Hur AccuRanker fastställer sökintention med hjälp av AI

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

För att bättre förstå den här artikeln rekommenderar vi att du först läser vår andra artikel: Vad är sökintention? Här får du lära dig att vi klassificerar sökintentionen som Google riktar in sig på genom att titta på SERP (sökmotorns resultatsida) mer än på nyckelordet. Du kommer också att lära dig varför sökintentionen kan förändras över tid och att det är möjligt att ha flera intentioner för en enda SERP/nyckelord.

I resten av den här artikeln kommer vi att hänvisa till ett SERP/nyckelordspar som ett nyckelord för korthetens skull, även om ett nyckelord kan ha varierande SERP.

Inledning

Sökintention är ett nyanserat ämne. Och att sätta upp en uppsättning fasta regler för att hitta den avsikt som Google riktar in sig på för ett visst sökord 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. Denna dataset består av sökintentionen för nyckelord som märkts av mänskliga experter i kombination med motsvarande SERP-data. Med maskininlärningstekniker uppträder mönster. Dessa mönster översätts till en modell som kan användas för att hitta sökintentionen för nyckelord utanför träningsdatasetet.

Genom att använda en maskininlärningsmodell kan vi förutsäga sökintentionen med större precision än med regelbaserade metoder. Att uppnå 100% precision är dock omöjligt av många skäl. Några av dessa skäl är:

• Även människor (upp till 40%) som tittar på SERP:er är oense om sökintentionen.
• SERP:en kan visa flera avsikter.
• Definitionen av olika kategorier av sökintentioner är inte alltid 100 % samstämmig.

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-modellen för sökintention använder mer än hundra funktioner i SERP:en 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 omfattar specialord (översatta till flera språk) i nyckelord, titlar, webbadresser 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 sökintentionen

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 effektiva 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 separerar negativ och positiv påverkan.
• Varje punkt motsvarar ett nyckelord. Färgen på pricken 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 det här diagrammet och ta konkurrensen på AdWords (competition_adwords) som ett exempel.

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

Å andra sidan, ta en titt på förekomsten av ett utvalt utdrag (pagefeaturedsnippet). Om det här värdet är högt (röd prick) betyder det att det finns ett utdrag på SERP. De röda prickarna är alla till vänster om den vertikala linjen. Det betyder att det är mindre troligt att det är ett transaktionellt sökord när det finns ett utdrag.

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

Dessa resultat är inte förvånande. 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 prickarna är utspridda på x-axeln i stället för att ligga ovanpå varandra. Detta beror på att SERP-funktionernas inverkan på modellen beror på vilka andra funktioner som finns på SERP. Så bara för att det finns hög konkurrens på AdWords kommer modellen inte nödvändigtvis att dra slutsatsen att sökordet är transaktionellt.

Informativ avsikt

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 en informativ avsikt. Du ser också att funktioner som videokaruseller, relaterade frågor och utvalda utdrag är vanliga för SERP med informativ avsikt.

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

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

Avsikt att navigera

För navigationsintention ser du diagrammet nedan.

Självklart är webbplatslänkar ofta förknippade med navigationsintention. Du kan också se att kunskapspaneler ofta finns för nyckelord med navigationsavsikt. Men de är också ofta närvarande för informativa sökord.

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

Det kommer vanligtvis inte att finnas hög konkurrens på AdWords, utvalda utdrag eller miniatyrer för navigeringsavsikt.

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

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. Det är möjligt att skapa en sådan modell genom att använda AccuRankers stora datamängd i kombination med avancerad maskininlärningsteknik.

Kommersiell avsikt

För kommersiellt syfte kommer du oftast att se objekt som vi redan har beskrivit.

Mer specifikt är lokala resultat (maps_local) ofta förknippade med kommersiella avsikter. Detsamma kan sägas om ord som "topp" och "bäst" och SERP-funktioner som vanliga frågor och svar 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 sökintentioner får inte veta eller lära sig några regler. Istället upptäcker modellen sina egna regler genom mönstermatchning med ett stort antal exempel. Enkelt uttryckt lär sig den nya modellen för sökintention från data. Med exakta etiketter för sökintention kan du gruppera och rikta in sökord efter avsikt. Och detta är av yttersta vikt när du skapar innehåll.