Przetwarzanie języka naturalnego dla content marketerów

Dobra Google, jaka jest dzisiaj temperatura na zewnątrz? Czy zadałeś dzisiaj pytanie na urządzeniu aktywowanym głosem?

Być może napisałeś e-maila i skorzystałeś z sugestii zdań z Gmaila. Być może przetłumaczyłeś stronę na inny język.

Jeśli tak, wykorzystałeś rodzaj sztucznej inteligencji zwanej przetwarzaniem języka naturalnego (NLP), w której komputery są zaprogramowane do rozumienia ludzkiego języka i wzorców mowy w celu wykonywania poleceń.

To tylko jedna część grupy technologii sztucznej inteligencji, która obejmuje uczenie maszynowe, rozpoznawanie obrazów, uczenie głębokie, sieci neuronowe i generowanie języka naturalnego (NLG).

Wirtualni asystenci, tacy jak Google, Siri i Alexa, używają NLP do wykonywania zapytań i żądań wyszukiwania. Wyszukiwarki używają go również do dopasowywania treści do zapytań, przewidywania i automatycznego wypełniania zapytań oraz dostarczania ukierunkowanych reklam.

Jak działa przetwarzanie języka naturalnego?

Przed sztuczną inteligencją i NLP wyszukiwarki i strony internetowe robiły właściwie to, co kazali im ludzie. Mogli „nauczyć się” nowych procesów i poleceń tylko wtedy, gdy ludzie zaprogramowali w nich te procesy i polecenia.

Teraz Twój telefon, urządzenia do obsługi poleceń głosowych i Chrome mogą dowiedzieć się, jak szukasz treści i jakiego rodzaju treści zazwyczaj szukasz. W ten sposób starają się dostarczać wyszukiwane hasła i treści dostosowane do Ciebie i Twoich preferencji.

Pomyśl o wszystkich polach wyszukiwania, które wypełniasz, aby znaleźć to, czego potrzebujesz. Amazon, Netflix, Google; wszystkie używają autouzupełniania, aby dowiedzieć się, czego szukasz, jeszcze zanim skończysz pisać.

Ile razy znałeś nazwę filmu lub produktu, którego szukasz? Podłączasz to, co wiesz, i masz nadzieję, że funkcja wyszukiwania będzie w stanie dopasować częściowe wyszukiwane hasło do tego, czego szukasz.

Dopóki Twoje zapytanie jest lepsze niż „ten film z tym facetem”, istnieje duża szansa, że ​​Amazon lub Google je znajdą.

I to jest przetwarzanie języka naturalnego. NLP analizuje ogromne ilości danych językowych z wielu zapytań i szuka wzorców kontekstowych do interpretacji wyników.

Nawet twoja poczta e-mail używa teraz NLP. Czy zauważyłeś, że Gmail kończy teraz Twoje zdania? Wykorzystuje uczenie maszynowe oraz NLP, aby nauczyć się, jak się komunikujesz i przedstawiasz sugestie podczas tworzenia wiadomości e-mail.

Nawiasem mówiąc, jeśli nie wiesz dokładnie, jaka jest różnica między przetwarzaniem, generowaniem i rozumieniem języka naturalnego, napisaliśmy post „Jaka jest różnica między NLP, NLU i NLG?” specjalnie dla Ciebie!

Jaki jest potencjalny wpływ NLP na content marketing?

Pomyśl o wszystkich danych gromadzonych przez inteligentne urządzenia i wyszukiwarki na temat użytkowników i ich preferencjach wyszukiwania. Teraz wyobraź sobie, że możesz wykorzystać te dane, aby dostosować do nich własną treść.

Dokładnie to się dzieje. Zarówno reklamodawcy, jak i sprzedawcy treści mogą kierować swoje treści do określonych odbiorców, w oparciu o to, czego uczy się sztuczna inteligencja stojąca za wyszukiwaniem.

Wpływa również na strukturę treści. Pamiętasz czasy wpychania nienaturalnie brzmiących słów kluczowych do postów na blogu tylko po to, by pojawiały się w wynikach wyszukiwania?

NLP i NLG zlikwidowały to. Teraz wyszukiwarki mogą dopasowywać treść do wyszukiwanych haseł, nawet jeśli posty na blogu używają słów kluczowych, które nie są dokładne.

Osoby wyszukujące mogą zadawać pytania, używając języka naturalnego (pisemnego lub mówionego), a nie niezgrabnych wyszukiwanych haseł ujętych w cudzysłów.

W rzeczywistości wyszukiwarki takie jak Google wykorzystują sztuczną inteligencję i NLP do dopasowywania wysokiej jakości treści do wyszukiwanych haseł.

Nie tylko przetwarza Twoje własne nawyki wyszukiwania, ale także nawyki wszystkich użytkowników, aby znaleźć to, czego ludzie najczęściej szukają. A NLP i AI mogą interpretować duże zbiory danych, aby znaleźć najlepsze wyszukiwane hasła dla reklamodawców.

Przyjrzyjmy się bliżej niektórym zastosowaniom AI i NLP w content marketingu i ich zmianom.

Aplikacje do przetwarzania języka naturalnego w marketingu treści

Nie ma wątpliwości, że NLP zmienia sposób, w jaki myślimy o marketingu treści i odkrywaniu treści. Istnieją aplikacje, których używają obecnie marketerzy, aby wzmocnić rodzaje treści, które już produkują.

Pomiar sentymentu

Łatwo jest śledzić, jak często Twoje treści są przeglądane, udostępniane i linkowane. Ale trudniej jest znaleźć kontekst dla tych interakcji.

NLP może pomóc marketerom zrozumieć, dlaczego ich treści są udostępniane. Na przykład fantastycznie jest, gdy treści stają się wirusowe. Ale wyobraź sobie, że Twoje treści są udostępniane z komentarzami typu „to wszystko jest nie tak”, „jak obraźliwe” lub „co oni myśleli?”.

To duża część kampanii marketingu społecznościowego i social listeningu. Marketingowcy w mediach społecznościowych używają teraz treści do analizy nastrojów, aby szukać negatywnego, pozytywnego lub neutralnego języka, aby pomóc im określić, w jaki sposób treść jest odbierana przez docelowych odbiorców.

Ulepszanie treści

Jeśli masz bibliotekę istniejących treści, sztuczna inteligencja i NLP mogą pomóc w kontroli Twoich postów pod kątem brakujących lub cienkich treści. MarketMuse Suite to platforma, która analizuje poszczególne elementy treści w poszukiwaniu brakujących tematów, podtematów lub słów kluczowych.

Wykorzysta NLP, aby pomóc Ci określić, jak ulepszyć szczupłą zawartość, szukając brakujących informacji w tematach.

Zwiększanie rankingu wyszukiwania

Przez ostatnie cztery lata wyszukiwarki takie jak Google wykorzystywały algorytmy do indeksowania treści nie tylko dla słów kluczowych. Roboty te wykorzystują teraz przetwarzanie języka naturalnego w celu określenia, czy treść wokół słowa kluczowego jest rzeczywiście dopasowana do intencji użytkownika.

Załóżmy, że Twoje słowo kluczowe to „jak zainstalować półki”. Roboty indeksujące przeanalizują składnię i semantykę strony, aby sprawdzić, czy reszta tekstu odpowiada na zapytanie. Czy zawiera właściwe kroki? Czy jest na tyle wszechstronna, aby użytkownik mógł zainstalować półkę, korzystając z Twojego posta na blogu?

I to jest prawdziwe sedno optymalizacji pod kątem wyszukiwarek. Czy Twoje treści są zgodne z intencjami użytkownika? Jeśli piszesz artykuł na gorący temat polityczny, czy pasuje on do intencji użytkownika szukającego tego tematu? Czy zawiera przydatne informacje, czy to tylko puch? NLP coraz lepiej to określa.

Dotarcie do grupy docelowej

Wreszcie, NLP może pomóc w dotarciu do właściwych odbiorców płatnych treści lub reklam. Pomyśl o wszystkich danych gromadzonych przez Google, gdy ludzie wyszukują informacje w Internecie lub używają swoich inteligentnych urządzeń. Firmy wykorzystują teraz te dane, aby precyzyjnie kierować swoje płatne treści i reklamy do określonych grup w mniejszych regionach.

Zamiast wydawać pieniądze na zarzucanie szerokiej sieci, aby złapać kilka ryb, firmy dążą do mniejszych odbiorców, którzy przyniosą wyższe konwersje.

W rzeczywistości krąży teoria spiskowa, że ​​smartfon słucha twoich rozmów, aby wychwycić słowa kluczowe i pokazać ukierunkowane treści i reklamy. Oczywiście Google i Facebook stanowczo temu zaprzeczają.

Techniki przetwarzania języka naturalnego

NLP interpretuje język i przekształca go w użyteczne wyniki za pomocą składni i semantyki. Składnia opisuje sposób ułożenia słów w zdaniu w celu nadania sensu strukturalnego i gramatycznego. Semantyka odnosi się do prawdziwego znaczenia słów, które dana osoba mówi lub pisze.

Analiza syntaktyczna

Według dr Michaela J. Garbade, założyciela i dyrektora generalnego Education Ecosystem, istnieje więcej niż kilka sposobów, w jakie wyszukiwarki i komputery czerpią znaczenie ze składni. Oto niektóre z najczęstszych technik:

• Lematyzacja – Proces redukcji wszystkich odmienionych form wyrazu w jedną, aby ułatwić analizę.
• Segmentacja morfologiczna – Podział słów na pojedyncze jednostki, zwane morfemami, które ułatwiają analizę. Na przykład Uptown zostanie podzielone na Uptown i Uptown.
• Segmentacja słów – Podzielenie dużego fragmentu ciągłego tekstu na odrębne jednostki
• Tagowanie części mowy — identyfikowanie części mowy dla każdego słowa, na przykład czasowników, rzeczowników, przedimków, przyimków itp.
• Parsing – Analiza gramatyczna zdania.
• Łamanie zdań — umieszczanie granic wokół zdań, aby pomóc programom odróżnić jedno od drugiego.
• Stemming — przycinanie odmienionych słów do ich formy podstawowej.

Analiza semantyczna

To jest miejsce, w którym komputery i programy do wyszukiwania wciąż się potykają. Ponieważ jest tak wiele niuansów w języku, trudno jest zaprogramować znaczenie.

Czy kiedykolwiek rzuciłeś Siri sarkastyczną uwagę? Prawdopodobnie otrzymałeś dosłowną odpowiedź lub „przepraszam. Nie rozumiem." To dlatego, że modulacja w twoim głosie, która sygnalizuje sarkazm, nie może być zinterpretowana przez urządzenia aktywowane głosem.

Według dr Garbade istnieją jednak pewne techniki, które technologia sztucznej inteligencji wykorzystuje wraz z analizą semantyczną w celu wyodrębnienia znaczenia. Zawierają:

• Rozpoznawanie nazwanych jednostek (NER) — ma miejsce, gdy algorytm identyfikuje części żądania tekstowego lub głosowego jako część wstępnie zdefiniowanej grupy. Na przykład NER może pobrać nazwy osób i miejsc.
• Ujednoznacznienie sensu słowa (WSD) – program patrzy na słowo i próbuje określić jego znaczenie w kontekście otaczającego go tekstu. Załóżmy, że napisałeś w e-mailu: „Poszliśmy na imprezę. Mieliśmy piłkę. Google przyjrzy się tekstowi, aby zrozumieć, że chodzi ci o to, że dobrze się bawiłeś, a nie o to, że miałeś dosłowną piłkę w dłoni.
• Generowanie języka naturalnego (NLG) — jest to proces zbierania danych i przekształcania ich w język naturalny, który słyszysz, gdy zadajesz pytanie Siri lub Alexie. Pojawia się również nowa technologia wykorzystująca NLG do tworzenia treści.

Narzędzia i biblioteki do przetwarzania języka naturalnego

Najpierw rozróżnijmy narzędzia i biblioteki. Narzędzie jest bardziej gotowym rozwiązaniem dla NLP, podczas gdy biblioteka to coś, co Twój zespół techniczny wziąłby i zbudował NLP dla Twojej marki.

Istnieją opcje open-source, a także zastrzeżony kod, co oznacza, że ​​trzeba za to zapłacić. To, co wybierzesz, zależy od tego, jak bardzo chcesz dostosować Ty lub Twój zespół programistów. (Narzędzia i biblioteki typu open source zwykle wymagają więcej poprawek).

Narzędzia

Oczywiście wszystkie wielkie nazwiska w technologii mają swoje własne narzędzia i usługi NLP i AI. Amazon ma Amazon Comprehend, który pobiera duże ilości nieustrukturyzowanych danych i szuka wzorców. IBM korzysta z usług Watson Natural Language Understanding Services. A Google ma Cloud Natural Language.

Wszystko to można wykorzystać do zaspokojenia ogólnych potrzeb marketingowych i big data.

Tak naprawdę jednak tylko jedna firma wykorzystuje zaawansowaną sztuczną inteligencję i NLP do marketingu treści. To jest MarketMuse.

Jak wspomniałem wcześniej, MarketMuse analizuje pojedyncze fragmenty lub całe biblioteki treści, szukając luk w treści, cienkich treści, a nawet okazji do zrównania się z konkurencją.

Możesz go również używać do semantycznego wyszukiwania treści w celu określenia zasięgu określonego tematu.

Biblioteki

Biblioteki są znacznie bardziej techniczne, ale mogą zapewnić nieco większą elastyczność we wdrażaniu NLP. Zasadniczo biblioteka jest zakodowanym pakietem algorytmów, których Ty lub Twój zespół programistów możecie używać do tworzenia własnych narzędzi NLP.

Natural Language Toolkit (NLTK) jest prawdopodobnie najczęściej omawianą biblioteką w sieci. Jest używany głównie do celów edukacyjnych i badawczych, dlatego jest napisany w Pythonie, programie o otwartym kodzie źródłowym.

Ostatnie słowa

Dopiero zaczynamy rozumieć możliwości przetwarzania języka naturalnego dla strategii treści. Ponieważ nauka o danych staje się integralną częścią strategii marketingu treści, personalizacja i zautomatyzowane treści mogą w końcu stać się powszechne.

Kto wie? Może nawet kiedyś zastąpić twórców treści (chociaż ten autor naprawdę ma nadzieję, że nie).