Como o AccuRanker determina a intenção de pesquisa com IA

O artigo seguinte dá-lhe uma perspetiva da nova funcionalidade de intenção de pesquisa AccuRanker (baseada em IA).

Para compreender melhor este artigo, recomendamos que leia primeiro o nosso outro artigo: O que é a intenção de pesquisa? Aqui, ficará a saber que classificamos a intenção de pesquisa que o Google está a visar olhando para a SERP (página de resultados do motor de pesquisa) mais do que para a palavra-chave. Também aprenderá porque é que a intenção de pesquisa pode mudar ao longo do tempo e que é possível ter várias intenções para uma única SERP/palavra-chave.

No resto deste artigo, referir-nos-emos a um par SERP/palavra-chave como uma palavra-chave por uma questão de brevidade, apesar de uma palavra-chave poder ter SERPs diferentes.

Introdução

A intenção de pesquisa é um tópico com nuances. E definir um conjunto de regras fixas para encontrar a intenção que o Google pretende para uma determinada palavra-chave é quase impossível. Felizmente, os desenvolvimentos no domínio da IA e da aprendizagem automática na última década tornam viáveis novos métodos. Dispomos agora do conjunto de ferramentas adequado para utilizar as enormes quantidades de dados SERP que o AccuRanker processa diariamente para "treinar" um modelo de aprendizagem automática.

Por detrás do modelo de intenção de pesquisa

Como dados de treino para o novo modelo de intenção de pesquisa, utilizámos uma combinação de dados não rotulados e rotulados manualmente. Este conjunto de dados consiste na intenção de pesquisa de palavras-chave rotuladas por especialistas humanos, combinada com os dados SERP correspondentes. Com as técnicas de aprendizagem automática, surgem padrões. Estes padrões são traduzidos num modelo que pode ser utilizado para encontrar a intenção de pesquisa de palavras-chave fora do conjunto de dados de treino.

A utilização de um modelo de aprendizagem automática permite-nos prever a intenção de pesquisa com maior precisão do que as abordagens baseadas em regras. No entanto, atingir 100% de precisão é impossível por várias razões. Algumas dessas razões são:

• Até os humanos (até 40%) que olham para os SERP discordam da intenção de pesquisa.
• O SERP pode apresentar várias intenções.
• Nem sempre existe um alinhamento a 100% na definição das diferentes categorias de intenção de pesquisa.

Tentámos delinear as definições do AccuRanker com exemplos. Utilizando estas definições e avaliando o modelo de aprendizagem automática em relação a estes rótulos, podemos obter uma concordância com os dados rotulados manualmente de mais de 90%. E, muitas vezes, estamos inclinados a concordar mais com o modelo de aprendizagem automática do que com a etiqueta humana quando analisamos as diferenças.

Que características determinam a intenção de pesquisa

O novo modelo de intenção de pesquisa do AccuRanker utiliza mais de cem características do SERP para determinar a intenção de pesquisa. Estas características são interdependentes, pelo que não é fácil explicar em pormenor o seu funcionamento. Se fosse esse o caso, mais valia utilizar uma abordagem baseada em regras.

As características incluem palavras especiais (traduzidas para várias línguas) em palavras-chave, títulos, URLs e descrições, bem como características SERP e outros metadados SERP, como o custo por clique e a concorrência do AdWords.

Uma forma de compreender o novo modelo de intenção de pesquisa é olhar para as visualizações SHAP de como as características afectam o resultado do modelo em diferentes casos.

Visualização das características que determinam a intenção de pesquisa

A imagem abaixo mostra as vinte principais características que determinam se a intenção é transacional.

Aqui, é possível ver o interior do novo modelo de intenção de pesquisa e como as decisões são tomadas. Isto é mostrado de uma forma ligeiramente simplificada.

O gráfico é lido da seguinte forma:

• No eixo y, estão os recursos mais impactantes para descobrir se uma palavra-chave pertence à categoria transacional.
• No eixo x, vê-se o impacto no resultado do modelo das características individuais, que vai de negativo a positivo. A linha vertical separa o impacto negativo do positivo.
• Cada ponto corresponde a uma palavra-chave. A cor do ponto corresponde ao valor da caraterística correspondente para essa palavra-chave. Vermelho significa um valor elevado, azul um valor baixo.

Intenção transacional

O gráfico do parágrafo anterior mostrou quais as características que determinam se a intenção de pesquisa é transacional. Examinemos este gráfico e tomemos como exemplo a concorrência no AdWords (competition_adwords).

Pode ver ao lado de competition_adowrds no gráfico que os pontos vermelhos estão à direita da linha vertical. Isto significa que uma concorrência elevada no AdWords (um ponto vermelho) torna mais provável que seja uma palavra-chave transacional (à direita da linha vertical).

Por outro lado, observe a presença de um snippet em destaque (pagefeaturedsnippet). Se este valor for elevado (ponto vermelho), significa que existe um snippet em destaque no SERP. Os pontos vermelhos estão todos à esquerda da linha vertical. Isto significa que é menos provável que seja uma palavra-chave transacional quando existe um snippet em destaque.

Outras coisas que pode ver no gráfico é que o facto de a Amazon estar presente uma ou mais vezes (urlscountamazon.) torna mais provável que o SERP seja transacional e o oposto é verdadeiro para a Wikipédia.

Estas conclusões não são surpreendentes. O mais interessante é que o modelo de aprendizagem automática não é informado de nada disto antecipadamente. Ele inferiu-o a partir dos dados. Além disso, inferiu a relação entre as diferentes características. Repare que os pontos estão espalhados no eixo x em vez de estarem uns em cima dos outros. Isto deve-se ao facto de o impacto das características SERP no modelo depender das outras características que estão presentes na SERP. Assim, só porque existe uma elevada concorrência no AdWords, o modelo não concluirá necessariamente que a palavra-chave é transacional.

Intenção informativa

No outro extremo do espetro, pode ver as vinte principais características que determinam se a intenção é informativa.

Aqui, vê-se que uma elevada concorrência no AdWords significa que é pouco provável que a intenção seja informativa. Também se vê que características como carrosséis de vídeo, perguntas relacionadas e snippets em destaque são predominantes para SERPs com intenção informativa.

Por outro lado, a palavra "melhor" indica normalmente uma intenção comercial e não informativa. O mesmo se aplica à funcionalidade SERP de análise e aos resultados locais (pagemapslocal).

Outra observação interessante é que, quando o Facebook faz parte da SERP, normalmente não se trata de uma intenção informativa. Pelo contrário, trata-se de uma intenção de navegação.

Intenção de navegação

Relativamente à intenção de navegação, pode ver o gráfico abaixo.

Obviamente, os sitelinks estão frequentemente associados à intenção de navegação. Também se pode ver que os painéis de conhecimento estão frequentemente presentes para palavras-chave com intenção de navegação. Mas também estão frequentemente presentes para palavras-chave informativas.

O LinkedIn, o Twitter e o Facebook aparecem frequentemente nos SERPs com intenção de navegação. Os resultados locais e os resultados sobre também estão associados à intenção de navegação. Note-se que os resultados locais também estão associados à intenção comercial, consoante o contexto.

Normalmente, não haverá grande concorrência no AdWords, nos snippets em destaque ou nas miniaturas para a intenção de navegação.

Mas não se esqueça de que há sempre uma exceção para cada regra. E que pode facilmente ter uma palavra-chave com intenção de navegação que tem características que mostram outras intenções. Os gráficos e exemplos dão indicações gerais para cada tipo de intenção.

Também notará que, ao contrário da maioria das outras abordagens à intenção de pesquisa, as características do modelo AccuRanker podem ser interdependentes e também podem tornar um tipo de intenção de pesquisa menos provável. A criação deste modelo é possível através da utilização da vasta quantidade de dados do AccuRanker em combinação com técnicas avançadas de aprendizagem automática.

Intenção comercial

Para a intenção comercial, verá principalmente os itens que já descrevemos.

Mais especificamente, os resultados locais (maps_local) estão frequentemente associados a intenções comerciais. O mesmo se pode dizer de palavras como "top" e "best" e de características SERP como FAQs e críticas.

Por outro lado, normalmente não se vêem palavras como "comprar" ou "venda". Ou domínios como Amazon, Facebook ou Wikipedia.

Conclusão

Este artigo deu-lhe uma ideia da nova funcionalidade de intenção de pesquisa do AccuRanker (baseada em IA). Apresentou componentes de como o modelo funciona e que tipo de características afectam os diferentes tipos de intenção de pesquisa, tanto no sentido positivo como negativo.

A nova funcionalidade de intenção de pesquisa não é instruída nem lhe são ensinadas quaisquer regras. Em vez disso, o modelo descobre as suas próprias regras através da correspondência de padrões com um grande número de exemplos. Em termos simples, o novo modelo de intenção de pesquisa aprende com os dados. Ter rótulos de intenção de pesquisa precisos permite-lhe agrupar e direcionar palavras-chave por intenção. E isso é fundamental na criação de conteúdo.