So klassifizieren Sie die Benutzerabsicht im großen Maßstab

Als Forschungsingenieur für maschinelles Lernen bei MarketMuse verbringe ich meine Tage damit, in Computercode und Zahlen einzutauchen. Aber für diesen Beitrag lassen wir das alles beiseite, während wir uns mit dem spannenden Bereich der Benutzerabsichtsklassifizierung befassen.

Die Fähigkeit, Benutzerabsichten in großem Maßstab zu klassifizieren, hat ein enormes Potenzial für Vermarkter auf der ganzen Welt. In diesem Beitrag gehe ich kurz darauf ein, was die Benutzerabsicht ist, welche Vorteile die Klassifizierung bringen kann, wie manche Leute das Problem angehen und welche Strategie MarketMuse verfolgt.

Was ist Benutzerabsicht

Wir verwenden die menschliche Sprache, um unsere Absicht auszudrücken. Bei normalen Gesprächen ist dies selten ein Problem. Bei Suchanfragen, bei denen ein Suchender normalerweise so wenige Wörter wie möglich verwendet, kann die Absicht jedoch schwer zu erkennen sein.

Wir haben ausführlich über das Thema Suchabsicht geschrieben, daher überspringe ich die Einleitungen und komme gleich zum Kern der Sache. Hinter jedem Suchbegriff steckt eine Absicht. Die Fähigkeit des Inhalts, diese Absicht zu erfüllen, ist ein wichtiger Faktor für seine Platzierung in den Suchergebnissen. Ein gut geschriebener und themenreicher Artikel wird bei der Suche schlecht abschneiden, wenn die Absicht nicht angemessen angesprochen wird.

Aus diesem Grund versuchen wir, die Benutzerabsicht in großem Umfang zu klassifizieren.

Die Vorteile der User-Intent-Klassifizierung

Die Klassifizierung der Benutzerabsicht wird sich erheblich auf die MarketMuse-Plattform auswirken. Es gibt eine Reihe von Möglichkeiten, wie diejenigen, die MarketMuse verwenden, potenziell profitieren können.

Beispielsweise unterhalten wir einen historischen SERP-Dienst, in dem wir die Funktionen von 60 Millionen Themen speichern. Das Hinzufügen von Benutzerabsichten in die Mischung ermöglicht es uns, Korrelationen zwischen Änderungen in Funktionen und Absichten zu beobachten. Wir können die leistungsstärksten Seiten im SERP analysieren, die ihren Stellenwert beibehalten haben, und sehen, wie sie sich als Reaktion auf sich ändernde Absichten angepasst haben.

Wir unterhalten auch einen Knowledge-Graph-Service mit über 50 Millionen Themen, der unsere MarketMuse Content Briefs unterstützt und aktuelle Empfehlungen liefert. Die Absichtsklassifizierung hilft dabei, diese Empfehlungen zu verfeinern. Das gleiche Prinzip gilt für unsere Fragen-Engine.

Diese Verbesserungen haben einen Trickle-Down-Effekt. Da unsere Content-Briefings MarketMuse First Draft, unsere NLG-Engine (Natural Language Generation), antreiben, spiegeln sich alle Verbesserungen an den Briefings in der NLG-Ausgabe wider.

Aktueller Stand der User Intent Research

Es gibt nicht viele Untersuchungen zur Benutzerabsicht in Bezug auf die Suche. Die meisten Studien drehen sich um die allgemeine Benutzerabsicht für den Kunden. Sie entwickeln beispielsweise einen Chatbot für eine Website und möchten die Benutzerabsicht klassifizieren, damit Sie antworten oder einen Besucher an die entsprechende Ressource weiterleiten können.

Langsam wächst das Interesse daran, die Absichten der Nutzer für die Suche in großem Umfang zu klassifizieren. Ein paar beliebte Beispiele, die Ihnen vielleicht bekannt sind, stammen von Kane Jamison von Content Harmony und Hamlet Batista von RankSense.

Im Fall von Content Harmony verfolgen sie einen heuristischen Ansatz zur Klassifizierung der Suchabsicht. Wenn sie sich die SERP-Funktionen für eine bestimmte Abfrage ansehen, treffen sie eine Bestimmung hinsichtlich ihres Typs. Wenn sie beispielsweise eine Einkaufsliste sehen, muss es sich um eine Transaktionsanfrage handeln, oder wenn sie eine Nachricht sehen, muss es sich um eine Informationsmeldung handeln.

Wie sie in ihrem Blogbeitrag eingeräumt haben, hatte diese Methode viele Nachteile. Es ist volatil. Alle Änderungen, die Google am Format seiner Suchfunktionen vornimmt, können zu einer falschen Klassifizierung der Absicht führen. Ebenso bei saisonalen Änderungen der Absicht einer Abfrage, wie z. B. Black Friday oder Weihnachten. Laut Content Harmony müssen Sie mit ihrem Ansatz die Änderungen in den Rankings von Saison zu Saison im Auge behalten, um diese Verschiebungen in der Benutzerabsicht zu erkennen.

Der Ansatz, den Hamlet Batista in seinem Artikel im Search Engine Journal diskutiert, ähnelt unserer Strategie. Daher werde ich erörtern, wie wir die Suchabsicht auf skalierbare Weise klassifizieren.

Der MarketMuse-Ansatz zur Klassifizierung von Benutzerabsichten

Bei MarketMuse nutzen wir die jüngsten Fortschritte beim maschinellen Lernen und der Generierung natürlicher Sprache, um einen zuverlässigen Klassifikator zu entwickeln, der in großem Maßstab eingesetzt werden kann. Wir haben ein Deep Learning-Klassifizierungsmodell für Benutzerabsichten erstellt, das auf einem Datensatz mit Tausenden von Abfragen basiert. Unser Modell verfolgt einen aktiven Lernansatz, sammelt kontinuierlich neue Daten und verbessert seine Fähigkeiten.

Unser Ansatz beherzigt Occams Razor, ein Problemlösungsprinzip, das besagt, dass „Entitäten nicht ohne Notwendigkeit multipliziert werden sollten“. Der Einfachheit halber verwenden wir zunächst die Suchanfragen selbst, um festzustellen, ob sie klassifiziert werden können.

Wenn wir uns die Tausenden von MarketMuse Content Briefs ansehen, stellen wir fest, dass die Suchabsicht typischerweise in eine dieser Kategorien fällt:

• Vergleich
• Lokal
• Informativ
• Transaktional

Damit fangen wir also erstmal an.

Bleibt die Frage, ob es so einfach sein wird. Ist das Modell stark genug, um nur anhand einer Schlüsselwortphrase zu klassifizieren? Wenn nicht, gibt es andere Dinge, die wir berücksichtigen können.

Natürlich müssen wir die Saisonalität berücksichtigen. Aus Erfahrung wissen wir, dass Google den User Intent bei vielen Suchanfragen saisonabhängig ändert. Einer der wichtigsten Parameter, den wir verfolgen werden, ist die Benutzerabsicht über lange Zeiträume. Das wird bei unserer Klassifizierung sehr hilfreich sein, da bei vielen Suchanfragen die Saisonzeit die Suchabsicht direkt beeinflusst.

Der vielleicht aufregendste Aspekt unseres Modells ist, dass es kontinuierlich dazulernt und sich verbessert. Typischerweise werden Modelle darauf trainiert, eine Funktion auszuführen, und das war's. Wenn das Modell nicht mehr funktioniert, müssen sie das Ganze noch einmal mit einem neuen Datensatz neu trainieren.

Bei unserem Ansatz ist das Modell nicht statisch. Es speist sich ständig aus neuen Daten, lernt aus seinen Fehlern und korrigiert sich selbst. Das bedeutet, dass wir auf diese Änderungen in der Suchabsicht reagieren können, da sie sich im Laufe der Zeit ändern.

Zusammenfassung

Suchende verwenden Schlüsselwortphrasen, um ihre Absicht auszudrücken. Die Fähigkeit, diese Absicht und ihre Änderungen im Laufe der Zeit zu erkennen, kann die Inhaltsstrategie und die Erstellung von Inhalten erheblich beeinflussen. Bei MarketMuse verfolgen wir die Absichtsklassifizierung mit Hilfe von künstlicher Intelligenz. Insbesondere verwenden wir ein maschinelles Lernmodell, das sich kontinuierlich selbst trainiert, aus seinen Fehlern lernt, Anpassungen vornimmt und Verbesserungen vornimmt.