رتبه بندی مجدد هوش مصنوعی برای جستجوی معنایی
جستجو فقط در مورد تطبیق کلمات کلیدی نیست – و این حتی زمانی که ما در مورد جستجوی معنایی صحبت می کنیم صادق تر است.
جستجوی معنایی یافتن اطلاعات مناسب برای جستجوگر در زمان مناسب است.
این فراتر از یافتن کلمات کلیدی و مفاهیم مناسب و حدس زدن نحوه تعامل جستجوگران با نتایج است.
رتبهبندی مجدد هوش مصنوعی (AI) اطلاعات افرادی را که برای جستجو میآیند دریافت میکند و نتایج جستجو را برای افراد متناسب میکند.
این ممکن است در سطح گروهی انجام شود و نتایج را بر اساس روندها، فصلی بودن و محبوبیت تغییر دهد.
همچنین ممکن است به صورت جداگانه انجام شود و نتایج را بر اساس خواسته های جستجوگر فعلی تغییر دهد.
در حالی که پیادهسازی رتبهبندی مجدد هوش مصنوعی در یک موتور جستجو آسان نیست، ارزش زیادی برای تبدیلها و رضایت جستجوگر به ارمغان میآورد.
رتبه بندی مجدد با هوش مصنوعی
رتبه بندی مجدد مبتنی بر هوش مصنوعی می تواند نتایج جستجو را بهبود بخشد، بدون توجه به الگوریتم رتبه بندی اساسی که موتور جستجو استفاده می کند.
به این دلیل که نتایج جستجوی خوب بیشتر از ارتباط متنی و معیارهای تجاری مانند محبوبیت خام است.
نتایج خوب سیگنال های دیگر را در نظر می گیرند و این کار را در سطح هر پرس و جو انجام می دهند.
برای اینکه بفهمیم چرا این مهم است، بیایید روی معیار محبوبیت تجاری تمرکز کنیم.
این یک سیگنال رتبه بندی عمومی خوب است اما می تواند برای پرس و جوهای خاص کوتاه بیاید. جستجوی «لباس قرمز» ممکن است در نتایج اول دو لباس متفاوت را نشان دهد: «لباس بدون پشت با لهجههای قرمز» و «لباس تابستانی به رنگ قرمز روشن».
لباس بدون پشت ممکن است به عنوان یک لباس و محصول کلی محبوب تر باشد.
اما در این مورد، به طور خاص، آن چیزی نیست که مشتریان می خواهند.
آنها یک لباس قرمز می خواهند، نه یک لباس با لهجه قرمز، و بر اساس آن کلیک می کنند و خرید می کنند.
آیا موتور جستجو نباید آن را به عنوان سیگنالی برای رتبه بالاتر لباس تابستانی در نظر بگیرد؟
تجزیه و تحلیل جستجو
همانطور که مثال بالا نشان می دهد: درک کاری که جستجوگران انجام می دهند برای رتبه بندی مجدد ضروری است.
دو رویداد رایج برای ردیابی کلیک ها و تبدیل ها هستند.
به طور کلی، اینها تنها دو رویداد ضروری هستند و باید رویدادهای ناشی از جستجو باشند.
مثال بالا همچنین یکی دیگر از ملاحظات مهم را برجسته می کند: رویدادها باید به پرس و جوهای خاص مرتبط باشند.
این به موتور جستجو اجازه می دهد تا از تعامل بین مجموعه های مختلف نتایج و تعاملات کاربر بیاموزد. این لباس تابستانی را در نتایج جستجو برای عبارت «لباس قرمز» بالاتر می برد.
ممکن است همان محصول برای سایر جستارها نسبت به همسایگانش محبوبیت کمتری داشته باشد.
وقتی به رویدادهای مختلف خود نگاه می کنید، می خواهید آنها را نیز متفاوت ارزیابی کنید.
کلیک کردن روی یک نتیجه نشانه علاقه است در حالی که خرید (یا هر معیار تبدیل دیگری) نشانه تعهد است.
رتبه بندی باید منعکس کننده آن باشد.
وزن گیری نیازی به پیچیده بودن ندارد.
می توانید به سادگی بگویید که تبدیل ها ارزش دوبار کلیک کردن دارند.
شما باید نسبت مناسب را برای جستجوی خود آزمایش کنید.
همچنین ممکن است بخواهید رویدادها را بر اساس رتبهبندی نتیجه در زمانی که جستجوگر آن را مشاهده کرد، تخفیف دهید.
ما می دانیم که موقعیت یک نتیجه بر نرخ کلیک (CTR) آن تأثیر می گذارد.
بدون تخفیف رویدادها، ممکن است موقعیتی داشته باشید که نتایج برتر حتی بیشتر تثبیت شوند، زیرا تعاملات بیشتری دارند، که آنها را در رتبه بالاتر نگه می دارد – و بی نهایت تکرار می شود.
تازگی و فصلی
یک راه ساده برای مبارزه با این حلقه خودتقویت کننده، تخفیف رویدادها بر اساس زمان سپری شده از رویداد است.
این به این دلیل اتفاق می افتد که هر رویدادی که در گذشته رخ داده است تأثیر بسیار کمی بر رتبه بندی مجدد دارد. یعنی تا زمانی که هیچ تاثیری نداشته باشد.
برای مثال، میتوانید تأثیر هر رویداد را به مدت 30 روز در هر روز بر دو تقسیم کنید. و پس از 30 روز، استفاده از رویداد را برای رتبه بندی متوقف کنید.
یک مزیت خوب استفاده از تازگی در الگوریتم رتبه بندی مجدد این است که فصلی بودن را نیز به نتایج وارد می کند.
نه تنها ویدیوهایی را که سال ها پیش بسیار محبوب بودند، بلکه امروز برای مردم خسته کننده هستند، توصیه نمی کنید. همچنین ویدیوهای «یادگیری شنا کردن» را در تابستان و ویدیوهای «یادگیری اسکی» را در زمستان توصیه میکنید.
YouTube دقیقاً برای این منظور در الگوریتم خود فصلی و تازگی تعبیه کرده است.
استفاده از سیگنال ها برای رتبه بندی مجدد
اکنون که سیگنالها را دریافت کردهاید و به مرور زمان آنها را از بین میبرند، میتوانید آنها را در نتایج جستجو اعمال کنید.
وقتی “هوش مصنوعی” را می بینیم، اغلب به چیزی فوق العاده پیچیده و غیرقابل درک فکر می کنیم.
با این حال، هوش مصنوعی میتواند به سادگی دریافت دادهها در طول زمان و استفاده از آن برای تصمیمگیری باشد، مانند آنچه در اینجا انجام میدهیم.
یک روش آسان این است که تعداد معینی از نتایج را در نظر بگیرید و به سادگی آنها را بر اساس یک امتیاز مجدداً رتبه بندی کنید.
به دلایل عملکرد، این تعداد نتایج به طور کلی نسبتاً کم خواهد بود (10، شاید 20). سپس آنها را بر اساس امتیاز رتبه بندی کنید.
همانطور که در بالا بحث کردیم، امتیاز می تواند به سادگی جمع کردن تعداد تبدیل ها در دو برابر، به اضافه تعداد کلیک ها باشد.
افزودن یک تابع واپاشی پیچیدگی بیشتری را ایجاد می کند، همانطور که تنزیل بر اساس موقعیت نتیجه انجام می شود – اما همان اصل کلی اعمال می شود.
آموزش رتبه بندی
یک اشکال این سیستم رتبه بندی مجدد این است که شما محدود به رتبه بندی مجدد تعداد کمتری از نتایج هستید.
اگر نتیجهای دارید که در غیر این صورت محبوب بود، اما در رتبهبندی بالایی قرار ندارد، آن نتیجه توجه لازم را به خود جلب نخواهد کرد.
این سیستم همچنین به رویدادهایی در سوابق و پرس و جوهایی که می خواهید دوباره رتبه بندی کنید نیاز دارد.
برای راهاندازی محصول جدید یا محتوای تولید شده توسط کاربر (UGC) که اغلب وارد فهرست جستجو میشود و از آن خارج میشود، کار نخواهد کرد.
یادگیری رتبه بندی (LTR) می تواند این مسائل را برطرف کند.
بسیار شبیه رتبهبندی مجددی که در بالا بحث کردیم، LTR نیز بر اساس این ایده کار میکند که رکوردهایی که جستجوگران با آنها تعامل دارند بهتر از مواردی است که انجام نمیدهند.
روش رتبهبندی مجدد قبلی با تقویت یا دفن نتایج مستقیماً زمانی که به یک جستجوی خاص مرتبط است، کار میکند.
در همین حال، LTR بسیار انعطاف پذیرتر است. با تقویت یا دفن نتایج بر اساس سایر نتایج محبوب کار می کند.
LTR از یادگیری ماشینی استفاده می کند تا بفهمد کدام پرسش ها مشابه هستند (به عنوان مثال، “بازی های ویدئویی” و “کنسول بازی”).
سپس میتواند نتایج را در پرسوجوهای کممحبوبتر بر اساس تعامل با موارد رایجتر رتبهبندی کند.
LTR فقط در پرس و جوها تعمیم نمی دهد. در سوابق نیز تعمیم می یابد.
مدل LTR یاد می گیرد که نوع خاصی از نتیجه محبوب است. به عنوان مثال، بازی Nintendo Switch “Legend of Zelda: Breath of the Wild”.
سپس، می تواند شروع به اتصال به سایر نتایج مشابه (به عنوان مثال، “Legend of Zelda: Skyward Sword”) کند و آن ها را تقویت کند.
پس چرا اگر به نظر می رسد از LTR بسیار قدرتمندتر از رتبه بندی مجدد معمول شما است و پوشش پرس و جو و رکورد بیشتری را ارائه می دهد، فقط از LTR استفاده نکنید؟
(به عبارت دیگر: تعمیم بهتری دارد.)
به طور خلاصه، LTR بسیار پیچیدهتر است و به تخصص تخصصیتر یادگیری ماشین داخلی (ML) نیاز دارد.
علاوه بر این، درک اینکه چرا نتایج خاص در مکان های خاص رتبه بندی می شوند دشوارتر است.
با اولین نوع رتبه بندی مجدد، می توانید به تعداد کلیک ها و تبدیل ها در طول زمان برای یک رکورد در مقایسه با رکورد دیگر نگاه کنید.
در همین حال، با LTR، شما یک مدل ML دارید که اتصالاتی را ایجاد می کند که ممکن است همیشه واضح نباشند.
(آیا «نفس وحشی» و «رنگ های صوتی» واقعاً به هم شبیه هستند؟)
شخصی سازی
در حالی که رتبهبندی مجدد در همه جستجوگران کار میکند، شخصیسازی چیزی است که به نظر میرسد: شخصی.
هدف از شخصیسازی، گرفتن نتایجی است که قبلاً مرتبط هستند و آنها را بر اساس سلیقه شخصی رتبهبندی مجدد میکند.
در حالی که بحث در مورد میزان استفاده موتورهای جستجوی وب مانند Google از شخصی سازی در نتایج خود وجود دارد، شخصی سازی اغلب بر عملکرد نتایج در موتورهای جستجوی سایت تأثیر می گذارد.
این یک مکانیسم مفید برای افزایش تعاملات جستجو و تبدیل از جستجو است.
تجزیه و تحلیل جستجو
درست مانند رتبهبندی مجدد، شخصیسازی به درک نحوه تعامل کاربران با نتایج جستجو بستگی دارد.
با ردیابی کلیک ها و تبدیل ها، ایده واضح تری از انواع نتایجی که کاربر می خواهد ببیند، خواهید داشت.
یک تفاوت مهم بین رتبهبندی مجدد و شخصیسازی در این جبهه این است که بسته به جستجوی خود، ممکن است بخواهید نحوه اعمال شخصیسازی را تنظیم کنید.
به عنوان مثال، اگر مواد غذایی می فروشید، قطعاً می خواهید محصولاتی را که قبلا خریداری کرده اید، توصیه کنید.
اما اگر وب سایت شما کتاب می فروشد، نمی خواهید کتابی را که مشتری قبلاً خریده است، توصیه کنید. در واقع، حتی ممکن است بخواهید آن کتاب ها را در نتایج جستجو به پایین منتقل کنید.
با این حال، این نیز درست است که نباید شخصیسازی را آنقدر تحت فشار قرار دهید که کاربران فقط آنچه را که قبلاً با آن تعامل داشتهاند ببینند.
جستجو هم به یافتن و هم کشف قدرت می دهد. بنابراین، اگر آنها به نوار جستجو برگردند، باید در معرض این احتمال باشید که آنها می خواهند چیز جدیدی ببینند.
نتایج را منحصراً از طریق شخصی سازی رتبه بندی نکنید. آن را با سایر سیگنال های رتبه بندی ترکیب کنید.
درست مانند رتبهبندی مجدد، شخصیسازی نیز از زوال رویداد سود میبرد.
کاهش تأثیر رویدادهای قدیمی تر باعث می شود جستجو با دقت بیشتری سلیقه فعلی کاربر را نشان دهد.
به نوعی می توانید آن را فصلی بودن شخصی در نظر بگیرید.
شخصی سازی در میان کاربران
نوع شخصیسازی که تاکنون دیدهایم بر اساس تعاملات خود فرد است، اما شما همچنین میتوانید آن را با کارهایی که دیگران در داخل جستجو انجام میدهند ترکیب کنید.
این رویکرد تأثیر بزرگی بر موقعیتهایی نشان میدهد که کاربر قبلاً با موارد موجود در نتایج جستجو تعامل نداشته است.
از آنجایی که کاربر با موارد نتیجه جستجو ارتباط برقرار نمیکند، بنا به تعریف، نمیتوانید بر اساس تعاملات گذشته آن را تقویت یا مدفون کنید.
در عوض، میتوانید به کاربرانی که مشابه کاربر فعلی هستند نگاه کنید و سپس بر اساس آنچه که با آنها تعامل داشتهاند، شخصیسازی کنید.
به عنوان مثال، بگویید کاربری دارید که هرگز برای لباس به شما مراجعه نکرده است اما کیف های دستی زیادی خریداری کرده است.
سپس میتوانید به دنبال کاربران دیگری باشید که سلیقههای مشابهی دارند و با لباسها نیز تعامل داشتهاند.
به طور شهودی، سایر مشتریانی که همان نوع کیفهای دستی را با جستجوگر ما دوست دارند نیز باید همان لباسها را دوست داشته باشند.
رتبه بندی مجدد و شخصی سازی برای کشف
جستجو تنها یک نمونه از مواردی است که رتبهبندی مجدد و شخصیسازی میتواند تأثیر بگذارد. می توانید از همین ابزارها برای کشف نیز استفاده کنید.
راز این است که صفحه اصلی و صفحات دسته بندی خود را به عنوان نتایج جستجو در نظر بگیرید.
سپس، واضح است که می توانید از همان ابزارهایی که برای جستجو استفاده می کنید استفاده کنید و همان مزایای را به دست آورید.
به عنوان مثال، یک صفحه اصلی شبیه به یک صفحه جستجو بدون پرس و جو است، اینطور نیست؟ و یک صفحه فرود دسته، مطمئناً شبیه یک صفحه جستجو است که فیلتر دسته بندی روی آن اعمال شده است.
اگر شخصی سازی و رتبه بندی مجدد را به این صفحات اضافه کنید، می توانند کمتر ثابت باشند. آنها آنچه را که ترجیح می دهند ببینند به کاربران ارائه می دهند و می توانند مواردی را که به طور کلی محبوبیت بیشتری در بین مشتریان دارند، بالاتر ببرند.
و نگران نباشید، شخصیسازی و رتبهبندی مجدد میتواند با تصمیمهای سرمقاله در این صفحات یا جستجوی درونی ترکیب شود.
بهترین راه برای رسیدگی به این امر، تثبیت نتایج مورد نظر در مکان های خاص و رتبه بندی مجدد در اطراف آنها است.
دیدهایم که شخصیسازی و رتبهبندی مجدد دو رویکردی هستند که تعامل کاربر با سیگنالهای مرتبط را برای بهتر کردن جستجو انجام میدهند.
شما می توانید با استفاده از تعاملات، اجازه دهید پایگاه کاربر خود بر روی نتیجه تأثیر بگذارد.
کم کم این فعل و انفعالات به موتور جستجو می گوید که چه مواردی باید در رتبه بالاتری قرار گیرند.
در نهایت، جستجوگران از تجربه جستجوی بهتری بهره مند می شوند و شما از کلیک ها و تبدیل های بیشتری بهره مند می شوید.
منابع بیشتر:
تصویر ویژه: amasterphotographer/Shutterstock