كيفية تصنيف نية المستخدم على نطاق واسع

بصفتي مهندسًا لأبحاث التعلم الآلي في MarketMuse ، أقضي أيامي منغمسًا في رموز وأرقام الكمبيوتر. ولكن بالنسبة لهذا المنشور ، دعنا نضع كل ذلك جانبًا بينما ننظر في المجال المثير لتصنيف نوايا المستخدم.

تتمتع القدرة على تصنيف نية المستخدم على نطاق واسع بإمكانيات هائلة للمسوقين في كل مكان. في هذا المنشور ، أتطرق بإيجاز إلى ماهية نية المستخدم ، والتصنيف الذي يمكن أن يجلبه تصنيف الفوائد ، وكيف يتعامل بعض الأشخاص مع المشكلة ، والاستراتيجية التي تتبعها MarketMuse.

ما هي نية المستخدم

نستخدم لغة بشرية للتعبير عن نيتنا. في سياق المحادثة العادية ، نادرًا ما تكون هذه مشكلة. ومع ذلك ، في حالة استعلامات البحث ، حيث يستخدم الباحث عادةً أقل عدد ممكن من الكلمات ، قد يكون من الصعب تمييز النية.

لقد كتبنا بشكل مكثف حول موضوع نية البحث ، لذلك سأتخطى التصفيات وأصل إلى صلب الموضوع. وراء كل عبارة بحث ، هناك نية. تعد قدرة المحتوى على تلبية تلك النية عاملاً رئيسياً في وضعه في نتائج البحث. ستؤدي المقالة المكتوبة جيدًا والغنية بالموضوع إلى أداء ضعيف في البحث إذا لم تتم معالجة النية بشكل كافٍ.

لهذا السبب نتطلع إلى تصنيف نية المستخدم على نطاق واسع.

فوائد تصنيف نية المستخدم

سيؤثر تصنيف نية المستخدم بشكل كبير على منصة MarketMuse. هناك عدد من الطرق التي يمكن لمن يستخدمون MarketMuse الاستفادة منها.

على سبيل المثال ، نحتفظ بخدمة SERP تاريخية حيث نقوم بتخزين ميزات 60 مليون موضوع. تسمح لنا إضافة نية المستخدم إلى المزيج بمراقبة الارتباطات بين التغييرات في الميزات والهدف. يمكننا تحليل الصفحات الأفضل أداءً في SERP والتي حافظت على مكانتها ومعرفة كيف تكيفت استجابةً لتغير النية.

نحافظ أيضًا على خدمة الرسم البياني المعرفي مع أكثر من 50 مليون موضوع يدعم ملخصات محتوى MarketMuse لدينا ، ويقدم توصيات موضعية. سيساعد تصنيف النية على تنقيح تلك التوصيات. ينطبق نفس المبدأ على محرك الأسئلة لدينا.

هذه التحسينات لها تأثير تدريجي. نظرًا لأن ملخصات المحتوى الخاصة بنا تقود MarketMuse First Draft ، محرك توليد اللغة الطبيعية (NLG) الخاص بنا ، فإن أي تحسينات على الملخصات ستنعكس في ناتج NLG.

الحالة الحالية لأبحاث نية المستخدم

لا يوجد الكثير من الأبحاث حول نية المستخدم من حيث صلتها بالبحث. تدور معظم الدراسات حول نية المستخدم العام للعميل. على سبيل المثال ، تقوم بتطوير chatbot لموقع ويب وترغب في تصنيف هدف المستخدم حتى تتمكن من الإجابة أو توجيه الزائر إلى المورد المناسب.

ببطء ، يتزايد الاهتمام بمحاولة تصنيف نية المستخدم على نطاق واسع للبحث. بعض الأمثلة الشائعة ، التي قد تكون على دراية بها ، تأتي من Kane Jamison في Content Harmony و Hamlet Batista في RankSense.

في حالة Content Harmony ، فإنهم يتخذون نهجًا إرشاديًا لتصنيف هدف البحث. بالنظر إلى ميزات SERP لاستعلام معين ، فإنهم يتخذون قرارًا بشأن نوعه. على سبيل المثال ، إذا رأوا قائمة تسوق ، فيجب أن تكون استعلامًا يتعلق بالمعاملات أو إذا رأوا عنصرًا إخباريًا ، فيجب أن يكون إعلاميًا.

كما أقروا في منشور المدونة الخاص بهم ، كان لهذه الطريقة العديد من العيوب. إنه متقلب. قد تؤدي أي تغييرات تجريها Google على تنسيق ميزات البحث إلى سوء تصنيف النية. وبالمثل مع التغييرات الموسمية على الغرض من طلب البحث ، مثل الجمعة السوداء أو عيد الميلاد. وفقًا لـ Content Harmony ، من خلال نهجهم ، تحتاج إلى مراقبة التغييرات في الترتيب من موسم إلى آخر لاكتشاف تلك التحولات في نية المستخدم.

النهج الذي ناقشه هاملت باتيستا في مقالته في مجلة محرك البحث مشابه لاستراتيجيتنا. لذلك سأناقش كيف نقوم بتصنيف نية البحث بطريقة قابلة للتطوير.

نهج MarketMuse لتصنيف نية المستخدم

في MarketMuse ، نستفيد من التطورات الحديثة في التعلم الآلي وتوليد اللغة الطبيعية لتطوير مصنف موثوق يمكن استخدامه على نطاق واسع. لقد أنشأنا نموذجًا لتصنيف نوايا المستخدم للتعلم العميق استنادًا إلى مجموعة بيانات من آلاف الاستعلامات. يتخذ نموذجنا نهجًا تعليميًا نشطًا ، حيث يقوم باستمرار بجمع بيانات جديدة وتحسين قدراتها.

يأخذ نهجنا في الاعتبار مبدأ أوكام الحلاقة ، وهو مبدأ لحل المشكلات ينص على أن "الكيانات لا ينبغي أن تتكاثر دون ضرورة". لتبسيط الأمور ، سنستخدم أولاً استعلامات البحث نفسها لتحديد ما إذا كان من الممكن تصنيفها.

بالنظر إلى الآلاف من ملخصات محتوى MarketMuse التي تم إنشاؤها ، نلاحظ أن هدف البحث يقع عادةً في إحدى هذه الفئات:

• مقارنة
• محلي
• معلوماتية
• المعاملات

هذا ما بدأنا به أولاً.

يبقى السؤال هو ما إذا كان سيكون بهذه البساطة. هل النموذج قوي بما يكفي لتصنيفه بناءً على عبارة كلمة رئيسية فقط؟ إذا لم يكن الأمر كذلك ، فهناك أشياء أخرى يمكننا أخذها في الاعتبار.

بالطبع ، نحن بحاجة إلى حساب الموسمية. من التجربة ، نعلم أن Google يغير نية المستخدم للعديد من استعلامات البحث ، بناءً على الموسم. إحدى المعلمات الرئيسية التي سنتعقبها هي نية المستخدم على مدى فترات زمنية طويلة. سيكون ذلك مفيدًا جدًا في تصنيفنا لأنه بالنسبة للعديد من الاستفسارات ، يؤثر وقت الموسم بشكل مباشر على هدف البحث.

ربما يكون الجانب الأكثر إثارة في نموذجنا هو أنه سيتعلم ويتحسن باستمرار. عادة ، يتم تدريب النماذج على أداء وظيفة وهذا كل شيء. عندما يتوقف النموذج عن العمل ، يحتاجون إلى إعادة تدريب كل شيء مرة أخرى بمجموعة جديدة من البيانات.

مع نهجنا ، فإن النموذج ليس ثابتًا. إنها تتغذى دائمًا على البيانات الجديدة ، وتتعلم من أخطائها وتصحح نفسها. هذا يعني أنه يمكننا الرد على تلك التغييرات في نية البحث لأنها تختلف بمرور الوقت.

ملخص

يستخدم الباحثون عبارات كلمات رئيسية للتعبير عن نواياهم. يمكن أن تؤثر القدرة على إدراك هذه النية وتغييراتها بمرور الوقت بشكل كبير على استراتيجية المحتوى وكيفية إنشاء المحتوى. في MarketMuse ، نتابع تصنيف النية بمساعدة الذكاء الاصطناعي. على وجه التحديد ، نحن نستخدم نموذج التعلم الآلي الذي يقوم بتدريب نفسه باستمرار ، والتعلم من أخطائه ، والتعديل وإجراء التحسينات.