การประมวลผลภาษาธรรมชาติสำหรับนักการตลาดเนื้อหา

โอเค Google วันนี้อุณหภูมิข้างนอกเท่าไหร่ วันนี้คุณถามคำถามกับอุปกรณ์ที่สั่งงานด้วยเสียงแล้วหรือยัง?

บางทีคุณอาจเขียนอีเมลและใช้ประโยคแนะนำของ Gmail บางทีคุณอาจแปลหน้าในภาษาอื่น

หากคุณมี คุณได้ใช้ปัญญาประดิษฐ์ชนิดหนึ่งที่เรียกว่าการประมวลผลภาษาธรรมชาติ (NLP) ซึ่งคอมพิวเตอร์ได้รับการตั้งโปรแกรมให้เข้าใจภาษาของมนุษย์และรูปแบบคำพูดเพื่อดำเนินการตามคำสั่ง

เป็นเพียงส่วนหนึ่งของกลุ่มเทคโนโลยี AI ที่ประกอบด้วยการเรียนรู้ของเครื่อง การจดจำภาพ การเรียนรู้เชิงลึก โครงข่ายประสาทเทียม และการสร้างภาษาธรรมชาติ (NLG)

ผู้ช่วยเสมือน เช่น Google, Siri และ Alexa ล้วนใช้ NLP เพื่อดำเนินการค้นหาและคำขอ เสิร์ชเอ็นจิ้นใช้สิ่งนี้เพื่อจับคู่เนื้อหากับข้อความค้นหา คาดการณ์และป้อนข้อความค้นหาอัตโนมัติ และแสดงโฆษณาที่ตรงเป้าหมาย และอื่นๆ

การประมวลผลภาษาธรรมชาติทำงานอย่างไร

ก่อนหน้า AI และ NLP เสิร์ชเอ็นจิ้นและเว็บไซต์มักจะทำในสิ่งที่มนุษย์บอกให้ทำ พวกเขาสามารถ "เรียนรู้" กระบวนการและคำสั่งใหม่ได้ก็ต่อเมื่อมนุษย์ตั้งโปรแกรมกระบวนการและคำสั่งเหล่านั้นเข้าไป

ตอนนี้ โทรศัพท์ อุปกรณ์สั่งการด้วยเสียง และ Chrome สามารถเรียนรู้วิธีค้นหาเนื้อหาและประเภทของเนื้อหาที่คุณมักจะมองหา โดยการทำเช่นนี้ พวกเขาพยายามนำเสนอข้อความค้นหาและเนื้อหาที่เหมาะกับคุณและความชอบของคุณ

ลองนึกถึงช่องค้นหาทั้งหมดที่คุณกรอกเพื่อค้นหาสิ่งที่คุณต้องการ อเมซอน, Netflix, Google; พวกเขาทั้งหมดใช้การป้อนอัตโนมัติเพื่อค้นหาสิ่งที่คุณกำลังค้นหาก่อนที่คุณจะพิมพ์เสร็จ

และกี่ครั้งแล้วที่คุณรู้จักชื่อภาพยนตร์หรือผลิตภัณฑ์ที่คุณต้องการ? คุณเสียบสิ่งที่คุณรู้และหวังว่าฟังก์ชันการค้นหาจะจับคู่ข้อความค้นหาบางส่วนกับสิ่งที่คุณกำลังค้นหา

ตราบใดที่คำถามของคุณดีกว่า “หนังเรื่องนั้นกับผู้ชายคนนั้น” ก็มีโอกาสที่ดีที่ Amazon หรือ Google จะพบมัน

และนั่นคือการประมวลผลภาษาธรรมชาติ NLP วิเคราะห์ข้อมูลภาษาจำนวนมหาศาลจากข้อความค้นหาหลายรายการ และค้นหารูปแบบตามบริบทเพื่อตีความผลลัพธ์

แม้แต่อีเมลของคุณก็ยังใช้ NLP อยู่ คุณสังเกตเห็นไหมว่าตอนนี้ Gmail จบประโยคของคุณแล้ว? ใช้แมชชีนเลิร์นนิงและ NLP เพื่อเรียนรู้วิธีสื่อสารและให้คำแนะนำขณะเขียนอีเมล

อย่างไรก็ตาม หากคุณไม่ทราบความแตกต่างระหว่างการประมวลผล ภาษาธรรมชาติ การสร้าง และความเข้าใจ เราได้เขียนโพสต์ว่า "อะไรคือความแตกต่างระหว่าง NLP, NLU และ NLG" สำหรับคุณโดยเฉพาะ!

ผลกระทบที่อาจเกิดขึ้นจาก NLP ต่อการตลาดเนื้อหาคืออะไร?

ลองนึกถึงอุปกรณ์อัจฉริยะข้อมูลและเครื่องมือค้นหาที่รวบรวมจากผู้ใช้และค่ากำหนดการค้นหาของผู้ใช้ ลองนึกภาพว่าคุณสามารถใช้ข้อมูลนั้นเพื่อปรับแต่งเนื้อหาของคุณเองได้

นั่นคือสิ่งที่กำลังเกิดขึ้น ผู้โฆษณาและนักการตลาดเนื้อหาสามารถกำหนดเป้าหมายเนื้อหาของตนไปยังผู้ชมที่เฉพาะเจาะจงได้มากเกินไป โดยอิงจากสิ่งที่ AI อยู่เบื้องหลังการค้นหากำลังเรียนรู้

นอกจากนี้ยังส่งผลต่อโครงสร้างของเนื้อหา จำวันที่ต้องยัดเยียดคำหลักที่ฟังดูไม่เป็นธรรมชาติลงในโพสต์บล็อกเพื่อให้ปรากฏในการค้นหาหรือไม่

NLP และ NLG ได้ทำไปแล้ว ขณะนี้ เสิร์ชเอ็นจิ้นสามารถจับคู่เนื้อหากับข้อความค้นหา แม้ว่าโพสต์ในบล็อกจะใช้คำหลักที่ไม่ตรงกันทุกประการ

และผู้ค้นหาสามารถถามคำถามโดยใช้ภาษาธรรมชาติ (เขียนหรือพูด) แทนคำค้นหาที่คลุมเครือซึ่งคั่นด้วยเครื่องหมายคำพูด

อันที่จริง เสิร์ชเอ็นจิ้นอย่าง Google ใช้ AI และ NLP เพื่อจับคู่เนื้อหาที่มีคุณภาพกับข้อความค้นหา

ไม่เพียงแต่ประมวลผลพฤติกรรมการค้นหาของคุณเอง แต่ยังรวมถึงผู้ใช้ทั้งหมดเพื่อค้นหาสิ่งที่ผู้คนค้นหามากที่สุด และ NLP และ AI สามารถตีความข้อมูลขนาดใหญ่เพื่อค้นหาข้อความค้นหาที่ดีที่สุดสำหรับผู้โฆษณา

มาดูการใช้งาน AI และ NLP บางอย่างในการตลาดเนื้อหาอย่างละเอียดยิ่งขึ้น และวิธีที่พวกเขากำลังเปลี่ยนฟิลด์

แอปพลิเคชั่นประมวลผลภาษาธรรมชาติในการตลาดเนื้อหา

ไม่มีคำถามว่า NLP กำลังเปลี่ยนแปลงวิธีที่เราคิดเกี่ยวกับการตลาดเนื้อหาและการค้นพบเนื้อหา ปัจจุบันมีนักการตลาดแอปพลิเคชันจำนวนมากขึ้นเพื่อขยายประเภทของเนื้อหาที่พวกเขาผลิตอยู่แล้ว

การวัดความรู้สึก

การติดตามว่าเนื้อหาของคุณมีการดู แชร์ และลิงก์ย้อนกลับบ่อยเพียงใดนั้นค่อนข้างง่าย แต่การหาบริบทสำหรับการโต้ตอบเหล่านั้นยากกว่า

NLP สามารถช่วยให้นักการตลาดเข้าใจว่าทำไมเนื้อหาของพวกเขาจึงถูกแชร์ ตัวอย่างเช่น มันวิเศษมากเมื่อเนื้อหาแพร่ระบาด แต่ลองนึกภาพว่าเนื้อหาของคุณถูกแชร์พร้อมกับความคิดเห็น เช่น “นี่มันผิดทั้งหมด” “ดูถูกขนาดไหน” หรือ “พวกเขาคิดอะไรอยู่”

นี่เป็นส่วนสำคัญของแคมเปญการตลาดเพื่อสังคมและการฟังทางสังคม นักการตลาดโซเชียลมีเดียกำลังใช้เนื้อหาการวิเคราะห์ความรู้สึกเพื่อค้นหาภาษาเชิงลบ แง่บวก หรือเป็นกลาง เพื่อช่วยกำหนดว่าผู้ชมเป้าหมายจะได้รับเนื้อหาอย่างไร

ปรับปรุงเนื้อหา

หากคุณมีไลบรารีของเนื้อหาที่มีอยู่ AI และ NLP สามารถช่วยคุณตรวจสอบโพสต์ของคุณสำหรับเนื้อหาที่ขาดหายไปหรือบาง MarketMuse Suite เป็นแพลตฟอร์มที่วิเคราะห์เนื้อหาแต่ละส่วน โดยมองหาหัวข้อ หัวข้อย่อย หรือคำหลักที่ขาดหายไป

จะใช้ NLP เพื่อช่วยคุณกำหนดวิธีปรับปรุงเนื้อหาแบบบาง โดยการมองหาข้อมูลที่ขาดหายไปในหัวข้อ

เพิ่มอันดับการค้นหา

ในช่วงสี่ปีที่ผ่านมา เสิร์ชเอ็นจิ้นอย่าง Google ได้ใช้อัลกอริธึมในการรวบรวมข้อมูลเนื้อหามากกว่าแค่คีย์เวิร์ด ขณะนี้โปรแกรมรวบรวมข้อมูลเหล่านี้ใช้การประมวลผลภาษาธรรมชาติเพื่อพิจารณาว่าเนื้อหารอบคำสำคัญตรงกับความตั้งใจของผู้ใช้จริงหรือไม่

สมมติว่าคำหลักของคุณคือ “วิธีการติดตั้งชั้นวาง” โปรแกรมรวบรวมข้อมูลจะวิเคราะห์ไวยากรณ์และความหมายบนหน้าเว็บเพื่อทำความเข้าใจว่าข้อความที่เหลือตอบคำถามนั้นหรือไม่ รวมถึงขั้นตอนที่ถูกต้องหรือไม่? ครอบคลุมเพียงพอหรือไม่ที่ผู้ใช้จะสามารถติดตั้งชั้นวางโดยใช้โพสต์บนบล็อกของคุณ

และนั่นคือปมที่แท้จริงของการเพิ่มประสิทธิภาพกลไกค้นหา เนื้อหาของคุณตรงกับความตั้งใจของผู้ใช้หรือไม่ หากคุณเขียนบทความเกี่ยวกับประเด็นร้อนในแวดวงการเมือง งานของคุณตรงกับความตั้งใจของผู้ใช้ที่ค้นหาหัวข้อนั้นหรือไม่ มันมีข้อมูลที่เป็นประโยชน์หรือเป็นเพียงปุย? NLP เริ่มดีขึ้นในการพิจารณาสิ่งนั้น

เข้าถึงกลุ่มเป้าหมาย

สุดท้าย NLP สามารถช่วยคุณกำหนดเป้าหมายผู้ชมที่เหมาะสมสำหรับเนื้อหาหรือโฆษณาที่ต้องชำระเงิน ลองนึกถึงข้อมูลทั้งหมดที่ Google รวบรวมเมื่อมีคนค้นหาทางออนไลน์หรือใช้อุปกรณ์อัจฉริยะของตน ขณะนี้บริษัทต่างๆ กำลังใช้ข้อมูลดังกล่าวเพื่อกำหนดเป้าหมายเนื้อหาที่ต้องชำระเงินและโฆษณาไปยังกลุ่มใดกลุ่มหนึ่งโดยเฉพาะในภูมิภาคที่มีขนาดเล็กกว่า

แทนที่จะใช้จ่ายเงินในการทอดแหเพื่อตกปลาสักสองสามตัว บริษัทต่างๆ กลับให้ความสำคัญกับผู้ชมที่มีขนาดเล็กลงซึ่งจะทำให้เกิด Conversion สูงขึ้น

อันที่จริง มีทฤษฎีสมคบคิดอยู่รอบ ๆ ว่าสมาร์ทโฟนของคุณกำลังฟังการสนทนาของคุณเพื่อรับคำหลักและแสดงเนื้อหาและโฆษณาที่ตรงเป้าหมายแก่คุณ แน่นอนว่า Google และ Facebook ต่างยืนกรานปฏิเสธสิ่งนี้

เทคนิคการประมวลผลภาษาธรรมชาติ

NLP แปลภาษาและเปลี่ยนเป็นผลลัพธ์ที่ใช้งานได้ผ่านไวยากรณ์และความหมาย ไวยากรณ์อธิบายวิธีการจัดเรียงคำในประโยคเพื่อให้เข้าใจถึงโครงสร้างและไวยากรณ์ ความหมายหมายถึงความหมายที่แท้จริงเบื้องหลังคำที่บุคคลพูดหรือเขียน

การวิเคราะห์วากยสัมพันธ์

ดร.ไมเคิล เจ. การ์เบด ผู้ก่อตั้งและซีอีโอของ Education Ecosystem กล่าวว่า มีหลายวิธีที่เสิร์ชเอ็นจิ้นและคอมพิวเตอร์ได้รับความหมายจากไวยากรณ์ นี่คือเทคนิคทั่วไปบางส่วน:

• Lemmatization – กระบวนการในการลดรูปแบบการผันคำทั้งหมดของคำให้เป็นรูปแบบเดียวเพื่อให้การวิเคราะห์ง่ายขึ้น
• การแบ่งส่วนทางสัณฐานวิทยา – การ แบ่งคำออกเป็นหน่วยแต่ละหน่วย เรียกว่าหน่วยคำ ซึ่งทำให้การวิเคราะห์ตรงไปตรงมายิ่งขึ้น ตัวอย่างเช่น อัพทาวน์จะแบ่งออกเป็นอัพทาวน์และอัพทาวน์
• การแบ่งส่วนคำ – แบ่งข้อความต่อเนื่องขนาดใหญ่ออกเป็นหน่วยต่างๆ
• การแท็ก Part-of-speech – การระบุส่วนของคำพูดสำหรับทุกคำ เช่น กริยา คำนาม บทความ คำบุพบท ฯลฯ
• การแยกวิเคราะห์ – การวิเคราะห์ไวยากรณ์ของประโยค
• การทำลายประโยค – การวางขอบเขตรอบประโยคเพื่อช่วยให้โปรแกรมแยกความแตกต่างระหว่างกัน
• Stemming – การตัดคำที่ผันผวนให้อยู่ในรูปแบบราก

การวิเคราะห์เชิงความหมาย

นี่คือจุดที่คอมพิวเตอร์และโปรแกรมค้นหายังคงสะดุดอยู่ เนื่องจากมีความแตกต่างทางภาษามากมาย การเขียนโปรแกรมเพื่อความหมายจึงเป็นเรื่องยาก

คุณเคยยิงคำพูดประชดประชันกับ Siri หรือไม่? คุณคงได้คำตอบตามตัวอักษรหรือ “ฉันขอโทษ ฉันไม่เข้าใจ." นั่นเป็นเพราะว่าเสียงผันแปรในเสียงของคุณ ซึ่งเป็นสัญญาณของการเสียดสี ไม่สามารถตีความด้วยอุปกรณ์สั่งงานด้วยเสียงได้

แต่มีเทคนิคบางอย่างที่เทคโนโลยี AI ใช้ควบคู่ไปกับการวิเคราะห์เชิงความหมายเพื่อแยกความหมายตามที่ Dr. Garbade กล่าว พวกเขารวมถึง:

• การรู้จำชื่อเอนทิตี (NER) – นี่คือเมื่ออัลกอริทึมระบุส่วนของข้อความหรือคำขอที่พูดเป็นส่วนหนึ่งของกลุ่มที่กำหนดไว้ล่วงหน้า ตัวอย่างเช่น สามารถดึงชื่อบุคคลและสถานที่โดยใช้ NER ได้
• การแก้ความกำกวมของคำ (WSD) – โปรแกรมจะพิจารณาคำและพยายามกำหนดความหมายของคำในบริบทของข้อความที่อยู่รอบๆ สมมติว่าคุณเขียนในอีเมลว่า “เราไปงานเลี้ยง เรามีลูกบอล” Google จะดูข้อความเพื่อทำความเข้าใจว่าคุณหมายถึงคุณมีช่วงเวลาที่ดี ไม่ใช่ว่าคุณมีลูกบอลอยู่ในมือ
• การสร้างภาษาธรรมชาติ (NLG) – นี่คือกระบวนการในการรับข้อมูลและเปลี่ยนเป็นภาษาธรรมชาติที่คุณได้ยินเมื่อคุณถามคำถามกับ Siri หรือ Alexa นอกจากนี้ยังมีเทคโนโลยีเกิดใหม่ที่ใช้ NLG สำหรับการสร้างเนื้อหา

เครื่องมือประมวลผลภาษาธรรมชาติและห้องสมุด

อันดับแรก มาแยกความแตกต่างระหว่างเครื่องมือและไลบรารี เครื่องมือเป็นโซลูชันที่พร้อมใช้งานทันทีสำหรับ NLP ในขณะที่ห้องสมุดคือสิ่งที่ทีมเทคโนโลยีของคุณจะใช้และสร้าง NLP สำหรับแบรนด์ของคุณ

มีตัวเลือกโอเพนซอร์สรวมถึงรหัสที่เป็นกรรมสิทธิ์ ซึ่งหมายความว่าคุณต้องจ่ายเงิน สิ่งที่คุณเลือกขึ้นอยู่กับว่าคุณหรือทีมพัฒนาของคุณเต็มใจที่จะทำการปรับแต่งมากน้อยเพียงใด (เครื่องมือและไลบรารีโอเพ่นซอร์สมักต้องการการปรับแต่งเพิ่มเติม)

เครื่องมือ

แน่นอนว่าบรรดายักษ์ใหญ่ในวงการเทคโนโลยีต่างก็มีเครื่องมือและบริการ NLP และ AI ของตัวเอง Amazon มี Amazon Comprehend ซึ่งใช้ข้อมูลที่ไม่มีโครงสร้างจำนวนมากและค้นหารูปแบบ IBM มีบริการการทำความเข้าใจภาษาธรรมชาติของ Watson และ Google มี Cloud Natural Language

ทั้งหมดนี้สามารถนำมาใช้เพื่อตอบสนองความต้องการด้านการตลาดทั่วไปและข้อมูลขนาดใหญ่

จริงๆ แล้ว มีเพียงบริษัทเดียวที่ใช้ AI และ NLP ขั้นสูงสำหรับการตลาดเนื้อหาโดยเฉพาะ นั่นคือ MarketMuse

ดังที่ฉันได้กล่าวไว้ก่อนหน้านี้ MarketMuse วิเคราะห์แต่ละส่วนหรือไลบรารีเนื้อหาทั้งหมดเพื่อค้นหาช่องว่างของเนื้อหา เนื้อหาที่บาง และแม้แต่โอกาสสำหรับคู่แข่งที่เป็นหนึ่งเดียว

คุณสามารถใช้เพื่อค้นหาเนื้อหาเชิงความหมายของเนื้อหาเพื่อกำหนดความครอบคลุมของหัวข้อใดหัวข้อหนึ่งได้เช่นกัน

ห้องสมุด

ไลบรารี่มีเทคนิคมากกว่ามาก แต่สามารถให้ความยืดหยุ่นในการใช้งาน NLP ได้มากขึ้นเล็กน้อย โดยพื้นฐานแล้ว ไลบรารีคือแพ็คเกจเข้ารหัสของอัลกอริทึมที่คุณหรือทีมพัฒนาของคุณสามารถใช้เพื่อสร้างเครื่องมือ NLP ของคุณเองได้

Natural Language Toolkit (NLTK) น่าจะเป็นห้องสมุดที่มีคนพูดถึงมากที่สุดบนเว็บ ส่วนใหญ่จะใช้เพื่อการศึกษาและการวิจัย ดังนั้น จึงเขียนด้วย python ซึ่งเป็นโปรแกรมโอเพนซอร์ซ

คำสุดท้าย

เราเพิ่งเริ่มเข้าใจถึงความเป็นไปได้ในการประมวลผลภาษาธรรมชาติสำหรับกลยุทธ์เนื้อหา เนื่องจากวิทยาการข้อมูลกลายเป็นส่วนสำคัญของกลยุทธ์การตลาดเนื้อหา การปรับเปลี่ยนเนื้อหาส่วนบุคคลและเนื้อหาอัตโนมัติอาจกลายเป็นเรื่องธรรมดาในที่สุด

ใครจะรู้? มันอาจจะมาแทนที่ผู้สร้างเนื้อหาสักวันหนึ่ง (แม้ว่าผู้เขียนคนนี้จะไม่หวังจริงๆ)