Hvordan AccuRanker bestemmer søkeintensjon med AI

Følgende artikkel gir deg et innblikk i den nye AccuRanker (AI-basert) søkeintensjonsfunksjonen.

For å forstå denne artikkelen bedre, anbefaler vi at du først leser den andre artikkelen vår: Hva er søkeintensjon? Her lærer du at vi klassifiserer søkeintensjonen Google retter seg mot ved å se på SERP (resultatsiden for søkemotorer) i stedet for søkeordet. Du får også vite hvorfor søkeintensjonen kan endre seg over tid, og at det er mulig å ha flere intensjoner for samme SERP/søkeord.

I resten av denne artikkelen vil vi for enkelhets skyld kalle et SERP-søkeordpar for et søkeord, selv om et søkeord kan ha ulike SERP-er.

Innledning

Søkeintensjon er et nyansert tema. Og det er nesten umulig å sette opp et sett med faste regler for å finne ut hvilken hensikt Google sikter mot for et gitt søkeord. Heldigvis har utviklingen innen kunstig intelligens og maskinlæring det siste tiåret gjort det mulig å ta i bruk nye metoder. Vi har nå det rette verktøysettet til å bruke de enorme mengdene SERP-data som AccuRanker behandler daglig, til å "trene opp" en maskinlæringsmodell.

Bak søkeintensjonsmodellen

Som treningsdata for den nye søkeintensjonsmodellen brukte vi en kombinasjon av umerkede og håndmerkede data. Dette datasettet består av søkeintensjoner for søkeord som er merket av menneskelige eksperter, kombinert med tilsvarende SERP-data. Med maskinlæringsteknikker oppstår det mønstre. Disse mønstrene oversettes til en modell som kan brukes til å finne søkeintensjonen for søkeord utenfor treningsdatasettet.

Ved å bruke en maskinlæringsmodell kan vi forutsi søkeintensjonen med større presisjon enn regelbaserte tilnærminger. Det er imidlertid umulig å oppnå 100 % presisjon av mange grunner. Noen av disse grunnene er

• Selv mennesker (opptil 40 %) som ser på SERP, er uenige om søkeintensjonen.
• SERP kan vise flere hensikter.
• Det er ikke alltid 100 % enighet om definisjonen av de ulike søkeintensjonskategoriene.

Vi har forsøkt å skissere AccuRanker-definisjonene med eksempler. Ved å bruke disse definisjonene og vurdere maskinlæringsmodellen opp mot disse merkelappene, kan vi oppnå en overensstemmelse med de håndmerkede dataene på mer enn 90 %. Og vi er ofte tilbøyelige til å være mer enige med maskinlæringsmodellen enn den menneskelige etiketten når vi går gjennom forskjellene.

Hvilke funksjoner bestemmer søkeintensjonen

Den nye AccuRanker-søkeintensjonsmodellen bruker mer enn hundre funksjoner i SERP for å finne ut hva søkeintensjonen er. Disse funksjonene er avhengige av hverandre, og det er derfor ikke lett å forklare i detalj hvordan de fungerer. I så fall kunne vi like gjerne brukt en regelbasert tilnærming.

Funksjonene omfatter spesielle ord (oversatt til flere språk) i søkeord, titler, nettadresser og beskrivelser samt SERP-funksjoner og andre SERP-metadata som kostnad per klikk og AdWords-konkurranse.

En måte å forstå den nye søkeintensjonsmodellen på er å se på SHAP-visualiseringer av hvordan funksjonene påvirker modellens resultater i ulike tilfeller.

Visualisering av hvilke funksjoner som bestemmer søkeintensjonen

Bildet nedenfor viser de tjue viktigste funksjonene som avgjør om hensikten er transaksjonell.

Her får du se innsiden av den nye søkeintensjonsmodellen og hvordan beslutningene tas. Dette er vist på en litt forenklet måte.

Diagrammet leses på følgende måte:

• På y-aksen har du de mest innflytelsesrike funksjonene for å finne ut om et søkeord tilhører transaksjonskategorien.
• På x-aksen ser du effekten de enkelte funksjonene har på modellens resultater, fra negativ til positiv. Den vertikale linjen skiller mellom negativ og positiv innvirkning.
• Hver prikk tilsvarer et nøkkelord. Fargen på prikken tilsvarer verdien på den tilsvarende funksjonen for dette nøkkelordet. Rød betyr høy verdi, blå betyr lav verdi.

Transaksjonell hensikt

Diagrammet i forrige avsnitt viste hvilke funksjoner som avgjør om søkeintensjonen er transaksjonell. La oss se nærmere på dette diagrammet og ta konkurranse på AdWords (competition_adwords) som eksempel.

Du ser ved siden av competition_adowrds i diagrammet at røde prikker ligger til høyre for den vertikale linjen. Det betyr at høy konkurranse på AdWords (en rød prikk) gjør det mer sannsynlig at søkeordet er et transaksjonssøkeord (til høyre for den vertikale linjen).

På den annen side kan du se på om søkeordet har et utdrag (pagefeaturedsnippet). Hvis denne verdien er høy (rød prikk), betyr det at det finnes en featured snippet på SERP. De røde prikkene er alle til venstre for den vertikale linjen. Dette betyr at det er mindre sannsynlig at det er et transaksjonssøkeord når det er en featured snippet.

Andre ting du kan se i diagrammet, er at Amazon er til stede én eller flere ganger (urlscountamazon.), noe som gjør det mer sannsynlig at SERP-en er transaksjonell, mens det motsatte gjelder for Wikipedia.

Disse funnene er ikke overraskende. Det kule er at maskinlæringsmodellen ikke har fått vite noe av dette på forhånd. Den har utledet det fra dataene. I tillegg har den utledet forholdet mellom de ulike funksjonene. Legg merke til at punktene er spredt på x-aksen i stedet for å ligge oppå hverandre. Dette skyldes at SERP-funksjonenes innvirkning på modellen avhenger av hvilke andre funksjoner som finnes på SERP-en. Så bare fordi det er høy konkurranse på AdWords, vil ikke modellen nødvendigvis konkludere med at søkeordet er transaksjonelt.

Informativ hensikt

I den andre enden av skalaen ser du de tjue funksjonene som avgjør om søkeordet har en informativ hensikt.

Her ser du at høy konkurranse på AdWords betyr at det er lite sannsynlig at søkeordet er informativt. Du ser også at funksjoner som videokaruseller, relaterte spørsmål og utvalgte utdrag er utbredt for SERP-er med informasjonsformål.

På den annen side indikerer ordet "best" vanligvis en kommersiell snarere enn en informativ hensikt. Det samme gjelder for SERP-funksjonen "review" og lokale resultater (pagemapslocal).

En annen interessant innsikt er at når Facebook er en del av SERP, er det vanligvis ikke med informasjonshensikt. I stedet er det en navigasjonshensikt.

Navigasjonshensikt

Når det gjelder navigasjonshensikt, ser du diagrammet nedenfor.

Det er tydelig at nettstedslenker ofte forbindes med navigasjonshensikter. Du kan også se at kunnskapspaneler ofte er til stede for søkeord med navigasjonshensikt. Men de er også ofte til stede for informasjonssøkeord.

LinkedIn, Twitter og Facebook dukker ofte opp i SERP for søkeord med navigasjonshensikt. Lokale resultater og resultater om er også assosiert med navigasjonsintensjon. Legg merke til at lokale resultater også er forbundet med kommersielle hensikter, avhengig av konteksten.

Det vil vanligvis ikke være stor konkurranse på AdWords, Featured Snippets eller miniatyrbilder med navigasjonshensikt.

Men husk at det alltid finnes unntak fra alle regler. Og at du sagtens kan ha et søkeord med navigasjonshensikt som har funksjoner som viser andre hensikter. Diagrammene og eksemplene gir overordnede indikasjoner for hver type hensikt.

Du vil også legge merke til at i motsetning til de fleste andre tilnærminger til søkeintensjoner, kan funksjonene i AccuRanker-modellen være gjensidig avhengige av hverandre og også gjøre en type søkeintensjon mindre sannsynlig. Det er mulig å lage en slik modell ved å bruke AccuRankers enorme datamengde i kombinasjon med avanserte maskinlæringsteknikker.

Kommersiell hensikt

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

Mer spesifikt er lokale resultater (maps_local) ofte forbundet med kommersielle hensikter. Det samme gjelder ord som "topp" og "best" og SERP-funksjoner som FAQ og anmeldelser.

På den annen side vil du vanligvis ikke se ord som "kjøp" eller "salg". Eller domener som Amazon, Facebook eller Wikipedia.

Avslutning

Denne artikkelen har gitt deg et innblikk i den nye AccuRanker (AI-baserte) søkeintensjonsfunksjonen. Den presenterte komponenter i hvordan modellen fungerer, og hva slags funksjoner som påvirker ulike typer søkeintensjoner i både positiv og negativ retning.

Den nye søkeintensjonsfunksjonen blir ikke fortalt eller lært noen regler. I stedet oppdager modellen sine egne regler ved hjelp av mønstermatching med et stort antall eksempler. Enkelt sagt lærer den nye søkeintensjonsmodellen av data. Med presise søkeintensjonsetiketter kan du gruppere og målrette søkeord etter intensjon. Og dette er avgjørende når du lager innhold.