Come AccuRanker determina l'intento di ricerca con l'AI

Il seguente articolo offre una panoramica sulla nuova funzione AccuRanker (basata sull'intelligenza artificiale) di search intent.

Per comprendere meglio questo articolo, vi consigliamo di leggere prima il nostro altro articolo: Cos'è l'intento di ricerca? Qui imparerete che classifichiamo l'intento di ricerca a cui Google si rivolge osservando la SERP (pagina dei risultati del motore di ricerca) più che la parola chiave. Imparerete anche perché l'intento di ricerca può cambiare nel tempo e che è possibile avere più intenti per una singola SERP/parola chiave.

Nel resto dell'articolo, per brevità, ci riferiremo a una coppia SERP/parola chiave come a una parola chiave, anche se una parola chiave può avere SERP diverse.

Introduzione

L'intento di ricerca è un argomento ricco di sfumature. E stabilire una serie di regole fisse per individuare l'intento a cui Google si rivolge per una determinata parola chiave è quasi impossibile. Fortunatamente, gli sviluppi nel campo dell'intelligenza artificiale e dell'apprendimento automatico dell'ultimo decennio rendono possibili nuovi metodi. Ora disponiamo degli strumenti giusti per utilizzare le enormi quantità di dati SERP che AccuRanker elabora quotidianamente per "addestrare" un modello di apprendimento automatico.

Dietro il modello di intento di ricerca

Come dati di addestramento per il nuovo modello di search intent, abbiamo utilizzato una combinazione di dati non etichettati e etichettati a mano. Questo set di dati è costituito dall'intento di ricerca per le parole chiave etichettate da esperti umani e dai dati delle SERP corrispondenti. Con le tecniche di apprendimento automatico, appaiono dei modelli. Questi modelli vengono tradotti in un modello che può essere utilizzato per trovare l'intento di ricerca delle parole chiave al di fuori del dataset di addestramento.

L'utilizzo di un modello di apprendimento automatico ci consente di prevedere l'intento di ricerca con maggiore precisione rispetto agli approcci basati su regole. Tuttavia, raggiungere il 100% di precisione è impossibile per molte ragioni. Alcuni di questi motivi sono:

• Anche gli esseri umani (fino al 40%) che guardano le SERP non sono d'accordo sull'intento di ricerca.
• La SERP può visualizzare più intenti.
• Non sempre c'è un allineamento al 100% sulla definizione delle diverse categorie di intento di ricerca.

Abbiamo provato a delineare le definizioni di AccuRanker con degli esempi. Utilizzando queste definizioni e valutando il modello di apprendimento automatico rispetto a queste etichette, possiamo raggiungere un accordo con i dati etichettati a mano superiore al 90%. Inoltre, spesso siamo più inclini a concordare con il modello di apprendimento automatico che con l'etichetta umana quando esaminiamo le differenze.

Quali caratteristiche determinano l'intento di ricerca

Il nuovo modello di intento di ricerca di AccuRanker utilizza più di cento caratteristiche della SERP per capire l'intento di ricerca. Queste caratteristiche sono interdipendenti e non è quindi facile spiegare in dettaglio il loro funzionamento. Se così fosse, tanto varrebbe utilizzare un approccio basato su regole.

Le caratteristiche includono parole speciali (tradotte in più lingue) nelle parole chiave, nei titoli, negli URL e nelle descrizioni, nonché le caratteristiche della SERP e altri metadati della SERP come il costo per clic e la concorrenza AdWords.

Un modo per comprendere il nuovo modello di intento di ricerca è quello di osservare le visualizzazioni SHAP di come le caratteristiche influiscono sul risultato del modello in diversi casi.

Visualizzazione delle caratteristiche che determinano l'intento di ricerca

L'immagine seguente mostra le prime venti caratteristiche che determinano se l'intento è transazionale.

Qui si vede l'interno del nuovo modello di intento di ricerca e come vengono prese le decisioni. Il tutto viene mostrato in modo leggermente semplificato.

Il grafico si legge come segue:

• Sull'asse delle ordinate si trovano le caratteristiche più importanti per stabilire se una parola chiave appartiene alla categoria transazionale.
• Sull'asse delle ascisse, si vede l'impatto sull'output del modello delle singole caratteristiche, da negativo a positivo. La linea verticale separa l'impatto negativo da quello positivo.
• Ogni punto corrisponde a una parola chiave. Il colore del punto corrisponde al valore della caratteristica corrispondente per questa parola chiave. Il rosso indica un valore elevato, il blu un valore basso.

Intento transazionale

Il grafico del paragrafo precedente ha mostrato quali caratteristiche determinano se l'intento di ricerca è transazionale. Esaminiamo questo grafico e prendiamo come esempio la concorrenza su AdWords (competition_adwords).

Nel grafico, accanto a competition_adowrds, si notano dei punti rossi a destra della linea verticale. Ciò significa che un'elevata concorrenza su AdWords (un punto rosso) rende più probabile una parola chiave transazionale (a destra della linea verticale).

D'altra parte, osservate la presenza di un [featured snippet (https://www.accuranker.com/it/aiuto/caratteristiche-della-serp/google-snippet-in-primo-piano) pagefeaturedsnippet). Se questo valore è alto (punto rosso) significa che c'è un featured snippet nella SERP. I punti rossi sono tutti a sinistra della linea verticale. Ciò significa che è meno probabile che si tratti di una parola chiave transazionale quando c'è un featured snippet.

Un'altra cosa che si può notare nel grafico è che la presenza di Amazon una o più volte (urlscountamazon.) rende più probabile che la SERP sia transazionale, mentre il contrario è vero per Wikipedia.

Questi risultati non sono sorprendenti. La cosa interessante è che al modello di apprendimento automatico non è stato detto nulla di tutto ciò in anticipo. Lo ha dedotto dai dati. Inoltre, ha dedotto la relazione tra le diverse caratteristiche. Si noti che i punti sono distribuiti sull'asse delle ascisse invece di essere uno sopra l'altro. Questo perché l'impatto delle caratteristiche della SERP sul modello dipende dalle altre caratteristiche presenti nella SERP. Quindi, solo perché c'è un'alta concorrenza su AdWords, il modello non concluderà necessariamente che la parola chiave è transazionale.

Intento informativo

All'altra estremità dello spettro, si possono vedere le prime venti caratteristiche che determinano se l'intento è informativo.

In questo caso, si nota che un'elevata concorrenza su AdWords significa che è improbabile che si tratti di un intento informativo. Si nota anche che caratteristiche come caroselli di video, domande correlate e featured snippet sono prevalenti nelle SERP con intento informativo.

D'altra parte, la parola "migliore" indica tipicamente un intento commerciale piuttosto che informativo. Lo stesso vale per le SERP di recensioni e per i risultati locali (pagemapslocal).

Un altro aspetto interessante è che quando Facebook fa parte della SERP, in genere non si tratta di un intento informativo. Si tratta invece di un intento di navigazione.

Intento di navigazione

Per quanto riguarda l'intento di navigazione, si può osservare il grafico seguente.

Ovviamente, i sitelink sono spesso associati all'intento di navigazione. Si può anche notare che i knowledge panel sono spesso presenti per le parole chiave con intento di navigazione. Ma sono spesso presenti anche per le parole chiave informative.

LinkedIn, Twitter e Facebook compaiono spesso nelle SERP con intento di navigazione. Anche i risultati locali e i risultati su sono associati all'intento di navigazione. Si noti che i risultati locali sono associati anche a intenti commerciali, a seconda del contesto.

In genere non c'è un'elevata concorrenza su AdWords, sui featured snippet o sulle miniature per l'intento di navigazione.

Ma ricordate che c'è sempre un'eccezione a ogni regola. E che è facile che una parola chiave con intento di navigazione abbia caratteristiche che mostrano altri intenti. I grafici e gli esempi forniscono indicazioni generali per ogni tipo di intento.

Si noterà inoltre che, a differenza della maggior parte degli altri approcci all'intento di ricerca, le caratteristiche del modello AccuRanker possono essere interdipendenti e possono anche rendere meno probabile un tipo di intento di ricerca. La creazione di un modello di questo tipo è possibile utilizzando la vasta quantità di dati di AccuRanker in combinazione con tecniche avanzate di apprendimento automatico.

Intento commerciale

Per quanto riguarda l'intento commerciale, si vedranno per lo più gli elementi che abbiamo già descritto.

In particolare, i risultati locali (maps_local) sono spesso associati a intenti commerciali. Lo stesso si può dire per parole come "top" e "best" e per caratteristiche della SERP come le FAQ e le recensioni.

D'altra parte, in genere non si vedono parole come "buy" o "sale". O domini come Amazon, Facebook o Wikipedia.

Per concludere

Questo articolo vi ha fornito una panoramica della nuova funzione AccuRanker (basata sull'intelligenza artificiale) di search intent. Ha presentato i componenti del funzionamento del modello e il tipo di caratteristiche che influenzano i diversi tipi di intento di ricerca, sia in senso positivo che negativo.

Alla nuova funzionalità di ricerca non vengono impartite o insegnate regole. Al contrario, il modello scopre le proprie regole attraverso un pattern matching con un gran numero di esempi. In poche parole, il nuovo modello di intento di ricerca impara dai dati. Disporre di etichette precise sugli intenti di ricerca consente di raggruppare e indirizzare le parole chiave in base agli intenti. E questo è fondamentale quando si creano contenuti.