Miten AccuRanker määrittää hakutarkoituksen tekoälyn avulla

Seuraavassa artikkelissa kerrotaan uudesta AccuRanker-ominaisuudesta (tekoälyyn perustuva) hakuaikomus.

Jotta ymmärtäisit tämän artikkelin paremmin, suosittelemme, että luet ensin toisen artikkelimme: Mikä on hakutarkoitus?. Tässä opit, että luokittelemme Googlen hakuaikomuksen tarkastelemalla SERP:tä (hakukoneen tulossivu) enemmän kuin avainsanaa. Opit myös, miksi hakutarkoitus voi muuttua ajan mittaan ja että on mahdollista, että yhdellä SERP:llä/avainsanalla on useita hakutarkoituksia.

Jäljempänä tässä artikkelissa viittaamme SERP/avainsanapariin lyhyyden vuoksi avainsanana, vaikka avainsanalla voi olla erilaisia SERP-sivuja.

Johdanto

Hakutarkoitus on monivivahteinen aihe. On lähes mahdotonta laatia kiinteitä sääntöjä, joiden avulla voidaan selvittää, mitä Google tavoittelee tietyllä avainsanalla. Onneksi tekoälyn ja koneoppimisen kehitys viime vuosikymmenen aikana on tehnyt uudet menetelmät mahdollisiksi. Meillä on nyt oikeat työkalut, joiden avulla voimme käyttää AccuRankerin päivittäin käsittelemiä valtavia määriä SERP-dataa koneoppimisen mallin kouluttamiseen.

Hakuaikomuksen mallin taustalla

Uuden hakuaikomuksen mallin koulutusdatana käytimme yhdistelmää merkitsemättömistä ja käsin merkityistä tiedoista. Tämä tietokokonaisuus koostuu ihmisten asiantuntijoiden merkitsemistä avainsanojen hakuaikomuksista yhdistettynä vastaaviin SERP-tietoihin. Koneoppimistekniikoiden avulla kuvioita tulee esiin. Nämä kuviot muunnetaan malliksi, jota voidaan käyttää avainsanojen hakuaikomusten etsimiseen koulutustietokannan ulkopuolella.

Koneoppimismallin avulla voidaan ennustaa hakuaikomukset tarkemmin kuin sääntöpohjaisilla lähestymistavoilla. Sataprosenttisen tarkkuuden saavuttaminen on kuitenkin mahdotonta monista syistä. Joitakin näistä syistä ovat:

• Jopa ihmiset (jopa 40 %), jotka katsovat SERP-verkkosivuja, ovat eri mieltä hakutarkoituksesta.
• SERP voi näyttää useita aikomuksia.
• Eri hakutarkoituskategorioiden määrittelyssä ei aina ole 100-prosenttista yhdenmukaisuutta.

Olemme yrittäneet hahmotella AccuRanker-määritelmiä esimerkkien avulla. Käyttämällä näitä määritelmiä ja arvioimalla koneoppimismallia näiden merkintöjen perusteella voimme saavuttaa yli 90 prosentin yhteisymmärryksen käsin merkityn datan kanssa. Ja usein olemme taipuvaisia olemaan enemmän samaa mieltä koneoppimisen mallin kuin ihmisen tekemän merkinnän kanssa, kun käymme läpi eroja.

Mitkä ominaisuudet määrittävät hakuaikomuksen

Uusi AccuRanker-hakutarkoitusmalli käyttää yli sataa SERP:n ominaisuutta hakutarkoituksen selvittämiseen. Nämä ominaisuudet ovat riippuvaisia toisistaan, eikä niiden toimintaa ole siksi helppo selittää yksityiskohtaisesti. Jos näin olisi, voisimme yhtä hyvin käyttää sääntöpohjaista lähestymistapaa.

Ominaisuuksiin kuuluvat avainsanoissa, otsikoissa, URL-osoitteissa ja kuvauksissa esiintyvät erikoissanat (jotka on käännetty useille kielille) sekä SERP:n ominaisuudet ja muut SERP:n metatiedot, kuten kustannukset per klikkaus ja AdWords-kilpailu.

Yksi tapa ymmärtää uutta hakuaikomusmallia on tarkastella SHAP-visualisointeja siitä, miten ominaisuudet vaikuttavat mallin tulokseen eri tapauksissa.

Visualisointi siitä, mitkä ominaisuudet määrittävät hakuaikomuksen

Alla olevassa kuvassa näkyy kaksikymmentä tärkeintä ominaisuutta, jotka määrittävät, onko aikomus transaktionaalinen.

Tässä pääset näkemään uuden hakuaikomuksen mallin sisäpuolen ja sen, miten päätökset tehdään. Tämä on esitetty hieman yksinkertaistettuna.

Kaavio on luettavissa seuraavasti:

• Y-akselilla on tärkeimmät ominaisuudet, jotka vaikuttavat siihen, kuuluuko hakusana transaktionaaliseen luokkaan.
• x-akselilla näkyy yksittäisten ominaisuuksien vaikutus mallin tulosteeseen negatiivisesta positiiviseen. Pystyviiva erottaa negatiivisen ja positiivisen vaikutuksen toisistaan.
• Kukin piste vastaa avainsanaa. Pisteen väri vastaa kyseisen avainsanan vastaavan ominaisuuden arvoa. Punainen tarkoittaa korkeaa arvoa, sininen matalaa arvoa.

Liiketoiminta-aikomus

Edellisessä kohdassa esitetty kaavio osoitti, mitkä ominaisuudet määrittävät, onko hakuaikomus transaktionaalinen. Tarkastellaan tätä kaaviota ja otetaan esimerkkinä AdWordsin kilpailu (competition_adwords).

Näet kaavion competition_adowrds-kohdan vieressä, että punaiset pisteet ovat pystysuoran viivan oikealla puolella. Tämä tarkoittaa, että AdWordsin suuri kilpailu (punainen piste) tekee siitä todennäköisemmin transaktionaalisen avainsanan (pystysuoran viivan oikealla puolella).

Toisaalta tarkastellaan featured snippetin (pagefeaturedsnippet) läsnäoloa. Jos tämä arvo on korkea (punainen piste), se tarkoittaa, että SERP:ssä on featured snippet. Punaiset pisteet ovat kaikki pystysuoran viivan vasemmalla puolella. Tämä tarkoittaa, että on epätodennäköisempää, että kyseessä on transaktionaalinen avainsana, kun käytössä on featured snippet.

Kaaviosta näkyy myös, että Amazonin esiintyminen yhden tai useamman kerran (urlscountamazon.) tekee todennäköisemmäksi, että SERP on transaktionaalinen, ja päinvastoin Wikipedian kohdalla.

Nämä havainnot eivät ole yllättäviä. Siistiä on se, että koneoppimismallille ei kerrota mitään tästä etukäteen. Se on päätellyt sen datasta. Lisäksi se on päätellyt eri ominaisuuksien välisen suhteen. Huomaa, että pisteet ovat levinneet x-akselilla sen sijaan, että ne olisivat päällekkäin. Tämä johtuu siitä, että SERP-ominaisuuksien vaikutus malliin riippuu siitä, mitä muita ominaisuuksia SERP:ssä on. Joten vain siksi, että AdWordsissa on paljon kilpailua, malli ei välttämättä päättele, että avainsana on transaktionaalinen.

Tiedollinen aikomus

Toisessa ääripäässä on kaksikymmentä tärkeintä ominaisuutta, jotka määrittävät, onko aikomus informatiivinen.

Tässä näet, että suuri kilpailu AdWordsissa tarkoittaa, että kyseessä ei todennäköisesti ole tiedollinen tarkoitus. Näet myös, että ominaisuudet, kuten videokarusellit, aiheeseen liittyvät kysymykset ja esillä olevat osat, ovat yleisiä SERP-verkkosivuilla, joilla on tiedollinen tarkoitus.

Toisaalta sana "paras" viittaa yleensä pikemminkin kaupalliseen kuin tiedolliseen tarkoitukseen. Sama pätee arvostelu SERP-ominaisuuteen ja paikallisiin tuloksiin (pagemapslocal).

Toinen mielenkiintoinen oivallus on se, että kun Facebook on osa SERP:tä, se ei tyypillisesti liity informaatiotarkoitukseen. Sen sijaan kyse on navigointitarkoituksesta.

Navigointitarkoitus

Navigointitarkoituksen osalta näet alla olevan kaavion.

On selvää, että sivustolinkit liittyvät usein navigointitarkoitukseen. Voit myös nähdä, että tietopaneelit ovat usein läsnä avainsanoissa, joilla on navigointitarkoitus. Ne ovat kuitenkin usein läsnä myös informatiivisten avainsanojen kohdalla.

LinkedIn, Twitter ja Facebook näkyvät usein SERP:ssä navigointitarkoituksessa. Paikalliset tulokset ja tulokset noin liittyvät myös navigointitarkoitukseen. Huomaa, että paikalliset tulokset liittyvät myös kaupalliseen tarkoitukseen asiayhteydestä riippuen.

AdWordsissa, featured snippeteissä tai pikkukuvissa ei yleensä ole suurta kilpailua navigointitarkoituksessa.

Muista kuitenkin, että kaikkiin sääntöihin on aina poikkeus. Ja että sinulla voi helposti olla avainsana, jolla on navigointitarkoitus ja jolla on ominaisuuksia, jotka osoittavat muita aikomuksia. Kaavioissa ja esimerkeissä annetaan yleisiä viitteitä kunkin tarkoitustyypin osalta.

Huomaat myös, että toisin kuin useimmissa muissa hakuaikomuksia koskevissa lähestymistavoissa, AccuRanker-mallissa ominaisuudet voivat olla riippuvaisia toisistaan ja tehdä hakuaikomustyypistä epätodennäköisemmän. Tällaisen mallin luominen on mahdollista hyödyntämällä AccuRankerin valtavaa tietomäärää yhdessä kehittyneiden koneoppimistekniikoiden kanssa.

Kaupallinen aikomus

Kaupallisen aikomuksen osalta näet useimmiten kohteita, jotka olemme jo kuvailleet.

Tarkemmin sanottuna paikalliset tulokset (maps_local) liittyvät usein kaupalliseen tarkoitukseen. Sama pätee sanoihin kuten "top" ja "best" sekä SERP-ominaisuuksiin kuten FAQ ja arvostelut.

Toisaalta et yleensä näe sellaisia sanoja kuin "buy" tai "sale". Tai verkkotunnuksia kuten Amazon, Facebook tai Wikipedia.

Lopuksi

Tämä artikkeli on antanut sinulle käsityksen uudesta AccuRanker-ominaisuudesta (tekoälyyn perustuva) hakuaikomus. Siinä esiteltiin osatekijöitä siitä, miten malli toimii ja millaiset ominaisuudet vaikuttavat erityyppisiin hakuaikomuksiin sekä positiiviseen että negatiiviseen suuntaan.

Uudelle hakuaikomusominaisuudelle ei kerrota tai opeteta mitään sääntöjä. Sen sijaan malli löytää omat sääntönsä vertailemalla malleja lukuisten esimerkkien avulla. Yksinkertaisesti sanottuna uusi hakuaikomusmalli oppii datasta. Kun sinulla on tarkat hakutarkoitusmerkinnät, voit ryhmitellä ja kohdentaa avainsanoja tarkoituksen mukaan. Tämä on ensiarvoisen tärkeää sisältöä luotaessa.