Bei der Suche geht es nicht nur um den Abgleich von Keywords – und das gilt umso mehr, wenn wir von semantischer Suche sprechen.
Bei der semantischen Suche geht es darum, die richtigen Informationen für den Suchenden zur richtigen Zeit zu finden.
Das geht über das Finden der richtigen Informationen hinaus Keywords und Konzepte und Spekulationen darüber, wie Suchende mit den Ergebnissen interagieren werden.
Die Neuklassifizierung durch künstliche Intelligenz (KI) erfasst Informationen über die Personen, die zur Suche kommen, und passt die Suchergebnisse an die Person an.
Dies kann auf Kohortenebene erfolgen, wobei die Ergebnisse basierend auf Trends, Saisonalität und Popularität geändert werden.
Es kann auch individuell erfolgen, wobei die Ergebnisse basierend auf den Wünschen des aktuellen Suchers geändert werden.
p>
Obwohl die KI-Neubewertung in einer Suchmaschine nicht einfach zu implementieren ist, bringt sie einen übergroßen Wert für Conversions und die Zufriedenheit der Suchenden.
Contents
Neubewertung mit künstlicher Intelligenz
KI-gesteuerte Neubewertung Das Ranking kann die Suchergebnisse verbessern, unabhängig vom zugrunde liegenden Ranking-Algorithmus, den eine Suchmaschine verwendet.
Das liegt daran, dass gute Suchergebnisse mehr sind als Textrelevanz und Geschäftskennzahlen wie reine Popularität.
Gute Ergebnisse berücksichtigen andere Signale und tun dies auf Abfrageebene.
Um zu sehen, warum dies wichtig ist, konzentrieren wir uns auf den Geschäftsmesswert der Popularität.
Er ist ein gutes allgemeines Ranking-Signal, kann aber bei bestimmten Suchanfragen zu kurz kommen. Eine Suchanfrage nach “rotes Kleid” könnte in den ersten Ergebnissen zwei verschiedene Kleider hervorbringen: „rückenfreies Kleid mit roten Akzenten“ und „Sommerkleid in leuchtendem Rot.“
Das rückenfreie Kleid ist vielleicht als Overall und Produkt beliebter.
Aber speziell in diesem Fall ist es nicht das, was die Kunden wollen.
Sie wollen ein rotes Kleid, keins mit roten Akzenten, und sie klicken und kaufen entsprechend.
Sollten’ Nimmt die Suchmaschine das nicht als Signal, das Sommerkleid höher zu ranken?
Search Analytics
Wie das obige Beispiel zeigt: Es ist notwendig zu verstehen, was Suchende tun, um neu zu ranken.
Die beiden am häufigsten zu verfolgenden Ereignisse sind Klicks und Conversions.
Im Allgemeinen sind dies die einzigen zwei Ereignisse, die erforderlich sind, und es müssen Ereignisse sein, die von der Suche stammen.
Das obige Beispiel hebt auch einen weiteren wichtigen Aspekt hervor: Die Ereignisse sollten an bestimmte Abfragen gebunden sein.
Das ermöglicht es der Suchmaschine, aus dem Zusammenspiel zwischen den verschiedenen Ergebnismengen und Benutzerinteraktionen zu lernen. Es treibt das Sommerkleid in den Suchergebnissen für das „rote Kleid” Abfrage.
Dasselbe Produkt ist möglicherweise für andere Abfragen weniger beliebt als seine Nachbarn.
Wenn Sie sich Ihre verschiedenen Ereignisse ansehen, sollten Sie sie auch unterschiedlich gewichten.
Das Klicken auf ein Ergebnis ist ein Zeichen des Interesses, während ein Kauf (oder jede andere Conversion-Kennzahl) ein Zeichen des Engagements ist .
Das Ranking sollte dies widerspiegeln.
Die Gewichtung muss nicht komplex sein.
Man kann einfach sagen, dass Conversions doppelt wert sind Klicks.
Sie sollten das richtige Verhältnis für Ihre eigene Suche testen.
Sie können Veranstaltungen auch basierend auf dem Ergebnisranking zu dem Zeitpunkt, zu dem der Suchende sie gesehen hat, rabattieren.
Wir wissen, dass die Position eines Ergebnisses seine Klickrate (Click-through-Rate, CTR) beeinflusst.
Ohne die Berücksichtigung von Ereignissen kann es vorkommen, dass sich die Top-Ergebnisse noch stärker verankern, da sie mehr Interaktionen erhalten, wodurch sie in der Rangfolge bleiben höher – und sich endlos wiederholen.
Frische und Saisonalität
Eine einfache Möglichkeit, diese sich selbst verstärkende Schleife zu bekämpfen, besteht darin, Ereignisse basierend auf der seit dem Ereignis verstrichenen Zeit zu rabattieren .
Dies geschieht, weil jedes Ereignis, das in der Vergangenheit aufgetreten ist, einen immer geringeren Einfluss auf die Neubewertung hat. Das heißt, bis es irgendwann überhaupt keine Auswirkungen mehr hat.
Zum Beispiel können Sie die Auswirkungen jedes Ereignisses jeden Tag für 30 Tage durch zwei teilen. Und verwenden Sie das Ereignis nach 30 Tagen nicht mehr für das Ranking.
Ein netter Vorteil der Verwendung von Freshness im Re-Ranking-Algorithmus besteht darin, dass es auch Saisonalität in die Ergebnisse einfügt.
Sie hören nicht nur auf, Videos zu empfehlen, die vor Jahren sehr beliebt waren, aber für die Menschen heute langweilig sind; Sie werden auch empfehlen, „schwimmen zu lernen” Videos im Sommer und „Skifahren lernen“ Videos im Winter.
YouTube hat genau zu diesem Zweck Saisonabhängigkeit und Aktualität in seinen Algorithmus eingebaut.
Verwenden von Signalen zum Neuranken
Jetzt, da Sie die Signale haben und sie im Laufe der Zeit abklingen lassen, können Sie sie auf die Suchergebnisse anwenden.
Wenn wir von „künstlicher Intelligenz“ Wir denken oft an etwas unglaublich Komplexes und Undurchschaubares.
KI kann aber auch so einfach sein wie das Erfassen von Daten im Laufe der Zeit und deren Verwendung, um Entscheidungen zu treffen, wie wir es hier tun.
Ein einfacher Ansatz besteht darin, eine bestimmte Anzahl von Ergebnissen zu nehmen und sie einfach basierend auf einer Punktzahl neu zu ordnen.
Aus Leistungsgründen ist diese Anzahl von Ergebnissen im Allgemeinen ziemlich klein (10, vielleicht 20). . Ordnen Sie sie dann nach Punktzahl.
Wie oben besprochen, könnte die Punktzahl so einfach sein wie das Addieren der Anzahl der Conversions mal zwei plus der Anzahl der Klicks.
Das Hinzufügen einer Decay-Funktion sorgt für mehr Komplexität, ebenso wie die Diskontierung basierend auf der Ergebnisposition – aber es gilt das gleiche allgemeine Prinzip.
Einstufung lernen
Ein Nachteil dieses Re-Ranking-Systems ist, dass Sie darauf beschränkt sind, eine kleinere Anzahl von Ergebnissen neu zu ranken.
Wenn Sie ein Ergebnis haben, das ansonsten beliebt wäre, aber nicht hoch gerankt ist, erhält dieses Ergebnis nicht die Aufmerksamkeit, die es verdient.
Dieses System erfordert auch Ereignisse in den Datensätzen und den Suchanfragen, die Sie neu einstufen möchten.
Es funktioniert nicht bei brandneuen Produkteinführungen oder nutzergenerierten Inhalten (UGC), die häufig ein- und ausgehen dem Suchindex.
Learning to Rank (LTR) kann diese Probleme angehen.
Ähnlich wie das oben besprochene Re-Ranking funktioniert LTR auch auf der Grundlage der Idee, dass die Datensätze, mit denen Suchende interagieren, sind besser als diejenigen, mit denen sie nicht interagieren.
Die frühere Re-Ranking-Methode funktioniert, indem Ergebnisse direkt verstärkt oder ausgeblendet werden, wenn sie an eine bestimmte Suchanfrage gebunden sind.
In der Zwischenzeit ist LTR viel flexibler. Es funktioniert, indem Ergebnisse basierend auf anderen beliebten Ergebnissen verstärkt oder ausgeblendet werden.
LTR verwendet maschinelles Lernen, um zu verstehen, welche Suchanfragen ähnlich sind (z. B. „Videospiele” und “Spielkonsole”).
Er kann dann die Ergebnisse für weniger beliebte Suchanfragen basierend auf Interaktionen mit häufigeren Suchanfragen neu einstufen.
LTR verallgemeinert nicht nur Suchanfragen; es verallgemeinert auch auf Aufzeichnungen.
Das LTR-Modell lernt, dass ein bestimmter Ergebnistyp beliebt ist; beispielsweise das Nintendo Switch-Spiel „Legend of Zelda: Breath of the Wild“
Dann kann es beginnen, eine Verbindung zu anderen ähnlichen Ergebnissen herzustellen (z. B. “Legend of Zelda: Skyward Sword“). 😉 und steigern Sie diese.
Warum sollten Sie dann nicht einfach LTR verwenden, wenn es viel leistungsfähiger zu sein scheint als Ihr typisches Re-Ranking und mehr Abfrage- und Datensatzabdeckung bietet?
(Mit anderen Worten: Es generalisiert besser.)
Kurz gesagt, LTR ist viel komplexer und erfordert spezialisierteres internes Know-how im Bereich maschinelles Lernen (ML).
Außerdem ist es schwieriger zu verstehen, warum bestimmte Ergebnisse an bestimmten Stellen eingestuft werden.
Mit der ersten Art des Rerankings könnten Sie die Anzahl der Klicks und Konversionen im Laufe der Zeit für einen Datensatz im Vergleich zu einem anderen betrachten.
In der Zwischenzeit haben Sie mit LTR ein ML-Modell, das diese Verbindungen herstellt möglicherweise nicht immer offensichtlich.
(Sind „Breath of the Wild” und „Sonic Colors” wirklich so ähnlich?)
Personalisierung
Während das Re-Ranking für alle Suchenden funktioniert, ist Personalisierung das, was es klingt wie: persönlich.
Das Ziel der Personalisierung besteht darin, Ergebnisse, die bereits relevant sind, zu nehmen und sie basierend auf persönlichen Vorlieben neu zu ordnen.
Während es eine Debatte darüber gibt, wie viel Websuche erforderlich ist Suchmaschinen wie Google verwenden Personalisierung in ihren Ergebnissen, Personalisierung wirkt sich oft auf die Leistung von Ergebnissen in Suchmaschinen auf der Website aus.
Es ist ein nützlicher Mechanismus zur Steigerung von Suchinteraktionen und Conversions aus der Suche.
Suchanalyse
Genau wie bei der Neubewertung hängt die Personalisierung davon ab, zu verstehen, wie Benutzer mit Suchergebnissen interagieren.
p>
Durch das Tracking von Klicks und Conversions haben Sie eine klarere Vorstellung davon, welche Art von Ergebnissen der Nutzer sehen möchte.
Ein bedeutender Unterschied zwischen Re-Ranking und Personalisierung an dieser Front besteht darin, dass Sie abhängig von Ihrer Suche möglicherweise anpassen möchten, wie Sie Personalisierung anwenden.
Wenn Sie beispielsweise Lebensmittel verkaufen, möchten Sie auf jeden Fall empfehlen zuvor gekaufte Produkte.
Aber wenn Ihre Website Bücher verkauft, möchten Sie kein Buch empfehlen, das ein Kunde bereits gekauft hat. Vielleicht möchten Sie diese Bücher sogar in den Suchergebnissen nach unten verschieben.
Es stimmt jedoch auch, dass Sie die Personalisierung nicht so stark forcieren sollten, dass Benutzer nur sehen, womit sie interagiert haben vorher.
Die Suche ermöglicht sowohl das Finden als auch das Entdecken. Wenn sie also zur Suchleiste zurückkehren, sollten Sie offen sein für die Möglichkeit, dass sie etwas Neues sehen möchten.
Rangen Sie Ergebnisse nicht ausschließlich über Personalisierung; Mischen Sie es mit anderen Ranking-Signalen.
Genauso wie beim Re-Ranking profitiert auch die Personalisierung vom Verfall von Ereignissen.
Durch die Verringerung des Einflusses älterer Ereignisse wird eine Suche genauer dargestellt aktuellen Vorlieben des Benutzers.
In gewisser Weise kann man sich das als persönliche Saisonabhängigkeit vorstellen.
Personalisierung über mehrere Benutzer hinweg
Die Art der Personalisierung, die wir bisher gesehen haben, basiert auf den eigenen Interaktionen einer Person, Sie können es aber auch mit dem kombinieren, was andere innerhalb der Suche tun.
Dieser Ansatz zeigt eine übergroße Auswirkung auf Situationen, in denen der Benutzer noch nie mit den Elementen in den Suchergebnissen interagiert hat.
Da der Nutzer nicht mit den Suchergebnissen interagiert, können Sie definitionsgemäß nicht basierend auf vergangenen Interaktionen Boosten oder Beseitigen.
Stattdessen können Sie sich Nutzer ansehen, die dem aktuellen Nutzer ähnlich sind und dann personalisieren, basierend darauf, womit sie interagiert haben.
Nehmen wir zum Beispiel an, Sie haben einen Benutzer, der noch nie wegen Kleidern zu Ihnen gekommen ist, aber viele Handtaschen gekauft hat.
Dann können Sie Suchen Sie nach anderen Benutzern, die einen ähnlichen Geschmack haben und auch mit Kleidern interagiert haben.
Intuitiv sollten andere Kunden, die die gleiche Art von Handtaschen wie unser Suchender mögen, auch die gleichen Kleider mögen.
Neueinstufung und Personalisierung zur Entdeckung
Die Suche ist nur ein Beispiel dafür, wie Neueinstufung und Personalisierung Wirkung zeigen können. Sie können dieselben Tools auch zum Auffinden verwenden.
Das Geheimnis besteht darin, Ihre Homepage und Kategorieseiten als Suchergebnisse zu betrachten.
Dann ist klar, dass Sie dies können Verwenden Sie die gleichen Tools wie für die Suche und profitieren Sie von den gleichen Vorteilen.
Eine Startseite ähnelt beispielsweise einer Suchseite ohne Abfrage, nicht wahr? Und eine Kategorie-Landingpage sieht wirklich wie eine Suchseite aus, auf die ein Kategoriefilter angewendet wurde.
Wenn Sie diese Seiten personalisieren und neu einstufen, können sie weniger statisch sein. Sie stellen den Benutzern das zur Verfügung, was sie am liebsten sehen, und sie können Artikel nach oben schieben, die bei den Kunden insgesamt beliebter sind.
Und keine Sorge, Personalisierung und Neuranking können sich mit redaktionellen Entscheidungen auf diesen Seiten vermischen oder innerhalb der Suche.
Der beste Weg, dies zu handhaben, besteht darin, die gewünschten Ergebnisse an bestimmten Stellen zu fixieren und um sie herum neu zu ordnen.
Wir haben diese Personalisierung und Neuordnung gesehen sind zwei Ansätze, die Benutzerinteraktionen mit relevanten Signalen nutzen, um die Suche zu verbessern.
Sie können Ihre Benutzerbasis das Ergebnis beeinflussen lassen, indem Sie die Interaktionen verwenden.
Nach und nach sagen diese Interaktionen aus der Suchmaschine, welche Artikel höher eingestuft werden sollen.
Letztendlich profitieren Suchende von einem besseren Sucherlebnis und Sie von mehr Klicks und Conversions.