Comment classer l'intention de l'utilisateur à grande échelle

En tant qu'ingénieur de recherche en apprentissage automatique chez MarketMuse, je passe mes journées immergé dans le code informatique et les chiffres. Mais pour cet article, mettons tout cela de côté alors que nous nous penchons sur le domaine passionnant de la classification des intentions des utilisateurs.

La capacité de classer l'intention des utilisateurs à grande échelle présente un énorme potentiel pour les spécialistes du marketing du monde entier. Dans cet article, j'aborde brièvement l'intention de l'utilisateur, les avantages que la classification peut apporter, la façon dont certaines personnes abordent le problème et la stratégie que MarketMuse adopte.

Qu'est-ce que l'intention de l'utilisateur

Nous utilisons le langage humain pour exprimer notre intention. Au cours d'une conversation normale, c'est rarement un problème. Cependant, dans le cas des requêtes de recherche, où un chercheur utilise généralement le moins de mots possible, l'intention peut être difficile à discerner.

Nous avons beaucoup écrit sur le sujet de l'intention de recherche, je vais donc sauter les préliminaires et aller droit au cœur du sujet. Derrière chaque expression de recherche, il y a une intention. La capacité du contenu à satisfaire cette intention est un facteur majeur dans son placement dans les résultats de recherche. Un article bien écrit et riche en sujets aura de mauvais résultats dans la recherche si l'intention n'est pas correctement prise en compte.

C'est pour cette raison que nous cherchons à classer l'intention des utilisateurs à grande échelle.

Les avantages de la classification de l'intention de l'utilisateur

La classification de l'intention de l'utilisateur aura un impact significatif sur la plateforme MarketMuse. Il existe un certain nombre de façons dont ceux qui utilisent MarketMuse peuvent potentiellement en bénéficier.

Par exemple, nous maintenons un service SERP historique où nous stockons les caractéristiques de 60 millions de sujets. L'ajout de l'intention de l'utilisateur dans le mélange nous permet d'observer les corrélations entre les changements de fonctionnalités et l'intention. Nous pouvons analyser les pages les plus performantes du SERP qui ont conservé leur statut et voir comment elles se sont adaptées en réponse à l'évolution de l'intention.

Nous maintenons également un service de graphe de connaissances avec plus de 50 millions de sujets qui alimente nos synthèses de contenu MarketMuse, fournissant des recommandations d'actualité. La classification des intentions aidera à affiner ces recommandations. Le même principe s'applique à notre moteur de questions.

Ces améliorations ont un effet d'entraînement. Étant donné que nos synthèses de contenu pilotent MarketMuse First Draft, notre moteur de génération de langage naturel (NLG), toute amélioration des synthèses sera reflétée dans la sortie NLG.

État actuel de la recherche sur l'intention des utilisateurs

Il n'y a pas beaucoup de recherches sur l'intention des utilisateurs en ce qui concerne la recherche. La plupart des études tournent autour de l'intention générale de l'utilisateur pour le client. Par exemple, vous développez un chatbot pour un site Web et souhaitez classer l'intention de l'utilisateur afin de pouvoir répondre ou diriger un visiteur vers la ressource appropriée.

Lentement, l'intérêt se développe pour essayer de classer l'intention de l'utilisateur à grande échelle pour la recherche. Quelques exemples populaires, dont vous êtes peut-être au courant, proviennent de Kane Jamison de Content Harmony et Hamlet Batista de RankSense.

Dans le cas de Content Harmony, ils adoptent une approche heuristique pour classer l'intention de recherche. En regardant les fonctionnalités SERP pour une certaine requête, ils déterminent son type. Par exemple, s'ils voient une liste de courses, cela doit être une requête transactionnelle ou s'ils voient un article d'actualité, cela doit être informatif.

Comme ils l'ont reconnu dans leur article de blog, cette méthode présentait de nombreux inconvénients. C'est volatil. Toute modification apportée par Google au format de ses fonctionnalités de recherche peut entraîner une mauvaise classification de l'intention. De même avec les changements saisonniers de l'intention d'une requête, comme le Black Friday ou Noël. Selon Content Harmony, avec leur approche, vous devez garder un œil sur les changements dans le classement d'une saison à l'autre pour détecter ces changements dans l'intention des utilisateurs.

L'approche dont parle Hamlet Batista dans son article du Search Engine Journal est similaire à notre stratégie. Je vais donc discuter de la façon dont nous allons classer l'intention de recherche de manière évolutive.

L'approche MarketMuse de la classification des intentions des utilisateurs

Chez MarketMuse, nous profitons des avancées récentes en matière d'apprentissage automatique et de génération de langage naturel pour développer un classificateur fiable pouvant être utilisé à grande échelle. Nous avons créé un modèle de classification des intentions des utilisateurs d'apprentissage en profondeur basé sur un ensemble de données de milliers de requêtes. Notre modèle adopte une approche d'apprentissage actif, collectant continuellement de nouvelles données et améliorant ses capacités.

Notre approche prend à cœur le rasoir d'Occam, un principe de résolution de problèmes selon lequel « les entités ne doivent pas être multipliées sans nécessité ». Pour simplifier les choses, nous allons d'abord utiliser les requêtes de recherche elles-mêmes pour déterminer si elles peuvent être classées.

En regardant les milliers de synthèses de contenu MarketMuse générées, nous remarquons que l'intention de recherche tombe généralement dans l'une de ces catégories :

• Comparaison
• Local
• Informationnel
• Transactionnel

C'est donc par cela que nous commençons en premier.

Reste à savoir si ce sera aussi simple. Le modèle est-il suffisamment solide pour effectuer une classification basée uniquement sur une phrase clé ? Sinon, il y a d'autres choses que nous pouvons prendre en considération.

Bien sûr, nous devons tenir compte de la saisonnalité. Par expérience, nous savons que Google modifie l'intention de l'utilisateur pour de nombreuses requêtes de recherche, en fonction de la saison. L'un des principaux paramètres que nous suivrons est l'intention de l'utilisateur sur de longues périodes. Cela sera très utile dans notre classification, car pour de nombreuses requêtes, la période de la saison influence directement l'intention de recherche.

L'aspect le plus excitant de notre modèle est peut-être qu'il apprendra et s'améliorera continuellement. En règle générale, les modèles sont formés pour exécuter une fonction et c'est tout. Lorsque le modèle cesse de fonctionner, ils doivent réentraîner le tout à nouveau avec un nouvel ensemble de données.

Avec notre approche, le modèle n'est pas statique. Il se nourrit toujours de nouvelles données, apprend de ses erreurs et se corrige. Cela signifie que nous pouvons réagir à ces changements d'intention de recherche, car ils varient dans le temps.

Résumé

Les chercheurs utilisent des expressions de mots clés pour exprimer leur intention. La capacité à reconnaître cette intention et ses changements au fil du temps peut affecter de manière significative la stratégie de contenu et la manière dont le contenu est créé. Chez MarketMuse, nous poursuivons la classification des intentions à l'aide de l'intelligence artificielle. Plus précisément, nous utilisons un modèle d'apprentissage automatique qui s'entraîne continuellement, apprend de ses erreurs, s'ajuste et apporte des améliorations.