Sådan bestemmer AccuRanker søgeintentioner med AI

Følgende artikel giver dig et indblik i den nye AccuRanker (AI-baserede) søgeintentionsfunktion.

For bedre at forstå denne artikel anbefaler vi, at du først læser vores anden artikel: Hvad er søgeintention? Her lærer du, at vi klassificerer den søgeintention, som Google er rettet mod, ved at se på SERP (søgemaskinens resultatside) mere end på 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/søgeord.

I resten af denne artikel henviser vi til et SERP/nøgleordspar som et nøgleord for at gøre det kort, selv om et nøgleord kan have forskellige SERP'er.

Indledning

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

Bagved modellen for søgeintentioner

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

Ved at bruge en maskinlæringsmodel kan vi forudsige søgeintentioner med større præcision end regelbaserede tilgange. Det er dog umuligt at opnå 100 % præcision af mange grunde. Nogle af disse grunde er:

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

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 maskinlæringsmodellen end med den menneskelige label, når vi gennemgår forskellene.

Hvilke funktioner bestemmer søgeintentionen

Den nye AccuRanker-søgeintentionsmodel bruger mere end hundrede funktioner i SERP'en 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. pris pr. klik og AdWords-konkurrence.

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

Visualisering af, hvilke funktioner der bestemmer søgeintentionen

Nedenstående billede viser de tyve vigtigste funktioner, som afgør, om hensigten er transaktionel.

Her får du et indblik i den nye søgeintentionsmodel, og hvordan beslutningerne træffes. Det 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 tilhører den transaktionelle kategori.
• På x-aksen ser du indvirkningen på modellens output af de enkelte funktioner, der går fra negativ til positiv. Den lodrette linje adskiller negativ og positiv påvirkning.
• Hver prik svarer til et nøgleord. Farven på prikken svarer til værdien af den tilsvarende funktion for dette nøgleord. Rød betyder en høj værdi, blå en lav værdi.

Transaktionel hensigt

Diagrammet fra forrige 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 transaktionssøgeord (til højre for den lodrette linje).

På den anden side skal du se på tilstedeværelsen af et featured snippet (pagefeaturedsnippet). Hvis denne værdi er høj (rød prik), betyder det, at der er et 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 transaktionssøgeord, når der er et 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. Desuden har den udledt forholdet mellem de forskellige funktioner. Læg mærke til, at prikkerne er spredt på x-aksen i stedet for at ligge oven på hinanden. Det skyldes, at SERP-funktionernes indvirkning på modellen afhænger af, hvilke andre funktioner der er til stede på SERP'en. Så bare fordi der er høj 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 det er en informativ hensigt. Du kan også se, at funktioner som videokarruseller, relaterede spørgsmål og featured sn ippets 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 med anmeldelser og lokale resultater (pagemapslocal).

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

Navigationsmæssig hensigt

For navigationsformål ser du nedenstående diagram.

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

LinkedIn, Twitter og Facebook dukker ofte op på SERP'er med navigationsformål. Lokale resultater og resultater om er også forbundet med navigationsintention. Bemærk, at lokale resultater også er forbundet med kommerciel hensigt afhængigt af konteksten.

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

Men husk, at der altid er en undtagelse til enhver regel. Og at man sagtens kan have et søgeord med navigationsformål, som har funktioner, der viser andre formål. Diagrammerne og eksemplerne giver overordnede indikationer for hver type hensigt.

Du vil også bemærke, at i modsætning til de fleste andre tilgange til søgeintentioner 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 store mængde data 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 "bedst" og SERP-funktioner som ofte stillede spørgsmål 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 i, hvordan modellen fungerer, og hvilken slags funktioner der påvirker de forskellige typer af søgeintentioner i både positiv og negativ retning.

Den nye søgefunktion bliver ikke fortalt eller undervist i nogen regler. I stedet opdager modellen sine egne regler ved hjælp af mønstermatchning med et stort antal eksempler. Kort sagt lærer den nye søgeintentionsmodel af data. Med præcise søgeformålsetiketter kan du gruppere og målrette søgeord efter formål. Og det er altafgørende, når man skaber indhold.