AccuRanker yapay zeka ile arama amacını nasıl belirliyor?

Aşağıdaki makale size yeni AccuRanker (AI tabanlı) arama amacı özelliği hakkında bir fikir verecektir.

Bu makaleyi daha iyi anlamak için öncelikle diğer makalemizi okumanızı öneririz: Arama Niyeti Nedir? Burada, Google'ın hedeflediği arama amacını anahtar kelimeden çok SERP'e (arama motoru sonuç sayfası) bakarak sınıflandırdığımızı öğreneceksiniz. Ayrıca, arama amacının zaman içinde neden değişebileceğini ve tek bir SERP/anahtar kelime için birden fazla amaca sahip olmanın mümkün olduğunu öğreneceksiniz.

Bu makalenin geri kalanında, bir anahtar kelimenin farklı SERP'leri olabilse de, kısa olması için bir SERP/anahtar kelime çiftinden anahtar kelime olarak bahsedeceğiz.

Giriş

Arama amacı incelikli bir konudur. Ve Google'ın belirli bir anahtar kelime için hedeflediği amacı bulmak için bir dizi sabit kural oluşturmak neredeyse imkansızdır. Neyse ki, son on yılda yapay zeka ve makine öğrenimi alanındaki gelişmeler yeni yöntemleri mümkün kılıyor. Artık AccuRanker'ın her gün işlediği muazzam miktardaki SERP verilerini bir makine öğrenimi modelini 'eğitmek' için kullanmak üzere doğru araç setine sahibiz.

Arama amacı modelinin arkasında

Yeni arama amacı modeli için eğitim verisi olarak, etiketlenmemiş ve elle etiketlenmiş verilerin bir kombinasyonunu kullandık. Bu veri kümesi, ilgili SERP verileriyle birlikte insan uzmanlar tarafından etiketlenen anahtar kelimeler için arama amacından oluşur. Makine öğrenimi teknikleri ile örüntüler ortaya çıkar. Bu örüntüler, eğitim veri kümesi dışındaki anahtar kelimeler için arama amacını bulmak için kullanılabilecek bir modele dönüştürülür.

Bir makine öğrenimi modeli kullanmak, arama amacını kural tabanlı yaklaşımlardan daha yüksek bir hassasiyetle tahmin etmemizi sağlar. Ancak %100 kesinliğe ulaşmak birçok nedenden dolayı imkansızdır. Bu nedenlerden bazıları şunlardır:

• SERP'lere bakan insanlar bile (%40'a kadar) arama amacı konusunda hemfikir değildir.
• SERP birden fazla amaç gösterebilir.
• Farklı arama amacı kategorilerinin tanımında her zaman %100 uyum yoktur.

AccuRanker tanımlarını örneklerle özetlemeyi denedik. Bu tanımları kullanarak ve makine öğrenimi modelini bu etiketlere göre değerlendirerek, elle etiketlenmiş verilerle %90'dan fazla bir uyum sağlayabiliyoruz. Ve farklılıkları gözden geçirirken genellikle makine öğrenimi modeliyle insan etiketinden daha fazla hemfikir olma eğilimindeyiz.

Arama amacını hangi özellikler belirler?

Yeni AccuRanker arama amacı modeli, arama amacını anlamak için SERP'in yüzden fazla özelliğini kullanır. Bu özellikler birbirine bağlıdır ve bu nedenle nasıl çalıştıklarını ayrıntılı olarak açıklamak kolay değildir. Eğer durum böyle olsaydı, kural tabanlı bir yaklaşım da kullanabilirdik.

Bu özellikler arasında anahtar kelimeler, başlıklar, URL'ler ve açıklamalardaki özel kelimeler (birden fazla dile çevrilmiş) ile SERP özellikleri ve tıklama başına maliyet ve AdWords rekabeti gibi diğer SERP meta verileri yer almaktadır.

Yeni arama amacı modelini anlamanın bir yolu, özelliklerin farklı durumlarda model çıktısını nasıl etkilediğine ilişkin SHAP görselleştirmelerine bakmaktır.

Hangi özelliklerin arama amacını belirlediğini görselleştirme

Aşağıdaki resim, amacın işlemsel olup olmadığını belirleyen ilk yirmi özelliği göstermektedir.

Burada, yeni arama amacı modelinin iç yüzünü ve kararların nasıl alındığını görebilirsiniz. Bu biraz basitleştirilmiş bir şekilde gösterilmiştir.

Grafik aşağıdaki gibi okunur:

• Y ekseninde, bir anahtar kelimenin işlem kategorisine ait olup olmadığını bulmak için en etkili özelliklere sahipsiniz.
• X ekseninde, her bir özelliğin model çıktısı üzerindeki etkisinin negatiften pozitife doğru gittiğini görüyorsunuz. Dikey çizgi negatif ve pozitif etkiyi birbirinden ayırır.
• Her nokta bir anahtar kelimeye karşılık gelir. Noktanın rengi, bu anahtar kelime için ilgili özelliğin değeriyle eşleşir. Kırmızı yüksek değer, mavi ise düşük değer anlamına gelmektedir.

İşlemsel niyet

Bir önceki paragrafta yer alan grafik, arama amacının işlemsel olup olmadığını hangi özelliklerin belirlediğini göstermektedir. Bu grafiği inceleyelim ve AdWords'teki rekabeti (competition_adwords) örnek olarak alalım.

Grafikte competition_adowrds öğesinin yanında, dikey çizginin sağında kırmızı noktalar olduğunu görüyorsunuz. Bu, AdWords'teki yüksek rekabetin (kırmızı bir nokta) işlemsel bir anahtar kelime olma olasılığını (dikey çizginin sağında) artırdığı anlamına gelir.

Öte yandan, öne çıkan snippet 'in (pagefeaturedsnippet) varlığına bir göz atın. Bu değer yüksekse (kırmızı nokta), SERP'te öne çıkan bir snippet var demektir. Kırmızı noktaların tümü dikey çizginin solundadır. Bu, öne çıkan bir snippet olduğunda işlemsel bir anahtar kelime olma olasılığının daha düşük olduğu anlamına gelir.

Grafikte görebileceğiniz diğer şeyler ise Amazon'un bir veya daha fazla kez (urlscountamazon.) mevcut olmasının SERP'in işlemsel olma olasılığını artırdığı ve Wikipedia için bunun tam tersinin geçerli olduğudur.

Bu bulgular şaşırtıcı değildir. İşin güzel yanı, makine öğrenimi modeline bunların hiçbirinin önceden söylenmemiş olmasıdır. Verilerden çıkarım yapmıştır. Buna ek olarak, farklı özellikler arasındaki ilişkiyi de çıkarmıştır. Noktaların üst üste olmak yerine x ekseninde yayıldığına dikkat edin. Bunun nedeni, SERP özelliklerinin model üzerindeki etkisinin SERP'te başka hangi özelliklerin bulunduğuna bağlı olmasıdır. Dolayısıyla, AdWords'te yüksek rekabet olduğu için model, anahtar kelimenin mutlaka işlemsel olduğu sonucuna varmayacaktır.

Bilgilendirme amacı

Spektrumun diğer ucunda, amacın bilgi amaçlı olup olmadığını belirleyen ilk yirmi özelliği görebilirsiniz.

Burada, AdWords'teki rekabetin yüksek olmasının bilgi amaçlı olma ihtimalinin düşük olduğu anlamına geldiğini görüyorsunuz. Ayrıca, video karuselleri, ilgili sorular ve öne çıkan snippet 'ler gibi özelliklerin bilgi amaçlı SERP'ler için yaygın olduğunu görüyorsunuz.

Öte yandan, "en iyi" kelimesi tipik olarak bilgilendirme amacından ziyade ticari amacı gösterir. Aynı durum inceleme SERP özelliği ve yerel sonuçlar (pagemapslocal) için de geçerlidir.

Bir başka ilginç bilgi de, Facebook SERP'in bir parçası olduğunda, bunun genellikle bilgi amaçlı olmadığıdır. Bunun yerine, gezinme amacı söz konusudur.

Gezinme amacı

Gezinme amacı için aşağıdaki tabloyu görebilirsiniz.

Açıkçası, site bağlantıları genellikle gezinme amacı ile ilişkilidir. Bilgi panellerinin genellikle gezinme amaçlı anahtar kelimeler için mevcut olduğunu da görebilirsiniz. Ancak bilgi amaçlı anahtar kelimeler için de sıklıkla mevcutturlar.

LinkedIn, Twitter ve Facebook genellikle gezinme amaçlı SERP'lerde görünür. Yerel sonuçlar ve hakkında sonuçlar da gezinme amacı ile ilişkilidir. Yerel sonuçların da bağlama bağlı olarak ticari amaçla ilişkili olduğunu unutmayın.

AdWords'te, öne çıkan snippet'lerde veya küçük resimlerde gezinme amacı için genellikle yüksek rekabet olmayacaktır.

Ancak her kuralın her zaman bir istisnası olduğunu unutmayın. Ve diğer amaçları gösteren özelliklere sahip gezinme amaçlı bir anahtar kelimeye kolayca sahip olabileceğinizi unutmayın. Grafikler ve örnekler, her bir amaç türü için genel göstergeler sunmaktadır.

Ayrıca, arama amacına yönelik diğer yaklaşımların aksine, AccuRanker modelindeki özelliklerin birbirine bağlı olabileceğini ve bir arama amacı türünü daha az olası hale getirebileceğini de fark edeceksiniz. Böyle bir modelin oluşturulması, AccuRanker'ın büyük miktardaki verisinin gelişmiş makine öğrenimi teknikleriyle birlikte kullanılmasıyla mümkündür.

Ticari amaç

Ticari amaç için, çoğunlukla daha önce açıkladığımız öğeleri göreceksiniz.

Daha spesifik olarak, yerel sonuçlar (maps_local) genellikle ticari amaçla ilişkilendirilir. Aynı şey "top" ve "best" gibi kelimeler ile SSS ve incelemeler gibi SERP özellikleri için de söylenebilir.

Öte yandan, genellikle "satın al" veya "satış" gibi kelimeleri görmezsiniz. Ya da Amazon, Facebook veya Wikipedia gibi alan adları.

Toparlama

Bu makale size yeni AccuRanker (AI tabanlı) arama amacı özelliği hakkında bir fikir verdi. Modelin nasıl çalıştığına ve ne tür özelliklerin farklı arama amacı türlerini hem olumlu hem de olumsuz yönde etkilediğine dair bileşenler sunuldu.

Yeni arama amacı özelliğine herhangi bir kural söylenmiyor veya öğretilmiyor. Bunun yerine model, çok sayıda örnekle örüntü eşleştirmesi yaparak kendi kurallarını keşfetmektedir. Basitçe söylemek gerekirse, yeni arama amacı modeli verilerden öğrenir. Kesin arama amacı etiketlerine sahip olmak, anahtar kelimeleri amaca göre gruplandırmanıza ve hedeflemenize olanak tanır. İçerik oluştururken bu çok önemlidir.