ユーザーの意図を大規模に分類する方法

MarketMuseの機械学習研究エンジニアとして、私はコンピューターのコードと数字に没頭して日々を過ごしています。 しかし、この投稿では、ユーザーインテント分類のエキサイティングな分野を検討するときに、それをすべて脇に置いておきましょう。

ユーザーの意図を大規模に分類する機能は、あらゆる場所のマーケターにとって大きな可能性を秘めています。 この投稿では、ユーザーの意図、分類によってもたらされるメリット、一部の人々が問題にどのように取り組んでいるか、MarketMuseが取っている戦略について簡単に触れます。

ユーザーの意図とは

私たちは人間の言葉を使って意図を表現します。 通常の会話では、これが問題になることはめったにありません。 ただし、検索者が通常使用する単語ができるだけ少ない検索クエリの場合、意図を識別するのが難しい場合があります。

検索の目的については広範囲にわたって書いてきたので、予備知識をスキップして、問題の核心に迫ります。 すべての検索フレーズの背後には、意図があります。 その意図を満たすコンテンツの能力は、検索結果でのコンテンツの配置における主要な要因です。 意図が適切に対処されていない場合、よく書かれたトピックが豊富な記事は検索でうまく機能しません。

このため、ユーザーの意図を大規模に分類しようとしています。

ユーザーインテント分類の利点

ユーザーの意図を分類すると、MarketMuseプラットフォームに大きな影響を与えます。 MarketMuseを使用している人が潜在的に利益を得ることができるいくつかの方法があります。

たとえば、6000万のトピックの機能を保存する過去のSERPサービスを維持しています。 ユーザーの意図をミックスに追加すると、機能の変更と意図の相関関係を観察できます。 地位を維持しているSERPのトップパフォーマンスのページを分析し、意図の変化に応じてどのように適応したかを確認できます。

また、MarketMuseコンテンツブリーフを強化する5,000万を超えるトピックを含むナレッジグラフサービスを維持し、トピックの推奨事項を提供します。 インテント分類は、これらの推奨事項を改善するのに役立ちます。 同じ原則が質問エンジンにも当てはまります。

これらの改善には、トリクルダウン効果があります。 コンテンツブリーフは、自然言語生成（NLG）エンジンであるMarketMuse First Draftを駆動するため、ブリーフの改善はNLG出力に反映されます。

ユーザーインテントリサーチの現状

検索に関連しているため、ユーザーの意図に関する調査はあまりありません。 ほとんどの研究は、クライアントに対する一般的なユーザーの意図を中心に展開しています。 たとえば、Webサイト用のチャットボットを開発していて、ユーザーの意図を分類して、訪問者に適切なリソースに応答または誘導できるようにしたいとします。

ゆっくりと、検索のためにユーザーの意図を大規模に分類しようとすることに関心が高まっています。 ご存知かもしれませんが、人気のある例のいくつかは、ContentHarmonyのKaneJamisonとRankSenseのHamletBatistaからのものです。

コンテンツハーモニーの場合、検索インテントを分類するためにヒューリスティックなアプローチを取ります。 特定のクエリのSERP機能を見て、そのタイプを決定します。 たとえば、ショッピングリストが表示された場合、それはトランザクションクエリである必要があり、ニュースアイテムが表示された場合、それは情報である必要があります。

彼らがブログ投稿で認めているように、この方法には多くの欠点がありました。 揮発性です。 Googleが検索機能の形式に変更を加えると、意図の誤分類が発生する可能性があります。 同様に、ブラックフライデーやクリスマスなど、クエリの意図が季節的に変化します。 Content Harmonyによると、彼らのアプローチでは、ユーザーの意図の変化を検出するために、シーズンごとのランキングの変化を監視する必要があります。

HamletBatistaが彼のSearchEngineJournalの記事で説明しているアプローチは、私たちの戦略に似ています。 そこで、検索インテントをスケーラブルに分類する方法について説明します。

ユーザーインテント分類へのMarketMuseアプローチ

MarketMuseでは、機械学習と自然言語生成の最近の進歩を利用して、大規模に使用できる信頼性の高い分類器を開発しています。 何千ものクエリのデータセットに基づいて、ディープラーニングのユーザーインテント分類モデルを作成しました。 私たちのモデルはアクティブラーニングアプローチを採用しており、継続的に新しいデータを収集し、その能力を向上させています。

私たちのアプローチは、「エンティティは必要なしに増やされるべきではない」という問題解決の原則であるオッカムの剃刀を心に留めています。 簡単にするために、最初に検索クエリ自体を使用して、分類できるかどうかを判断します。

生成された何千ものMarketMuseコンテンツブリーフを見ると、検索インテントは通常、次のいずれかのカテゴリに分類されます。

• 比較
• ローカル
• 情報
• トランザクション

それが私たちが最初に始めていることです。

問題は、それがそれほど単純になるかどうかです。 モデルは、キーワードフレーズだけに基づいて分類するのに十分な強度がありますか？ そうでない場合は、他にも考慮できることがあります。

もちろん、季節性を考慮する必要があります。 経験から、Googleは季節に基づいて、多くの検索クエリに対するユーザーの意図を変更することがわかっています。 追跡する主なパラメータの1つは、長期間にわたるユーザーの意図です。 多くのクエリでは、シーズンの時期が検索の意図に直接影響するため、これは分類に非常に役立ちます。

おそらく、私たちのモデルの最もエキサイティングな側面は、継続的に学習して改善することです。 通常、モデルは機能を実行するようにトレーニングされており、それだけです。 モデルが機能しなくなったら、新しいデータセットを使用して全体を再トレーニングする必要があります。

私たちのアプローチでは、モデルは静的ではありません。 それは常に新しいデータを供給し、その間違いから学び、それ自体を修正しています。 つまり、時間の経過とともに変化する検索インテントの変化に対応できるということです。

概要

検索者は、キーワードフレーズを使用して意図を表現します。 その意図とその時間の経過に伴う変化を認識する能力は、コンテンツ戦略とコンテンツの作成方法に大きな影響を与える可能性があります。 MarketMuseでは、人工知能の助けを借りてインテント分類を追求しています。 具体的には、継続的にトレーニングを行い、間違いから学び、調整し、改善する機械学習モデルを使用しています。