Kullanıcı Amacı Ölçekte Nasıl Sınıflandırılır

MarketMuse'da Makine Öğrenimi Araştırma Mühendisi olarak günlerimi bilgisayar kodu ve sayılarla uğraşarak geçiriyorum. Ancak bu gönderi için, heyecan verici kullanıcı amacı sınıflandırması alanına bakarken hepsini bir kenara bırakalım.

Kullanıcı amacını geniş ölçekte sınıflandırma yeteneği, her yerde pazarlamacılar için muazzam bir potansiyele sahiptir. Bu yazıda, kullanıcı amacının ne olduğuna, sınıflandırmanın getirebileceği faydalara, bazı kişilerin soruna nasıl yaklaştığına ve MarketMuse stratejisine kısaca değineceğim.

Kullanıcı Amacı Nedir?

Niyetimizi ifade etmek için insan dilini kullanırız. Normal konuşma sırasında, bu nadiren bir sorundur. Ancak, arama yapanın genellikle mümkün olduğunca az kelime kullandığı arama sorgularında, niyetin fark edilmesi zor olabilir.

Arama amacı konusunda çok şey yazdık, o yüzden ön bilgileri atlayıp meselenin tam kalbine ineceğim. Her arama ifadesinin arkasında bir niyet vardır. İçeriğin bu amacı karşılama yeteneği, arama sonuçlarındaki yerleşiminde önemli bir faktördür. İyi yazılmış ve konu bakımından zengin bir makale, niyet yeterince ele alınmazsa, aramada zayıf performans gösterecektir.

Bu nedenle, kullanıcı amacını geniş ölçekte sınıflandırmaya çalışıyoruz.

Kullanıcı Amaç Sınıflandırmasının Faydaları

Kullanıcı amacını sınıflandırmak, MarketMuse platformunu önemli ölçüde etkileyecektir. MarketMuse kullananların potansiyel olarak yararlanabileceği çeşitli yollar vardır.

Örneğin, 60 milyon konunun özelliklerini depoladığımız tarihi bir SERP hizmetini sürdürüyoruz. Karışıma kullanıcı amacını eklemek, özelliklerdeki ve amaçtaki değişiklikler arasındaki korelasyonları gözlemlememizi sağlar. SERP'deki konumlarını koruyan en iyi performans gösteren sayfaları analiz edebilir ve değişen niyete yanıt olarak nasıl adapte olduklarını görebiliriz.

Ayrıca, MarketMuse İçerik Özetlerimizi güçlendiren ve güncel öneriler sunan 50 milyondan fazla konuya sahip bir bilgi grafiği hizmetini de sürdürüyoruz. Amaç sınıflandırması, bu önerilerin düzeltilmesine yardımcı olacaktır. Aynı ilke soru motorumuz için de geçerlidir.

Bu iyileştirmelerin bir damlama etkisi vardır. İçerik özetlerimiz, doğal dil oluşturma (NLG) motorumuz olan MarketMuse First Draft'ı yönlendirdiği için, özetlerde yapılan tüm iyileştirmeler NLG çıktısına yansıtılacaktır.

Kullanıcı Niyeti Araştırmasının Mevcut Durumu

Arama ile ilgili olduğu için kullanıcı amacı hakkında çok fazla araştırma yok. Çalışmaların çoğu, müşteri için genel kullanıcı amacı etrafında döner. Örneğin, bir web sitesi için bir sohbet robotu geliştiriyorsunuz ve bir ziyaretçiyi yanıtlayabilmeniz veya uygun kaynağa yönlendirebilmeniz için kullanıcı amacını sınıflandırmak istiyorsunuz.

Kullanıcı amacını Arama için geniş ölçekte sınıflandırmaya yönelik ilgi yavaş yavaş gelişiyor. Farkında olabileceğiniz birkaç popüler örnek, Content Harmony'deki Kane Jamison'dan ve RankSense'teki Hamlet Batista'dan geliyor.

İçerik Uyumu durumunda, arama amacını sınıflandırmak için buluşsal bir yaklaşım benimserler. Belirli bir sorgu için SERP özelliklerine bakarak türüne göre bir belirleme yaparlar. Örneğin, bir alışveriş listesi görürlerse bu işlemsel bir sorgu olmalı veya bir haber görürlerse bilgilendirici olmalıdır.

Blog gönderilerinde de kabul ettikleri gibi, bu yöntemin birçok dezavantajı vardı. Değişken. Google'ın arama özelliklerinin biçiminde yaptığı herhangi bir değişiklik, amacın yanlış sınıflandırılmasına neden olabilir. Aynı şekilde, Kara Cuma veya Noel gibi bir sorgunun amacındaki mevsimsel değişikliklerde. Content Harmony'ye göre, onların yaklaşımıyla, kullanıcı niyetindeki bu değişimleri tespit etmek için sezondan sezona sıralamadaki değişiklikleri göz önünde bulundurmanız gerekir.

Hamlet Batista'nın Search Engine Journal makalesinde tartıştığı yaklaşım bizim stratejimize benziyor. Bu yüzden, arama amacını ölçeklenebilir bir şekilde nasıl sınıflandıracağımızı tartışacağım.

Kullanıcı Amaç Sınıflandırmasına MarketMuse Yaklaşımı

MarketMuse'da, ölçekte kullanılabilecek güvenilir bir sınıflandırıcı geliştirmek için makine öğrenimi ve doğal dil oluşturma alanındaki son gelişmelerden yararlanıyoruz. Binlerce sorgudan oluşan bir veri kümesine dayalı bir derin öğrenme kullanıcı amacı sınıflandırma modeli oluşturduk. Modelimiz aktif bir öğrenme yaklaşımı benimser, sürekli olarak yeni veriler toplar ve yeteneklerini geliştirir.

Yaklaşımımız, Occam'ın Usturası'nı, "varlıkların ihtiyaç olmadan çoğaltılmaması gerektiğini" belirten bir problem çözme ilkesine önem veriyor. İşleri basit tutmak için, sınıflandırılıp sınıflandırılamayacaklarını belirlemek için öncelikle arama sorgularını kullanacağız.

Oluşturulan binlerce MarketMuse İçerik Özetine baktığımızda, arama amacının genellikle şu kategorilerden birine girdiğini fark ederiz:

• Karşılaştırmak
• Yerel
• bilgilendirici
• işlemsel

Yani ilk başladığımız şey bu.

Geriye soru, bu kadar basit olup olmayacağıdır. Model, yalnızca bir anahtar kelime öbeğine göre sınıflandırmaya yetecek kadar güçlü mü? Değilse, dikkate alabileceğimiz başka şeyler var.

Tabii mevsimselliği de hesaba katmamız gerekiyor. Deneyimlerimizden, Google'ın sezona bağlı olarak birçok arama sorgusu için kullanıcı amacını değiştirdiğini biliyoruz. Takip edeceğimiz ana parametrelerden biri, uzun süreler boyunca kullanıcı niyetidir. Bu, sınıflandırmamızda çok yardımcı olacaktır çünkü birçok sorgu için sezonun zamanı arama amacını doğrudan etkiler.

Modelimizin belki de en heyecan verici yanı sürekli öğrenecek ve gelişecek olmasıdır. Tipik olarak, modeller bir işlevi yerine getirmek için eğitilir ve hepsi bu kadar. Model çalışmayı bıraktığında, her şeyi yeni bir veri seti ile yeniden eğitmeleri gerekir.

Yaklaşımımızla model statik değildir. Daima yeni verilerle beslenir, hatalarından ders çıkarır ve kendini düzeltir. Bu, zaman içinde değişiklik gösterdikleri için arama amacındaki bu değişikliklere yanıt verebileceğimiz anlamına gelir.

Özet

Arama yapanlar, amaçlarını ifade etmek için anahtar kelime öbekleri kullanır. Bu amacı ve zaman içindeki değişikliklerini tanıma yeteneği, içerik stratejisini ve içeriğin nasıl oluşturulduğunu önemli ölçüde etkileyebilir. MarketMuse'da yapay zeka yardımıyla amaç sınıflandırması yapıyoruz. Spesifik olarak, sürekli kendini eğiten, hatalarından ders alan, ayarlayan ve iyileştirmeler yapan bir makine öğrenimi modeli kullanıyoruz.