Jak klasyfikować zamiary użytkownika na dużą skalę?

Jako inżynier ds. badań nad uczeniem maszynowym w MarketMuse spędzam dni zanurzone w kodzie komputerowym i liczbach. Ale w tym poście odłóżmy to wszystko na bok, gdy przyjrzymy się ekscytującej dziedzinie klasyfikacji intencji użytkownika.

Możliwość klasyfikacji intencji użytkownika na dużą skalę ma ogromny potencjał dla marketerów na całym świecie. W tym poście dotknę krótko, jakie są intencje użytkownika, klasyfikacja korzyści, jakie może przynieść, jak niektórzy ludzie podchodzą do problemu i jaką strategię obiera MarketMuse.

Co to jest intencja użytkownika?

Używamy ludzkiego języka, aby wyrazić naszą intencję. W trakcie normalnej rozmowy rzadko stanowi to problem. Jednak w przypadku zapytań wyszukiwania, w których osoba wyszukująca zwykle używa jak najmniejszej liczby słów, intencja może być trudna do rozpoznania.

Dużo pisaliśmy na temat zamiaru wyszukiwania, więc pominę wstępy i przejdę do sedna sprawy. Za każdą wyszukiwaną frazą kryje się intencja. Zdolność treści do zaspokojenia tej intencji jest głównym czynnikiem wpływającym na jej umiejscowienie w wynikach wyszukiwania. Dobrze napisany i bogaty w tematy artykuł będzie miał słabe wyniki w wyszukiwaniu, jeśli intencja nie zostanie odpowiednio skierowana.

Z tego powodu staramy się klasyfikować intencje użytkownika na dużą skalę.

Korzyści z klasyfikacji zamiarów użytkownika

Klasyfikacja intencji użytkownika znacząco wpłynie na platformę MarketMuse. Istnieje wiele sposobów, dzięki którym osoby korzystające z MarketMuse mogą potencjalnie skorzystać.

Na przykład utrzymujemy historyczną usługę SERP, w której przechowujemy funkcje 60 milionów tematów. Dodanie intencji użytkownika do miksu pozwala nam obserwować korelacje między zmianami funkcji i intencją. Możemy analizować strony o najwyższej wydajności w SERP, które utrzymały swoją pozycję i zobaczyć, jak dostosowały się w odpowiedzi na zmieniające się zamiary.

Utrzymujemy również usługę wykresów wiedzy z ponad 50 milionami tematów, które stanowią podstawę naszych informacji o zawartości MarketMuse, dostarczając rekomendacje tematyczne. Klasyfikacja intencji pomoże udoskonalić te zalecenia. Ta sama zasada dotyczy naszego silnika pytań.

Te ulepszenia mają efekt spływania. Ponieważ nasze zestawienia treści napędzają MarketMuse First Draft, nasz silnik generowania języka naturalnego (NLG), wszelkie ulepszenia zestawień zostaną odzwierciedlone w danych wyjściowych NLG.

Aktualny stan badań zamiarów użytkowników

Nie ma zbyt wielu badań na temat zamiarów użytkowników w odniesieniu do wyszukiwania. Większość badań dotyczy ogólnego zamiaru użytkownika dla klienta. Na przykład tworzysz chatbota dla witryny internetowej i chcesz sklasyfikować intencje użytkownika, aby móc odpowiedzieć lub skierować odwiedzającego do odpowiedniego zasobu.

Powoli rośnie zainteresowanie próbą sklasyfikowania intencji użytkownika na dużą skalę w wyszukiwarce. Kilka popularnych przykładów, o których być może wiesz, pochodzi od Kane Jamison z Content Harmony i Hamlet Batista z RankSense.

W przypadku Content Harmony stosują heurystyczne podejście do klasyfikacji zamiaru wyszukiwania. Patrząc na funkcje SERP dla określonego zapytania, określają jego typ. Na przykład, jeśli widzą listę zakupów, musi to być zapytanie transakcyjne lub jeśli widzą wiadomość, musi to być informacja.

Jak przyznali w swoim poście na blogu, ta metoda miała wiele wad. Jest niestabilny. Wszelkie zmiany wprowadzone przez Google w formacie funkcji wyszukiwania mogą spowodować błędną klasyfikację zamiaru. Podobnie w przypadku sezonowych zmian celu zapytania, takich jak Czarny piątek lub Boże Narodzenie. Według Content Harmony, dzięki ich podejściu, musisz obserwować zmiany w rankingach z sezonu na sezon, aby wykryć te zmiany w intencjach użytkowników.

Podejście, które Hamlet Batista omawia w swoim artykule w Search Engine Journal, jest podobne do naszej strategii. Omówię więc, jak zamierzamy klasyfikować zamiar wyszukiwania w sposób skalowalny.

Podejście MarketMuse do klasyfikacji intencji użytkownika

W MarketMuse wykorzystujemy najnowsze postępy w uczeniu maszynowym i generowaniu języka naturalnego, aby opracować niezawodny klasyfikator, który można zastosować na dużą skalę. Stworzyliśmy model klasyfikacji intencji użytkownika do uczenia głębokiego oparty na zestawie danych składającym się z tysięcy zapytań. Nasz model opiera się na aktywnym podejściu do uczenia się, stale zbierając nowe dane i doskonaląc swoje umiejętności.

Nasze podejście bierze do serca Brzytwę Ockhama, zasadę rozwiązywania problemów, która mówi, że „jednostki nie powinny być mnożone bez konieczności”. Aby uprościć sprawę, najpierw użyjemy samych zapytań wyszukiwania, aby określić, czy można je sklasyfikować.

Patrząc na tysiące wygenerowanych zestawień treści MarketMuse, zauważamy, że cel wyszukiwania zazwyczaj należy do jednej z tych kategorii:

• Porównanie
• Lokalny
• Informacyjne
• Transakcyjny

Więc od tego zaczynamy.

Pozostaje pytanie, czy to będzie takie proste. Czy model jest wystarczająco silny, aby dokonać klasyfikacji na podstawie tylko frazy kluczowej? Jeśli nie, możemy wziąć pod uwagę inne rzeczy.

Oczywiście musimy uwzględnić sezonowość. Z doświadczenia wiemy, że Google zmienia intencje użytkownika dla wielu zapytań, w zależności od pory roku. Jednym z głównych parametrów, które będziemy śledzić, są zamiary użytkownika przez długi czas. Będzie to bardzo pomocne w naszej klasyfikacji, ponieważ w przypadku wielu zapytań pora sezonu ma bezpośredni wpływ na zamiar wyszukiwania.

Być może najbardziej ekscytującym aspektem naszego modelu jest to, że będzie się on stale uczyć i doskonalić. Zazwyczaj modele są szkolone do wykonywania funkcji i to wszystko. Kiedy model przestaje działać, muszą ponownie przeszkolić całą rzecz z nowym zestawem danych.

Przy naszym podejściu model nie jest statyczny. Zawsze żywi się nowymi danymi, ucząc się na swoich błędach i poprawiając się. Oznacza to, że możemy reagować na te zmiany zamiaru wyszukiwania, ponieważ zmieniają się one w czasie.

Streszczenie

Wyszukiwarki używają fraz kluczowych, aby wyrazić swoją intencję. Zdolność do rozpoznania tego zamiaru i jego zmian w czasie może znacząco wpłynąć na strategię treści i sposób tworzenia treści. W MarketMuse dokonujemy klasyfikacji intencji za pomocą sztucznej inteligencji. W szczególności używamy modelu uczenia maszynowego, który nieustannie sam się uczy, uczy się na błędach, dostosowuje i wprowadza ulepszenia.