如何大规模分类用户意图

作为 MarketMuse 的机器学习研究工程师，我每天都沉浸在计算机代码和数字中。 但是对于这篇文章，让我们把这些都放在一边，我们将研究令人兴奋的用户意图分类领域。

大规模分类用户意图的能力对于各地的营销人员来说具有巨大的潜力。 在这篇文章中，我简要介绍了用户意图是什么、分类可以带来的好处、一些人如何解决问题以及 MarketMuse 正在采取的策略。

什么是用户意图

我们使用人类语言来表达我们的意图。 在正常的谈话过程中，这很少是问题。 然而，在搜索查询的情况下，搜索者通常使用尽可能少的词，意图可能难以辨别。

我们已经写了大量关于搜索意图的文章，所以我将跳过预备部分，直接进入问题的核心。 每个搜索短语的背后，都有一个意图。 内容满足该意图的能力是其在搜索结果中的位置的主要因素。 如果意图没有得到充分解决，一篇写得很好且主题丰富的文章将在搜索中表现不佳。

正是出于这个原因，我们希望对用户意图进行大规模分类。

用户意图分类的好处

对用户意图进行分类将对 MarketMuse 平台产生重大影响。 使用 MarketMuse 的人可以通过多种方式受益。

例如，我们维护一个历史 SERP 服务，其中存储了 6000 万个主题的特征。 将用户意图添加到组合中使我们能够观察特征和意图变化之间的相关性。 我们可以分析 SERP 中保持其地位的表现最佳的页面，并了解它们如何适应不断变化的意图。

我们还维护一个包含超过 5000 万个主题的知识图服务，为我们的 MarketMuse 内容简介提供支持，提供主题建议。 意图分类将有助于完善这些建议。 同样的原则也适用于我们的问题引擎。

这些改进具有涓滴效应。 由于我们的内容简报推动了我们的自然语言生成 (NLG) 引擎 MarketMuse First Draft，因此对简报的任何改进都将反映在 NLG 输出中。

用户意图研究现状

与搜索相关的用户意图的研究并不多。 大多数研究都围绕客户的一般用户意图。 例如，您正在为网站开发聊天机器人，并希望对用户意图进行分类，以便您可以回答或引导访问者访问适当的资源。

慢慢地，人们对尝试对搜索的大规模用户意图进行分类的兴趣正在发展。 您可能知道的几个流行示例来自 Content Harmony 的 Kane Jamison 和 RankSense 的 Hamlet Batista。

对于 Content Harmony，他们采用启发式方法对搜索意图进行分类。 查看某个查询的 SERP 功能，他们确定其类型。 例如，如果他们看到购物清单，则它必须是事务性查询，或者如果他们看到新闻项目，则它必须是信息性的。

正如他们在博客文章中所承认的那样，这种方法有很多缺点。 它是易变的。 Google 对其搜索功能格式所做的任何更改都可能导致对意图的错误分类。 查询意图的季节性变化也是如此，例如黑色星期五或圣诞节。 根据 Content Harmony 的说法，通过他们的方法，您需要密切关注各个季节的排名变化，以检测用户意图的这些变化。

Hamlet Batista 在他的 Search Engine Journal 文章中讨论的方法与我们的策略类似。 因此，我将讨论我们如何以可扩展的方式对搜索意图进行分类。

MarketMuse 用户意图分类方法

在 MarketMuse，我们正在利用机器学习和自然语言生成方面的最新进展来开发可大规模使用的可靠分类器。 我们基于包含数千个查询的数据集创建了一个深度学习用户意图分类模型。 我们的模型采用主动学习方法，不断收集新数据并提高其能力。

我们的方法牢记奥卡姆剃刀原则，这是一个解决问题的原则，指出“实体不应在没有必要的情况下成倍增加”。 为简单起见，我们将首先使用搜索查询本身来确定它们是否可以分类。

查看生成的数千个 MarketMuse 内容简介，我们注意到搜索意图通常属于以下类别之一：

• 比较
• 当地的
• 信息性
• 事务性的

所以这就是我们首先要开始的。

问题仍然是它是否会那么简单。 该模型是否足够强大，可以仅根据关键字词组进行分类？ 如果没有，我们可以考虑其他事项。

当然，我们需要考虑季节性。 根据经验，我们知道谷歌会根据季节改变许多搜索查询的用户意图。 我们将跟踪的主要参数之一是长时间的用户意图。 这对我们的分类非常有帮助，因为对于许多查询，季节时间直接影响搜索意图。

也许我们模型最令人兴奋的方面是它会不断学习和改进。 通常，模型被训练来执行一个功能，就是这样。 当模型停止工作时，他们需要使用一组新数据重新训练整个事物。

使用我们的方法，模型不是静态的。 它总是以新数据为食，从错误中学习并自我纠正。 这意味着我们可以响应搜索意图的这些变化，因为它们会随着时间而变化。

概括

搜索者使用关键字词组来表达他们的意图。 识别该意图及其随时间变化的能力会显着影响内容策略和内容的创建方式。 在 MarketMuse，我们正在借助人工智能进行意图分类。 具体来说，我们正在使用一种机器学习模型，该模型不断地自我训练、从错误中学习、调整和改进。