Hvordan AccuRanker bestemmer søkeintensjon med kunstig intelligens

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

For å forstå denne artikkelen bedre, anbefaler vi at du først leser den andre artikkelen vår: Hva er søkeintensjon? Her vil du lære at vi klassifiserer søkeintensjonen Google retter seg mot ved å se på SERP (søkemotorens resultatside) mer enn søkeordet. Du vil også lære hvorfor søkeintensjonen kan endre seg over tid, og at det er mulig å ha flere intensjoner for en enkelt SERP/et enkelt søkeord.

I resten av denne artikkelen vil vi for enkelhets skyld referere til et SERP/nøkkelordpar som et nøkkelord, selv om et nøkkelord 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 utvikle nye metoder. Vi har nå de riktige verktøyene for å bruke de enorme mengdene SERP-data som AccuRanker behandler daglig, til å "trene" en maskinlæringsmodell.

Bak søkeintensjonsmodellen

Som treningsdata for den nye søkeintensjonsmodellen brukte vi en kombinasjon av umerkede og håndmerkede data. Dette datasettet består av søkeintensjonen for nøkkelord 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 opplæringsdatasettet.

Ved hjelp av en maskinlæringsmodell kan vi forutsi søkeintensjoner med større presisjon enn regelbaserte tilnærminger. Det er imidlertid mange grunner til at det er umulig å oppnå 100 % presisjon. Noen av disse grunnene er

• Selv mennesker (opptil 40 %) som ser på SERP-er, 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 enighet med de håndmerkede dataene på mer enn 90 %. Og vi er ofte tilbøyelige til å være mer enige med maskinlæringsmodellen enn med den menneskelige merkelappen når vi går gjennom forskjellene.

Hvilke funksjoner avgjør søkeintensjonen

Den nye AccuRanker-søkeintensjonsmodellen bruker mer enn hundre funksjoner i SERP-en for å finne ut av søkeintensjonen. Disse funksjonene er gjensidig 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 intensjonen 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 som følger:

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

Transaksjonell intensjon

Diagrammet fra forrige avsnitt viste hvilke funksjoner som avgjør om søkeintensjonen er transaksjonell. La oss undersøke dette diagrammet og ta konkurransen på AdWords (competition_adwords) som et eksempel.

Ved siden av competition_adowrds i diagrammet ser du at røde prikker befinner seg til høyre for den vertikale linjen. Dette betyr at høy konkurranse på AdWords (en rød prikk) gjør det mer sannsynlig at det er et transaksjonssøkeord (til høyre for den vertikale linjen).

På den annen side kan du se på forekomsten av et utdrag (pagefeaturedsnippet). Hvis denne verdien er høy (rød prikk), betyr det at det finnes et utdrag på SERP-en. 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 et featured snippet.

Andre ting du kan se på diagrammet er at Amazon som er til stede en eller flere ganger (urlscountamazon.) Gjør det mer sannsynlig at SERP er transaksjonell, og det motsatte gjelder for Wikipedia.

Disse funnene er ikke overraskende. Det kule er at maskinlæringsmodellen ikke får 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 prikkene 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 intensjon

I den andre enden av spekteret kan du se de tjue beste funksjonene som avgjør om hensikten er informativ.

Her ser du at høy konkurranse på AdWords betyr at det er usannsynlig at det er en informasjonshensikt. Du ser også at funksjoner som videokaruseller, relaterte spørsmål og featured snippets er utbredt for SERP-er med informasjonshensikt.

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

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

Navigasjonsintensjon

For navigasjonsintensjon ser du diagrammet nedenfor.

Det er åpenbart at nettstedslenker ofte er forbundet med navigasjonsintensjon. Du kan også se at kunnskapspaneler ofte er til stede for søkeord med navigasjonsintensjon. Men de er også ofte til stede for informasjonssøkeord.

LinkedIn, Twitter og Facebook dukker ofte opp i SERP-ene med navigasjonsintensjon. Lokale resultater og resultater om er også forbundet med navigasjonsintensjon. Merk at lokale resultater også er forbundet med kommersielle hensikter, avhengig av konteksten.

Det vil vanligvis ikke være stor konkurranse på AdWords, utvalgte utdrag eller miniatyrbilder for navigasjonsintensjon.

Men husk at det alltid finnes et unntak fra hver regel. Og at du lett 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 søkehensikter, kan funksjonene i AccuRanker-modellen være gjensidig avhengige av hverandre og kan også gjøre en søkehensiktstype mindre sannsynlig. Det er mulig å lage en slik modell ved å bruke AccuRankers enorme datamengde i kombinasjon med avanserte maskinlæringsteknikker.

Kommersielle hensikter

For kommersielle hensikter 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 kan sies om ord som "topp" og "best" og SERP-funksjoner som vanlige spørsmål og anmeldelser.

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

Oppsummering

Denne artikkelen har gitt deg et innblikk i den nye (AI-baserte) søkeintensjonsfunksjonen AccuRanker. Vi har presentert komponenter i hvordan modellen fungerer, og hva slags funksjoner som påvirker de ulike typene 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.