Como classificar a intenção do usuário em escala

Como engenheiro de pesquisa de aprendizado de máquina na MarketMuse, passo meus dias imerso em códigos e números de computador. Mas, para este post, vamos deixar isso de lado enquanto analisamos o excitante campo da classificação de intenção do usuário.

A capacidade de classificar a intenção do usuário em escala tem um enorme potencial para profissionais de marketing em todos os lugares. Neste post, abordo brevemente o que é a intenção do usuário, os benefícios que a classificação pode trazer, como algumas pessoas estão abordando o problema e a estratégia que o MarketMuse está adotando.

O que é a intenção do usuário

Usamos a linguagem humana para expressar nossa intenção. No curso de uma conversa normal, isso raramente é um problema. No entanto, no caso de consultas de pesquisa, em que um pesquisador normalmente usa o mínimo de palavras possível, a intenção pode ser difícil de discernir.

Escrevemos extensivamente sobre o assunto da intenção de busca, então vou pular as preliminares e ir direto ao cerne da questão. Por trás de cada frase de pesquisa, há uma intenção. A capacidade do conteúdo de satisfazer essa intenção é um fator importante em seu posicionamento nos resultados da pesquisa. Um artigo bem escrito e rico em tópicos terá um desempenho ruim na pesquisa se a intenção não for abordada adequadamente.

É por esse motivo que estamos procurando classificar a intenção do usuário em escala.

Os benefícios da classificação de intenção do usuário

A classificação da intenção do usuário afetará significativamente a plataforma MarketMuse. Existem várias maneiras pelas quais aqueles que usam o MarketMuse podem se beneficiar.

Por exemplo, mantemos um serviço histórico de SERP onde armazenamos os recursos de 60 milhões de tópicos. Adicionar a intenção do usuário ao mix nos permite observar as correlações entre as alterações nos recursos e a intenção. Podemos analisar as páginas de melhor desempenho na SERP que mantiveram sua posição e ver como elas se adaptaram em resposta à mudança de intenção.

Também mantemos um serviço de gráfico de conhecimento com mais de 50 milhões de tópicos que alimentam nossos Resumos de conteúdo do MarketMuse, fornecendo recomendações de tópicos. A classificação de intenção ajudará a refinar essas recomendações. O mesmo princípio se aplica ao nosso mecanismo de perguntas.

Essas melhorias têm um efeito trickle-down. Como nossos resumos de conteúdo impulsionam o MarketMuse First Draft, nosso mecanismo de geração de linguagem natural (NLG), quaisquer melhorias nos resumos serão refletidas na saída NLG.

Estado atual da pesquisa de intenção do usuário

Não há muita pesquisa sobre a intenção do usuário no que se refere à Pesquisa. A maioria dos estudos gira em torno da intenção geral do usuário para o cliente. Por exemplo, você está desenvolvendo um chatbot para um site e deseja classificar a intenção do usuário para poder responder ou direcionar um visitante ao recurso apropriado.

Lentamente, o interesse está se desenvolvendo em tentar classificar a intenção do usuário em escala para a Pesquisa. Alguns exemplos populares, dos quais você pode estar ciente, vêm de Kane Jamison da Content Harmony e Hamlet Batista da RankSense.

No caso do Content Harmony, eles adotam uma abordagem heurística para classificar a intenção de pesquisa. Observando os recursos SERP de uma determinada consulta, eles determinam seu tipo. Por exemplo, se eles virem uma lista de compras, deve ser uma consulta transacional ou se eles virem uma notícia, deve ser informativo.

Como eles reconheceram em sua postagem no blog, esse método tinha muitas desvantagens. É volátil. Quaisquer alterações que o Google fizer no formato de seus recursos de pesquisa podem causar erros de classificação de intenção. Da mesma forma com mudanças sazonais na intenção de uma consulta, como Black Friday ou Natal. De acordo com o Content Harmony, com sua abordagem, você precisa ficar de olho nas mudanças nos rankings de temporada para temporada para detectar essas mudanças na intenção do usuário.

A abordagem que Hamlet Batista discute em seu artigo no Search Engine Journal é semelhante à nossa estratégia. Então, discutirei como vamos classificar a intenção de pesquisa de maneira escalável.

A abordagem MarketMuse para classificação de intenção do usuário

Na MarketMuse, estamos aproveitando os recentes avanços em aprendizado de máquina e geração de linguagem natural para desenvolver um classificador confiável que pode ser empregado em escala. Criamos um modelo de classificação de intenção do usuário de aprendizado profundo com base em um conjunto de dados de milhares de consultas. Nosso modelo adota uma abordagem de aprendizado ativo, coletando continuamente novos dados e aprimorando suas habilidades.

Nossa abordagem leva a sério a Navalha de Occam, um princípio de resolução de problemas que afirma que “as entidades não devem ser multiplicadas sem necessidade”. Para simplificar, primeiro usaremos as próprias consultas de pesquisa para determinar se elas podem ser classificadas.

Observando os milhares de resumos de conteúdo do MarketMuse gerados, notamos que a intenção de pesquisa normalmente se enquadra em uma destas categorias:

• Comparação
• Local
• Informativo
• Transacional

Então é com isso que estamos começando primeiro.

A questão que fica é se será tão simples assim. O modelo é forte o suficiente para classificar com base apenas em uma frase-chave? Se não, há outras coisas que podemos levar em consideração.

Claro, precisamos levar em conta a sazonalidade. Por experiência, sabemos que o Google altera a intenção do usuário para muitas consultas de pesquisa, com base na temporada. Um dos principais parâmetros que acompanharemos é a intenção do usuário por longos períodos de tempo. Isso será muito útil em nossa classificação porque, para muitas consultas, a época da temporada influencia diretamente na intenção de pesquisa.

Talvez o aspecto mais empolgante do nosso modelo seja que ele aprenderá e melhorará continuamente. Normalmente, os modelos são treinados para executar uma função e pronto. Quando o modelo para de funcionar, eles precisam treinar tudo novamente com um novo conjunto de dados.

Com nossa abordagem, o modelo não é estático. Está sempre se alimentando de novos dados, aprendendo com seus erros e se corrigindo. Isso significa que podemos responder a essas mudanças na intenção de pesquisa à medida que elas variam ao longo do tempo.

Resumo

Os pesquisadores usam palavras-chave para expressar sua intenção. A capacidade de reconhecer essa intenção e suas mudanças ao longo do tempo podem afetar significativamente a estratégia de conteúdo e como o conteúdo é criado. Na MarketMuse, buscamos a classificação de intenção com a ajuda da inteligência artificial. Especificamente, estamos usando um modelo de aprendizado de máquina que se treina continuamente, aprendendo com seus erros, ajustando e fazendo melhorias.