ستساعدك المقالة التالية: إعادة ترتيب الذكاء الاصطناعي للبحث الدلالي
لا يقتصر البحث على مطابقة الكلمات الرئيسية فقط – وهذا صحيح أكثر عندما نتحدث عن البحث الدلالي.
البحث الدلالي يدور حول العثور على المعلومات الصحيحة للباحث في الوقت المناسب.
يتجاوز ذلك العثور على الكلمات الرئيسية والمفاهيم الصحيحة والتكهن بكيفية تفاعل الباحثين مع النتائج.
ستأخذ إعادة ترتيب الذكاء الاصطناعي (AI) معلومات حول الأشخاص الذين يأتون للبحث وتخصيص نتائج البحث للفرد.
ويمكن القيام بذلك على مستوى المجموعة، وتغيير النتائج بناءً على الاتجاهات والموسمية والشعبية.
ويمكن أيضًا أن يتم ذلك بشكل فردي، مع تغيير النتائج بناءً على رغبات الباحث الحالي.
في حين أن إعادة الترتيب باستخدام الذكاء الاصطناعي ليس من السهل تنفيذها في محرك البحث، إلا أنها توفر قيمة كبيرة للتحويلات ورضا البحث.
إعادة الترتيب باستخدام الذكاء الاصطناعي
يمكن أن تؤدي إعادة التصنيف المعتمدة على الذكاء الاصطناعي إلى تحسين نتائج البحث، بغض النظر عن خوارزمية التصنيف الأساسية التي يستخدمها محرك البحث.
وذلك لأن نتائج البحث الجيدة هي أكثر من مجرد ملاءمة النص ومقاييس الأعمال مثل الشعبية الأولية.
تأخذ النتائج الجيدة في الاعتبار الإشارات الأخرى وتفعل ذلك على مستوى كل استعلام.
لمعرفة سبب أهمية ذلك، دعونا نركز على مقياس الأعمال الخاص بالشعبية.
إنها إشارة تصنيف عامة جيدة ولكنها قد لا تكون كافية لاستعلامات محددة. قد يظهر استعلام بحث عن “فستان أحمر” في النتائج الأولى فستانين مختلفين: “فستان بدون ظهر مع لمسات حمراء” و”فستان صيفي باللون الأحمر الفاتح”.
قد يكون الفستان بدون ظهر أكثر شيوعًا باعتباره فستانًا ومنتجًا شاملاً.
ولكن في هذه الحالة، على وجه التحديد، ليس هذا ما يريده العملاء.
إنهم يريدون فستانًا أحمر، وليس فستانًا به لمسات حمراء، ويقومون بالنقر والشراء وفقًا لذلك.
ألا ينبغي لمحرك البحث أن يأخذ ذلك كإشارة لتصنيف فستان الصيف في مرتبة أعلى؟
تحليلات البحث
كما يوضح المثال أعلاه: إن فهم ما يفعله الباحثون أمر ضروري لإعادة التصنيف.
الحدثان الأكثر شيوعًا اللذين يجب تتبعهما هما النقرات والتحويلات.
بشكل عام، هذان هما الحدثان الوحيدان الضروريان ويجب أن يكونا حدثين قادمين من البحث.
يسلط المثال أعلاه الضوء أيضًا على اعتبار مهم آخر: يجب أن تكون الأحداث مرتبطة باستعلامات محددة.
يتيح ذلك لمحرك البحث التعلم من التفاعل بين مجموعات النتائج المختلفة وتفاعلات المستخدم. إنه يدفع الفستان الصيفي إلى أعلى نتائج البحث عن استعلام “الفستان الأحمر”.
قد يكون المنتج نفسه أقل شيوعًا بالنسبة لطلبات البحث الأخرى مقارنة بالمنتجات المجاورة له.
عند النظر إلى أحداثك المختلفة، ستحتاج إلى وزنها بشكل مختلف أيضًا.
يعد النقر على إحدى النتائج علامة على الاهتمام، بينما يعد إجراء عملية شراء (أو أي مقياس تحويل آخر) علامة على الالتزام.
وينبغي أن يعكس الترتيب ذلك.
الترجيح لا يحتاج إلى أن يكون معقدا.
يمكنك أن تقول بكل بساطة أن التحويلات تستحق النقرات المزدوجة.
يجب عليك اختبار النسبة الصحيحة لبحثك الخاص.
قد ترغب أيضًا في خصم الأحداث بناءً على تصنيف النتائج في الوقت الذي شاهده فيه الباحث.
نحن نعلم أن موضع النتيجة يؤثر على نسبة النقر إلى الظهور (CTR).
بدون استبعاد الأحداث، قد يكون لديك موقف تصبح فيه النتائج العليا أكثر رسوخًا لأنها تحصل على المزيد من التفاعلات، مما يجعلها في مرتبة أعلى – وتتكرر بلا حدود.
النضارة والموسمية
إحدى الطرق البسيطة لمكافحة هذه الحلقة ذاتية التعزيز هي خصم الأحداث بناءً على الوقت المنقضي منذ وقوع الحدث.
يحدث ذلك لأن كل حدث وقع في الماضي له تأثير ضئيل بشكل متزايد على إعادة الترتيب. أي حتى، في مرحلة ما، لا يكون لها أي تأثير على الإطلاق.
على سبيل المثال، يمكنك تقسيم تأثير كل حدث على اثنين، كل يوم، لمدة 30 يومًا. وبعد 30 يومًا، توقف عن استخدام الحدث للتصنيف.
من المزايا الرائعة لاستخدام الحداثة في خوارزمية إعادة الترتيب أنها تقدم أيضًا موسمية في النتائج.
لن تتوقف فقط عن التوصية بمقاطع الفيديو التي كانت تحظى بشعبية كبيرة منذ سنوات مضت ولكنها أصبحت مملة للناس اليوم؛ ستوصي أيضًا بمقاطع فيديو “تعلم كيفية السباحة” في الصيف، ومقاطع فيديو “تعلم التزلج” في الشتاء.
YouTube يحتوي على موسمية ونضارة مدمجة في خوارزميته خصيصًا لهذا الغرض.
استخدام الإشارات لإعادة الترتيب
الآن بعد أن حصلت على الإشارات واضمحلالها بمرور الوقت، يمكنك تطبيقها على نتائج البحث.
عندما نرى “الذكاء الاصطناعي”، فإننا غالبًا ما نفكر في شيء معقد وغامض بشكل لا يصدق.
ومع ذلك، يمكن أن يكون الذكاء الاصطناعي بسيطًا مثل أخذ البيانات بمرور الوقت واستخدامها لاتخاذ القرارات، كما نفعل هنا.
أحد الأساليب السهلة هو أخذ عدد معين من النتائج وإعادة ترتيبها ببساطة بناءً على النتيجة.
لأسباب تتعلق بالأداء، سيكون هذا العدد من النتائج صغيرًا بشكل عام (10، وربما 20). ثم رتبهم حسب النتيجة.
كما ناقشنا أعلاه، يمكن أن تكون النتيجة بسيطة مثل جمع عدد التحويلات مرتين، بالإضافة إلى عدد النقرات.
تؤدي إضافة دالة الاضمحلال إلى مزيد من التعقيد، كما هو الحال مع الخصم بناءً على موضع النتيجة – ولكن ينطبق نفس المبدأ العام.
تعلم الترتيب
عيب نظام إعادة التصنيف هذا هو أنك مقيد بإعادة ترتيب عدد أقل من النتائج.
إذا كانت لديك نتيجة من شأنها أن تحظى بشعبية كبيرة ولكنها ليست ذات تصنيف مرتفع، فلن تحظى هذه النتيجة بالاهتمام الذي تستحقه.
يتطلب هذا النظام أيضًا أحداثًا على السجلات والاستعلامات التي تريد إعادة ترتيبها.
لن يعمل هذا مع عمليات إطلاق المنتجات الجديدة تمامًا أو المحتوى الذي ينشئه المستخدمون (UGC) والذي غالبًا ما يدخل ويخرج من فهرس البحث.
يمكن لتعلم التصنيف (LTR) معالجة هذه المشكلات.
تمامًا مثل إعادة التصنيف التي ناقشناها أعلاه، يعمل LTR أيضًا بناءً على فكرة أن الباحثين عن السجلات الذين يتفاعلون معهم أفضل من أولئك الذين لا يتفاعلون معهم.
تعمل طريقة إعادة التصنيف السابقة عن طريق تعزيز النتائج أو دفنها مباشرةً عند ربطها باستعلام محدد.
وفي الوقت نفسه، يعتبر LTR أكثر مرونة. إنه يعمل عن طريق تعزيز النتائج أو دفنها بناءً على النتائج الشائعة الأخرى.
يستخدم LTR التعلم الآلي لفهم الاستعلامات المتشابهة (على سبيل المثال، “ألعاب الفيديو” و”وحدة التحكم في الألعاب”).
ويمكنه بعد ذلك إعادة ترتيب النتائج على الاستعلامات الأقل شيوعًا استنادًا إلى التفاعلات مع الاستعلامات الأكثر شيوعًا.
لا يقوم LTR بالتعميم فقط على الاستعلامات؛ إنه يعمم على السجلات أيضًا.
يتعلم نموذج LTR أن هناك نوعًا معينًا من النتائج شائعًا؛ على سبيل المثال، Nintendo Switch لعبة “أسطورة زيلدا: بريث أوف ذا وايلد”.
بعد ذلك، يمكنه البدء في الاتصال بنتائج أخرى مماثلة (على سبيل المثال، “Legend of Zelda: Skyward Sword”) وتعزيزها.
لماذا، إذن، لا تستخدم فقط LTR إذا كانت تبدو أقوى بكثير من إعادة التصنيف النموذجية الخاصة بك وتوفر المزيد من تغطية الاستعلام والسجل؟
(وبعبارة أخرى: إنه يعمم بشكل أفضل.)
باختصار، يعد LTR أكثر تعقيدًا ويحتاج إلى خبرة داخلية أكثر تخصصًا في التعلم الآلي (ML).
بالإضافة إلى ذلك، يعد فهم سبب تصنيف نتائج معينة في أماكن معينة أمرًا أكثر صعوبة.
مع النوع الأول من إعادة الترتيب، يمكنك الاطلاع على عدد النقرات والتحويلات بمرور الوقت لسجل واحد مقارنة بسجل آخر.
وفي الوقت نفسه، مع LTR، لديك نموذج ML الذي يقوم بإجراء اتصالات قد لا تكون واضحة دائمًا.
(هل “Breath of the Wild” و”Sonic Colors” متشابهان حقًا؟)
إضفاء الطابع الشخصي
على الرغم من أن إعادة التصنيف تعمل عبر جميع الباحثين، إلا أن التخصيص هو كما يبدو: شخصي.
الهدف من التخصيص هو الحصول على النتائج ذات الصلة بالفعل وإعادة ترتيبها بناءً على الأذواق الشخصية.
على الرغم من وجود جدل حول مدى استخدام محركات بحث الويب مثل Google للتخصيص في نتائجها، إلا أن التخصيص غالبًا ما يكون كذلك يؤثر على أداء النتائج في محركات البحث الموجودة بالموقع.
إنها آلية مفيدة لزيادة تفاعلات البحث والتحويلات من البحث.
تحليلات البحث
كما هو الحال مع إعادة التصنيف، يعتمد التخصيص على فهم كيفية تفاعل المستخدمين مع نتائج البحث.
ومن خلال تتبع النقرات والتحويلات، سيكون لديك فكرة أوضح عن أنواع النتائج التي يريد المستخدم رؤيتها.
أحد الاختلافات المهمة بين إعادة التصنيف والتخصيص على هذه الجبهة هو أنه، اعتمادًا على بحثك، قد ترغب في ضبط كيفية تطبيق التخصيص.
على سبيل المثال، إذا كنت تبيع البقالة، فأنت بالتأكيد تريد أن توصي بالمنتجات التي تم شراؤها مسبقًا.
ولكن إذا كان موقع الويب الخاص بك يبيع كتبًا، فلن ترغب في التوصية بكتاب اشتراه العميل بالفعل. في الواقع، قد ترغب أيضًا في نقل هذه الكتب إلى أسفل في نتائج البحث.
ومع ذلك، فمن الصحيح أيضًا أنه لا ينبغي عليك الضغط على التخصيص بشدة بحيث لا يرى المستخدمون إلا ما تفاعلوا معه من قبل.
يتيح البحث إمكانية البحث والاكتشاف. لذا، إذا عادوا إلى شريط البحث، فيجب أن تكون منفتحًا على احتمال رغبتهم في رؤية شيء جديد.
لا تقم بترتيب النتائج بشكل حصري من خلال التخصيص؛ اجعلها مختلطة مع إشارات التصنيف الأخرى.
كما هو الحال مع إعادة الترتيب، يستفيد التخصيص أيضًا من تضاؤل الأحداث.
إن تقليل تأثير الأحداث القديمة يجعل البحث يمثل أذواق المستخدم الحالية بشكل أكثر دقة.
بطريقة ما، يمكنك اعتبار الأمر موسميًا شخصيًا.
التخصيص عبر المستخدمين
يعتمد نوع التخصيص الذي رأيناه حتى الآن على تفاعلات الفرد الخاصة، ولكن يمكنك أيضًا دمجها مع ما يفعله الآخرون داخل البحث.
يُظهر هذا الأسلوب تأثيرًا كبيرًا على المواقف التي لم يتفاعل فيها المستخدم مع العناصر الموجودة في نتائج البحث من قبل.
نظرًا لأن المستخدم لا يتفاعل مع عناصر نتائج البحث، فلا يمكنك التعزيز أو الدفن بناءً على التفاعلات السابقة، حسب التعريف.
بدلاً من ذلك، يمكنك إلقاء نظرة على المستخدمين المشابهين للمستخدم الحالي ثم تخصيصهم بناءً على ما تفاعلوا معه.
على سبيل المثال، لنفترض أن لديك مستخدمًا لم يأت إليك مطلقًا لشراء فساتين ولكنه اشترى العديد من حقائب اليد.
بعد ذلك، يمكنك البحث عن مستخدمين آخرين لديهم أذواق مماثلة وتفاعلوا أيضًا مع الفساتين.
ومن البديهي أن العملاء الآخرين الذين يحبون نفس نوع حقائب اليد التي يفضلها باحثنا يجب أن يحبوا أيضًا نفس الفساتين.
إعادة الترتيب والتخصيص للاكتشاف
يعد البحث مجرد مثال واحد على التأثير الذي يمكن أن تحدثه إعادة التصنيف والتخصيص. يمكنك استخدام هذه الأدوات نفسها للاكتشاف أيضًا.
السر هو أن تفكر في صفحتك الرئيسية وصفحات الفئات كنتائج بحث.
ومن ثم، فمن الواضح أنه يمكنك استخدام نفس الأدوات التي تستخدمها للبحث والحصول على نفس الفوائد.
على سبيل المثال، الصفحة الرئيسية تشبه صفحة البحث بدون استعلام، أليس كذلك؟ ومن المؤكد أن الصفحة المقصودة للفئة تبدو وكأنها صفحة بحث مع تطبيق مرشح الفئة عليها.
إذا قمت بإضافة التخصيص وإعادة التصنيف إلى هذه الصفحات، فيمكن أن تكون أقل ثباتًا. سوف يخدمون المستخدمين ما يفضلون رؤيته، ويمكنهم دفع العناصر إلى أعلى والتي تحظى بشعبية أكبر لدى العملاء بشكل عام.
ولا تقلق، فقد يختلط التخصيص وإعادة التصنيف مع القرارات التحريرية في هذه الصفحات أو داخل البحث.
أفضل طريقة للتعامل مع ذلك هي تثبيت النتائج المرغوبة في أماكن معينة وإعادة الترتيب حولها.
لقد رأينا أن التخصيص وإعادة التصنيف هما طريقتان تأخذان تفاعلات المستخدم مع الإشارات ذات الصلة لتحسين البحث.
يمكنك السماح لقاعدة المستخدمين الخاصة بك بالتأثير على النتيجة باستخدام التفاعلات.
شيئًا فشيئًا، تخبر هذه التفاعلات محرك البحث بالعناصر التي يجب أن تحتل مرتبة أعلى.
في النهاية، يستفيد الباحثون من تجربة بحث أفضل، وتستفيد أنت من المزيد من النقرات والتحويلات.
المزيد من الموارد: