Comment AccuRanker détermine l'intention de recherche grâce à l'IA

L'article suivant vous donne un aperçu de la nouvelle fonctionnalité AccuRanker (basée sur l'IA) relative à l'intention de recherche.

Pour mieux comprendre cet article, nous vous recommandons de lire d'abord notre autre article : Qu'est-ce que l'intention de recherche ? Vous y apprendrez que nous classons l'intention de recherche ciblée par Google en examinant la SERP (page de résultats du moteur de recherche) plutôt que le mot-clé. Vous apprendrez également pourquoi l'intention de recherche peut changer au fil du temps et qu'il est possible d'avoir plusieurs intentions pour une même SERP/mot-clé.

Dans la suite de cet article, nous parlerons d'un couple SERP/mot-clé comme d'un mot-clé par souci de concision, même si un mot-clé peut avoir des SERP différentes.

Introduction

L'intention de recherche est un sujet nuancé. Il est pratiquement impossible d'établir un ensemble de règles fixes pour déterminer l'intention visée par Google pour un mot-clé donné. Heureusement, les développements dans le domaine de l'IA et de l'apprentissage automatique au cours de la dernière décennie rendent de nouvelles méthodes réalisables. Nous disposons désormais de l'ensemble des outils nécessaires pour utiliser les énormes quantités de données SERP traitées quotidiennement par AccuRanker afin de "former" un modèle d'apprentissage automatique.

Derrière le modèle d'intention de recherche

Comme données d'entraînement pour le nouveau modèle d'intention de recherche, nous avons utilisé une combinaison de données non étiquetées et étiquetées à la main. Cet ensemble de données se compose de l'intention de recherche de mots-clés étiquetés par des experts humains et des données SERP correspondantes. Les techniques d'apprentissage automatique font apparaître des schémas. Ces schémas sont traduits en un modèle qui peut être utilisé pour trouver l'intention de recherche de mots-clés en dehors de l'ensemble de données d'apprentissage.

L'utilisation d'un modèle d'apprentissage automatique nous permet de prédire l'intention de recherche avec une plus grande précision que les approches basées sur des règles. Toutefois, il est impossible d'atteindre une précision de 100 % pour de nombreuses raisons. Voici quelques-unes de ces raisons :

• Même les humains (jusqu'à 40 %) qui regardent les SERP ne sont pas d'accord sur l'intention de recherche.
• Les SERP peuvent afficher plusieurs intentions.
• Il n'y a pas toujours un alignement à 100 % sur la définition des différentes catégories d'intentions de recherche.

En utilisant ces définitions et en évaluant le modèle d'apprentissage automatique par rapport à ces étiquettes, nous pouvons obtenir une concordance de plus de 90 % avec les données étiquetées manuellement. Et nous sommes souvent enclins à être plus d'accord avec le modèle d'apprentissage automatique qu'avec l'étiquette humaine lorsque nous examinons les différences.

Quelles sont les caractéristiques qui déterminent l'intention de recherche ?

Le nouveau modèle d'intention de recherche AccuRanker utilise plus d'une centaine de caractéristiques de la SERP pour déterminer l'intention de recherche. Ces caractéristiques sont interdépendantes et il n'est donc pas facile d'expliquer en détail comment elles fonctionnent. Si c'était le cas, nous pourrions tout aussi bien utiliser une approche basée sur des règles.

Les caractéristiques comprennent des mots spéciaux (traduits en plusieurs langues) dans les mots-clés, les titres, les URL et les descriptions, ainsi que les caractéristiques des SER P et d'autres métadonnées des SERP telles que le coût par clic et la concurrence AdWords.

Une façon de comprendre le nouveau modèle d'intention de recherche est de regarder les visualisations SHAP de la façon dont les caractéristiques affectent les résultats du modèle dans différents cas.

Visualisation des caractéristiques qui déterminent l'intention de recherche

L'image ci-dessous montre les vingt principales caractéristiques qui déterminent si l'intention est transactionnelle.

Vous voyez ici l'intérieur du nouveau modèle d'intention de recherche et la manière dont les décisions sont prises. L'image est légèrement simplifiée.

Le graphique se lit comme suit :

• Sur l'axe des y, vous avez les caractéristiques les plus importantes pour déterminer si un mot-clé appartient à la catégorie transactionnelle.
• Sur l'axe des abscisses, vous voyez l'impact sur la sortie du modèle des caractéristiques individuelles allant de négatif à positif. La ligne verticale sépare l'impact négatif de l'impact positif.
• Chaque point correspond à un mot-clé. La couleur du point correspond à la valeur de la caractéristique correspondante pour ce mot-clé. Le rouge correspond à une valeur élevée, le bleu à une valeur faible.

Intention transactionnelle

Le tableau du paragraphe précédent montre quelles caractéristiques déterminent si l'intention de recherche est transactionnelle. Examinons ce tableau et prenons l'exemple de la concurrence sur AdWords (competition_adwords).

Vous voyez à côté de competition_adowrds sur le graphique que les points rouges sont à droite de la ligne verticale. Cela signifie qu'une forte concurrence sur AdWords (un point rouge) rend le mot-clé plus susceptible d'être un mot-clé transactionnel (à droite de la ligne verticale).

D'autre part, regardez la présence d'un featured snippet (pagefeaturedsnippet). Si cette valeur est élevée (point rouge), cela signifie qu'il y a un featured snippet dans la SERP. Les points rouges se trouvent tous à gauche de la ligne verticale. Cela signifie qu'il est moins probable qu'il s'agisse d'un mot-clé transactionnel lorsqu'il y a un featured snippet.

Le graphique montre également qu'Amazon étant présent une ou plusieurs fois (urlscountamazon.), il est plus probable que la SERP soit transactionnelle, alors que c'est l'inverse pour Wikipedia.

Ces résultats ne sont pas surprenants. Ce qui est intéressant, c'est que le modèle d'apprentissage automatique n'est pas informé à l'avance. Il l'a déduit des données. En outre, il a déduit la relation entre les différentes caractéristiques. Remarquez que les points sont répartis sur l'axe des x au lieu d'être superposés. Cela s'explique par le fait que l'impact des caractéristiques de la SERP sur le modèle dépend des autres caractéristiques présentes dans la SERP. Ainsi, ce n'est pas parce qu'il y a une forte concurrence sur AdWords que le modèle conclura nécessairement que le mot-clé est transactionnel.

Intention informationnelle

À l'autre extrémité du spectre, vous pouvez voir les vingt principales caractéristiques qui déterminent si l'intention est informationnelle.

Ici, on constate qu'une forte concurrence sur AdWords signifie qu'il est peu probable qu'il s'agisse d'une intention informationnelle. On constate également que les fonctionnalités telles que les carrousels vidéo, les questions connexes et les featured snippets sont prépondérantes pour les SERP à vocation informative.

D'autre part, le mot "meilleur" indique généralement une intention commerciale plutôt qu'informative. Il en va de même pour la fonction d'évaluation des SERP et les résultats locaux (pagemapslocal).

Autre constat intéressant : lorsque Facebook fait partie des SERP, il ne s'agit généralement pas d'une intention informationnelle, mais plutôt d'une intention de navigation. Il s'agit plutôt d'une intention de navigation.

Intention de navigation

Pour l'intention de navigation, vous voyez le graphique ci-dessous.

Il est évident que les sitelinks sont souvent associés à une intention de navigation. Vous pouvez également constater que les panneaux de connaissances sont souvent présents pour les mots-clés ayant une intention de navigation. Mais ils sont également souvent présents pour les mots-clés informatifs.

LinkedIn, Twitter et Facebook apparaissent souvent dans les SERP avec une intention de navigation. Les résultats locaux et les résultats concernant sont également associés à l'intention de navigation. Notez que les résultats locaux sont également associés à une intention commerciale en fonction du contexte.

Il n'y aura généralement pas de forte concurrence sur les AdWords, les featured snippets ou les vignettes pour l'intention de navigation.

Mais n'oubliez pas qu'il y a toujours une exception à chaque règle. Et que vous pouvez facilement avoir un mot-clé avec une intention de navigation qui a des caractéristiques qui montrent d'autres intentions. Les graphiques et les exemples donnent des indications générales pour chaque type d'intention.

Vous remarquerez également que, contrairement à la plupart des autres approches de l'intention de recherche, les caractéristiques du modèle AccuRanker peuvent être interdépendantes et peuvent également rendre un type d'intention de recherche moins probable. La création d'un tel modèle est possible grâce à l'utilisation de la grande quantité de données d'AccuRanker en combinaison avec des techniques avancées d'apprentissage automatique.

Intention commerciale

Pour les intentions commerciales, vous verrez principalement les éléments que nous avons déjà décrits.

Plus précisément, les résultats locaux (maps_local) sont souvent associés à une intention commerciale. Il en va de même pour les mots tels que "top" et "best" et les caractéristiques des SERP telles que les FAQ et les avis.

En revanche, vous ne verrez généralement pas de mots tels que "buy" (acheter) ou "sale" (vendre). Ou des domaines comme Amazon, Facebook ou Wikipedia.

Conclusion

Cet article vous a donné un aperçu de la nouvelle fonction d'intention de recherche AccuRanker (basée sur l'IA). Il a présenté les composantes du fonctionnement du modèle et les caractéristiques qui affectent les différents types d'intentions de recherche dans un sens positif ou négatif.

Aucune règle n'est imposée ou enseignée à la nouvelle fonction d'intention de recherche. Au contraire, le modèle découvre ses propres règles en établissant des correspondances avec un grand nombre d'exemples. En d'autres termes, le nouveau modèle d'intention de recherche apprend à partir des données. Le fait de disposer d'étiquettes précises sur les intentions de recherche vous permet de regrouper et de cibler les mots clés en fonction de l'intention. Cet aspect est primordial lors de la création de contenu.