælder for SERP-funktionen "review" og lokale resultater (pagemapslocal).

En anden interessant indsigt er, at når Facebook er en del af SERP, er det typisk ikke en informativ hensigt. I stedet er det en navigationsintention.

Navigationsmæssig hensigt

For navigationsintention ser du nedenstående diagram.

Det er tydeligt, at sitelinks ofte er forbundet med navigationsintention. Du kan også se, at videnspaneler ofte er til stede for søgeord med navigationsintention. Men de er også ofte til stede for informationssøgeord.

LinkedIn, Twitter og Facebook vil ofte dukke op på SERP'er med navigationsintention. Lokale resultater og resultater om er også forbundet med navigationsintention. Bemærk, at lokale resultater også er forbundet med kommercielle hensigter afhængigt af konteksten.

Der vil typisk ikke være stor konkurrence på AdWords, featured snippets eller thumbnails for navigationsintention.

Men husk på, at der altid er en undtagelse til enhver regel. Og at du sagtens kan have et søgeord med navigationsintention, som har funktioner, der viser andre intentioner. Diagrammerne og eksemplerne giver overordnede indikationer for hver type intention.

Du vil også bemærke, at i modsætning til de fleste andre tilgange til søgeintention kan funktioner i AccuRanker-modellen være indbyrdes afhængige og kan også gøre en søgeintentionstype mindre sandsynlig. Det er muligt at skabe en sådan model ved at bruge AccuRankers enorme datamængde i kombination med avancerede maskinlæringsteknikker.

Kommerciel hensigt

For kommercielle formål vil du for det meste se elementer, som vi allerede har beskrevet.

Mere specifikt er lokale resultater (maps_local) ofte forbundet med kommercielle hensigter. Det samme kan siges om ord som "top" og "best" og SERP-funktioner som FAQ og anmeldelser.

På den anden side vil du typisk ikke se ord som "køb" eller "salg". Eller domæner som Amazon, Facebook eller Wikipedia.

Afrunding

Denne artikel har givet dig et indblik i den nye AccuRanker (AI-baserede) søgeintentionsfunktion. Den præsenterede komponenter af, hvordan modellen fungerer, og hvilken slags funktioner der påvirker de forskellige typer af søgeintentioner i både positiv og negativ retning.

Den nye søgeintentionsfunktion bliver ikke fortalt eller undervist i nogen regler. I stedet opdager modellen sine egne regler ved at matche mønstre med et stort antal eksempler. Kort sagt, den nye søgeintentionsmodel lærer af data. Ved at have præcise søgeintentionsetiketter kan du gruppere og målrette søgeord efter hensigt. Og det er altafgørende, når man skaber indhold.