Hur AccuRanker fastställer sökintention med AI

Följande artikel ger dig en inblick i den nya AccuRanker (AI-baserad) funktionen för sökintention.

För att bättre förstå denna artikel rekommenderar vi att du först läser vår andra artikel: Vad är Search Intent? Här får du lära dig att vi klassificerar den sökintention som Google riktar in sig på genom att titta på SERP (sökmotorns resultatsida) mer än på sökordet. Du får också veta varför sökintentionen kan förändras över tid och att det är möjligt att ha flera olika intentioner för en och samma SERP/ett och samma sökord.

I resten av den här artikeln kommer vi att hänvisa till ett SERP/keyword-par som ett nyckelord, även om ett nyckelord kan ha varierande SERP.

Inledning

Sökintention är ett nyanserat ämne. Och att ställa in en uppsättning fasta regler för att hitta den avsikt som Google riktar in sig på för ett visst nyckelord är nästan omöjligt. Lyckligtvis har utvecklingen inom AI och maskininlärning under det senaste decenniet gjort nya metoder möjliga. Vi har nu rätt verktyg för att använda de enorma mängder SERP-data som AccuRanker bearbetar dagligen för att "träna" en maskininlärningsmodell.

Bakom modellen för sökintention

Som träningsdata för den nya sökintentionsmodellen använde vi en kombination av omärkta och handmärkta data. Detta dataset består av sökintentionen för nyckelord som märkts av mänskliga experter i kombination med motsvarande SERP-data. Med maskininlärningstekniker framträder mönster. Dessa mönster översätts till en modell som kan användas för att hitta sökintentionen för nyckelord utanför träningsdatasetet.

Med hjälp av en maskininlärningsmodell kan vi förutsäga sökintention med större precision än med regelbaserade metoder. Att nå 100% precision är dock omöjligt av många skäl. Några av dessa skäl är följande:

• Även människor (upp till 40%) som tittar på SERP är oense om sökintentionen.
• SERP kan visa flera olika avsikter.
• Det finns inte alltid en 100-procentig anpassning av definitionen av olika sökintentionskategorier.

Vi har försökt beskriva AccuRankers definitioner med exempel. Genom att använda dessa definitioner och utvärdera maskininlärningsmodellen mot dessa etiketter kan vi uppnå en överensstämmelse med de handmärkta data på mer än 90%. Och vi är ofta benägna att hålla mer med maskininlärningsmodellen än den mänskliga etiketten när vi går igenom skillnaderna.

Vilka funktioner avgör sökintentionen

Den nya AccuRanker-sökintentionsmodellen använder mer än hundra funktioner i SERP för att räkna ut sökintentionen. Dessa funktioner är beroende av varandra och det är därför inte lätt att i detalj förklara hur de fungerar. Om så vore fallet skulle vi lika gärna kunna använda en regelbaserad metod.

Funktionerna inkluderar specialord (översatta till flera språk) i nyckelord, titlar, URL:er och beskrivningar samt SERP-funktioner och andra SERP-metadata som kostnad per klick och AdWords-konkurrens.

Ett sätt att förstå den nya modellen för sökintention är att titta på SHAP-visualiseringar av hur funktionerna påverkar modellens resultat i olika fall.

Visualisering av vilka funktioner som avgör sökintention

Bilden nedan visar de tjugo viktigaste funktionerna som avgör om avsikten är transaktionell.

Här får du se insidan av den nya modellen för sökintention och hur beslut fattas. Detta visas på ett något förenklat sätt.

Diagrammet läses på följande sätt:

• På y-axeln har du de mest betydelsefulla funktionerna för att avgöra om ett sökord tillhör kategorin transaktionell.
• På x-axeln ser du hur de enskilda funktionernas inverkan på modellutdata går från negativ till positiv. Den vertikala linjen skiljer negativ och positiv påverkan åt.
• Varje punkt motsvarar ett nyckelord. Färgen på punkten motsvarar värdet på motsvarande funktion för detta nyckelord. Rött innebär ett högt värde, blått ett lågt värde.

Transaktionell avsikt

Diagrammet i föregående stycke visade vilka funktioner som avgör om sökintentionen är transaktionell. Låt oss undersöka detta diagram och ta konkurrens på AdWords (competition_adwords) som ett exempel.

Du ser bredvid competition_adowrds i diagrammet att röda prickar är till höger om den vertikala linjen. Detta innebär att hög konkurrens på AdWords (en röd prick) gör det mer sannolikt att det är ett transaktionellt sökord (till höger om den vertikala linjen).

Å andra sidan kan du titta på förekomsten av ett featured snippet (pagefeaturedsnippet). Om detta värde är högt (röd prick) betyder det att det finns en featured snippet på SERP. De röda punkterna är alla till vänster om den vertikala linjen. Detta innebär att det är mindre troligt att det är ett transaktionssökord när det finns ett utvalt utdrag.

Andra saker du kan se i diagrammet är att Amazon är närvarande en eller flera gånger (urlscountamazon.) gör det mer troligt att SERP är transaktionell och motsatsen gäller för Wikipedia.

Dessa resultat är inte överraskande. Det häftiga är att maskininlärningsmodellen inte får veta något av detta i förväg. Den har härlett det från data. Dessutom har den dragit slutsatser om förhållandet mellan de olika funktionerna. Lägg märke till att punkterna är utspridda på x-axeln istället för att ligga ovanpå varandra. Detta beror på att SERP-funktionernas inverkan på modellen beror på vilka andra funktioner som finns i SERP. Så bara för att det är hög konkurrens på AdWords kommer modellen inte nödvändigtvis att dra slutsatsen att sökordet är transaktionellt.

Informativt syfte

I den andra änden av spektrumet kan du se de tjugo bästa funktionerna som avgör om avsikten är informativ.

Här ser du att en hög konkurrens på AdWords innebär att det är osannolikt att det är ett informativt syfte. Du ser också att funktioner som videokaruseller, relaterade frågor och featured snippets är vanliga för SERP med informativt syfte.

Å andra sidan indikerar ordet "bäst" vanligtvis kommersiell snarare än informativ avsikt. Detsamma gäller för SERP-funktionen "review" och lokala resultat (pagemapslocal).

En annan intressant insikt är att när Facebook är en del av SERP är det vanligtvis inte i informationssyfte. Istället är det navigationsintention.

Avsikt att navigera

För navigationsintention ser du diagrammet nedan.

Självklart är sitelinks ofta förknippade med navigationsintention. Du kan också se att kunskapspaneler ofta förekommer för sökord med navigeringsintention. Men de är också ofta närvarande för informativa sökord.

LinkedIn, Twitter och Facebook dyker ofta upp på SERPs med navigationsintention. Lokala resultat och resultat om är också förknippade med navigationsintention. Observera att lokala resultat också associeras med kommersiell avsikt beroende på sammanhanget.

Det kommer vanligtvis inte att vara hög konkurrens på AdWords, featured snippets eller thumbnails för navigationsintention.

Men kom ihåg att det alltid finns ett undantag till varje regel. Och att du lätt kan ha ett sökord med navigationsintention som har funktioner som visar andra intentioner. Diagrammen och exemplen ger övergripande indikationer för varje typ av intention.

Du kommer också att märka att i motsats till de flesta andra metoder för sökintention kan funktioner i AccuRanker-modellen vara beroende av varandra och kan också göra en sökintentionstyp mindre sannolik. Att skapa en sådan modell är möjligt genom att använda AccuRankers enorma mängd data i kombination med avancerade maskininlärningstekniker.

Kommersiell avsikt

För kommersiell avsikt kommer du mestadels att se objekt som vi redan har beskrivit.

Mer specifikt är lokala resultat (maps_local) ofta förknippade med kommersiell avsikt. Detsamma gäller för ord som "topp" och "bäst" och SERP-funktioner som FAQ och recensioner.

Å andra sidan kommer du vanligtvis inte att se ord som "köp" eller "försäljning". Eller domäner som Amazon, Facebook eller Wikipedia.

Avslutning

Den här artikeln har gett dig en inblick i den nya AccuRanker (AI-baserade) funktionen för sökintention. Den presenterade komponenter i hur modellen fungerar och vilken typ av funktioner som påverkar de olika typerna av sökintentioner i både positiv och negativ riktning.

Den nya funktionen för sökintention blir inte tillsagd eller lär sig några regler. Istället upptäcker modellen sina egna regler genom mönstermatchning med ett stort antal exempel. Enkelt uttryckt lär sig den nya sökintentionsmodellen från data. Med exakta sökintentionsetiketter kan du gruppera och rikta in sökord efter avsikt. Och detta är av största vikt när man skapar innehåll.