Приложения для обработки естественного языка в контент-маркетинге

Обработка естественного языка, искусственный интеллект и машинное обучение; это все термины, которые вы, вероятно, недавно слышали в разговорах о контент-маркетинге. Все это является частью растущей тенденции к автоматизации исследования, создания и отслеживания контента, что позволяет маркетинговым командам создавать контент в любом масштабе.

Но существуют ли действительно приложения для обработки естественного языка в контент-маркетинге? Может ли эта все еще развивающаяся технология анализировать и создавать качественный контент, который ценен для ваших пользователей?

Простой ответ: мы добираемся туда. И с каждым годом возможности искусственного интеллекта (ИИ) становятся все сильнее и разнообразнее.

В прошлом искусственный интеллект и машинное обучение имели плохую репутацию в кругах контент-маркетинга. Такие процессы, как машинный перевод и генерация естественного языка, были урезаны из-за их неуклюжих, а иногда и бессвязных результатов.

Но область ИИ расширилась, и разработчики усовершенствовали свои процессы, создав программы, сочетающие возможности обработки больших данных с особенностями человеческого мозга. Использование ИИ контент-маркетологами стало гораздо более осуществимым.

И все, что может оптимизировать ваши процессы и помочь вам в создании контента в масштабе, является долгожданным изменением.

Давайте посмотрим, как некоторые технологии искусственного интеллекта и обработки естественного языка могут помочь вам сейчас и в будущем.

Машинный перевод

Машинный перевод — это именно то, на что это похоже. Это процесс, посредством которого компьютеры переводят контент с одного человеческого языка на другой без помощи человека.

Вначале программное обеспечение для перевода и приложения, такие как Google Translate, могли переводить только на уровне слова или фразы, используя программирование на основе правил. Это означает, что они могли переводить только с использованием заранее запрограммированных языковых правил.

И переводы были вполне дословными.

Однако теперь приложения могут переводить целые тексты на семантическом уровне. Разработчики придумали, как создавать многоуровневые нейронные сети, которые во многом похожи на наш собственный мозг. Это тип машинного обучения, который фактически изучает как буквальное, так и семантическое значение текста, чтобы произвести перевод, который действительно имеет смысл для говорящего на языке.

Машинный перевод — отличный инструмент для контент-маркетологов, работающих на мировых рынках, где их язык не является первым, на котором говорят. Это касается даже контента, созданного для одной страны, где говорят на многих языках.

В Соединенных Штатах, например, около 41 миллиона человек говорят дома по-испански. Представьте, если бы вы могли перевести свой англоязычный контент для латиноамериканского рынка и сделать это в больших масштабах.

Тем не менее, такие приложения, как приложения от Google и Facebook, часто критикуют за их неуклюжие переводы, особенно для более сложных языковых структур. Я часто использую функции перевода в Google или Facebook, чтобы переводить сообщения моих израильских друзей с иврита на английский. Результаты менее звездные.

Это также приводит к некоторым интересным ситуациям, как можно увидеть в поисковой выдаче по поисковому запросу «beignes». Этот французский термин для слова «пончик» возвращает ряд результатов на французском языке, потому что мои настройки поиска установлены на Канаду.

Тем не менее, График знаний Google на английском языке.

И тут надо быть осторожным. Хотя алгоритмы сложны, им не хватает истинного понимания естественного языка, которое кажется врожденным человеческим существам.

Инструменты машинного перевода не могут поместить контент в культурный контекст. Сленг, идиомы и культурные отсылки буквально теряются при переводе, а некоторые переводы могут быть откровенно оскорбительными.

Прежде чем переводить что-либо для другого рынка, важно понять, будут ли тема и культурные отсылки в лучшем случае просто не резонировать с целевой аудиторией или, в худшем, напрямую оскорблять вашу аудиторию. И избегайте использования идиом, характерных для вашей страны или культуры.

Распознавание речи

Распознавание речи оказалось очень полезным для контент-маркетологов. MarketMuse превратил ряд своих вебинаров в посты в блогах с видео и текстом, которые были автоматически расшифрованы из видео.

Существует ряд реальных приложений, которые могут сделать это эффективно и экономично. Wistia, которую мы используем для видеохостинга, предлагает услуги транскрипции, встроенные в их рабочий процесс, что очень ценится.

Как и другие автоматизированные сервисы транскрипции, они корректно обрабатывают около 80% перевода аудио в текст. Однако оставшиеся 20% по-прежнему должен делать человек.

В случае блога MarketMuse вы не увидите этот текст в записи блога. Вместо этого они включаются в виде структурированных данных.

Анализ настроений

Анализ настроений использует машинное обучение и обработку естественного языка, чтобы понять отрицательную или положительную коннотацию текста. Некоторые организации, такие как IBM, называют это анализом тона. Они анализируют эмоции и тона, демонстрируемые в онлайн-контенте, чтобы предсказать, счастлив ли этот человек, грустен ли он и т. д.

Это очень полезно для социального прослушивания и A/B-тестирования постов в социальных сетях. Инструмент анализа настроений может читать сообщения в социальных сетях в поисках положительных или отрицательных слов для их классификации.

Согласно CMSWire, настроение некоторых постов довольно легко понять:

Мне нравится этот новый продукт для волос! (Положительно)

Пластиковые пакеты для сэндвичей ужасны для окружающей среды! (Отрицательный)

Вот последние данные о вакансиях от Министерства труда США. (нейтральный)

Сложная часть анализа настроений заключается в том, что посты вырваны из контекста и у них нет явных индикаторов настроений, таких слов, как « нравится » и « ужасно ». Без этих флажков у базового инструмента анализа возникают проблемы с определением тональности.

А тут сарказм. Я не могу говорить за весь остальной мир, но в США сарказм укоренился в нашей культурной риторике.

Если вы опубликуете что-то вроде «О, отлично, еще один ураган». Компьютер, на котором работает анализатор настроений на основе правил, может фактически пометить его как положительный. Мы, люди, знаем, конечно, что вы на самом деле не имеете в виду это.

Таким образом, разработчики обратились к той же обработке нейронной сети, которую они используют для программного обеспечения для перевода, чтобы понять семантическое значение и извлечь уроки из предыдущих анализов.

Это отличный инструмент для измерения того, как ваша аудитория реагирует на ваши публикации. Но на самом деле маркетологи начали использовать его по-другому.

Они начали возвращать анализ настроений к своему собственному контенту. Теперь они используют его, чтобы предсказать эмоциональную реакцию пользователей на их сообщения в блогах, сообщения в социальных сетях или даже их веб-копии, прежде чем они выпустят их.

Используя анализ настроений, они могут проводить A/B-тестирование всего, что они производят, чтобы убедиться, что их контент оказывает наиболее значимое влияние на их целевую аудиторию.

Автоматическое суммирование

Есть целые компании, которые зарабатывают деньги на обобщении и абстрагировании контента. Ряды и ряды людей читают тома текста, чтобы выделить из него ключевые моменты и основные идеи.

Но что, если бы машина могла позаботиться об этом? С автоматическим суммированием это возможно.

Здесь снова вступают в действие НЛП и машинное обучение. Приложения и программы используют обработку естественного языка, чтобы понимать большие объемы текста и урезать его до наиболее важных идей.

Существует два основных подхода к резюмированию текста. Извлекающее обобщение выбирает наиболее важные предложения в статье и упорядочивает их осмысленно. Каждое извлеченное предложение сохраняется без каких-либо изменений.

Абстрактное обобщение делает еще один шаг вперед. Вместо того, чтобы использовать эти важные предложения дословно, он перефразирует содержание.

Вы можете задаться вопросом, как это применимо к контент-маркетингу. В конце концов, помимо, возможно, подведения итогов сообщения в блоге для целевой страницы, когда вам нужно разделить свой контент всего на несколько пунктов?

Автоматическое суммирование может упростить ряд задач, помогая создавать и распространять контент в больших масштабах.

Во-первых, вы можете использовать рефераты контента для сообщений в блогах или технических документов, чтобы наполнять свой информационный бюллетень или создавать сообщения в социальных сетях.

Как насчет автоматического создания выдержек для использования в вашей CMS и мета-описании? Google уже пишет свое собственное мета-описание, если на вашей странице его нет или оно не считается подходящим для поискового запроса.

Я пробовал некоторые бесплатные приложения для суммирования текста, доступные в настоящее время, но результаты были менее чем впечатляющими.

Автоматическое суммирование также потенциально может помочь вам индексировать контент или извлекать ключевые слова из ваших резюме, чтобы помечать и индексировать контент для будущих проверок, а также для поиска.

Кроме того, эта технология может существенно повлиять на способ курирования контента. Даже с помощью программного обеспечения для курирования, такого как ведущее в отрасли приложение Curata, курирование контента требует значительных усилий вручную.

Страницы по-прежнему читают люди, которые затем резюмируют их содержание. Но обработка естественного языка может автоматизировать и дополнить этот процесс точно так же, как это делает MarketMuse для создания контента.

Наконец, вы можете включить автоматическое обобщение и использовать его в отношении конкурентов или других средств массовой информации для проведения исследований конкурентов и контента.

Персонализация

Сочетание машинного перевода, распознавания речи, анализа тональности и автоматического суммирования потенциально может повысить степень персонализации контента.

Тенденции в социальных сетях и опубликованном контенте можно быстро определить, быстро добавляя контент, чтобы еще больше извлечь выгоду из повышенного интереса.

Будущее контент-маркетинга и ИИ

Есть еще некоторые проблемы, которые ИИ должен преодолеть, прежде чем он сможет по-настоящему интегрироваться в вашу стратегию контент-маркетинга, но, как я уже сказал. Мы приближаемся.

Со всем, что доступно — обработка, понимание и генерация естественного языка; автоматическое суммирование; машинный перевод; глубокое обучение; и анализ настроений — у контент-команд есть возможность автоматизировать и удалить рутинные задачи от писателей и редакторов.

Команды по контент-маркетингу будущего предоставят машинам проводить исследования контента, аудиты и многое другое. На самом деле, MarketMuse делает это, предоставляя вам потрясающую информацию о вашем контенте.

Они будут создавать базовый шаблонный контент, заполнять свои информационные бюллетени, помечать и индексировать свой существующий контент, а также отслеживать то, что они публикуют, не только для аналитики, но и для эмоционального воздействия.

ИИ освободит создателей контента, чтобы они могли сосредоточиться на более сложном и глубоком контенте, который может создавать только человеческий мозг.