Công cụ tìm kiếm sử dụng Machine Learning như thế nào?

20/11/13
293
64
28
#1
Khi lần đầu tiên chúng ta nghe về Machine Learning vào đầu những năm 2010, lúc đầu trông nó có vẻ đáng sợ. Nhưng khi nó được giải thích (và chúng tôi đã nhận ra rằng công nghệ đã được sử dụng để cung cấp cho chúng tôi các giải pháp), chúng tôi bắt đầu đưa ra các câu hỏi thực tiễn:

- Công cụ tìm kiếm sử dụng machine learning như thế nào?
- Nó sẽ ảnh hưởng đến SEO như thế nào?

Machine learning sử dụng các thuật toán để tính toán các xu hướng, giá trị hoặc các đặc tính khác của những thứ cụ thể dựa trên dữ liệu lịch sử. Thậm chí Google còn tuyên bố mình là một công ty machine learning đầu tiên. Nếu bạn muốn tìm hiểu thêm về các khía cạnh chiến thuật của công nghệ này, Eric Enge có một bài viết để giải thích cách machine learning tác động đến SEO như thế nào theo quan điểm toán học. Các công cụ tìm kiếm luôn thử nghiệm cách chúng có thể sử dụng các công nghệ đang phát triển này nhưng đây là 9 cách mà chúng tôi biết họ đang sử dụng machine learning và nó liên quan như thế nào đến SEO hoặc marketing digital.

slide.JPG

1. Phát hiện mẫu

Các công cụ tìm kiếm đang sử dụng machine learning để phát hiện các mẫu giúp xác định spam hoặc nội dung trùng lặp. Họ đã cắm vào các thuộc tính chung của nội dung chất lượng thấp chẳng hạn như:

- Sự hiện diện của một vài liên kết outbound đến các trang không liên quan.
- Sử dụng các từ dừng hoặc các từ đồng nghĩa.
- Các biến thể khác.

Việc có thể phát hiện ra những kiểu mẫu này sẽ giảm đáng kể nguồn nhân lực cần thiết để xem tất cả mọi thứ.

Machine learning đã giúp Google tự động lọc để loại bỏ các trang chất lượng thấp mà không cần đến sự trợ giúp của con người. Machine learning là một công nghệ luôn phát triển, do đó nhiều trang được phân tích chính xác hơn (theo lý thuyết).

2. Xác định các tín hiệu mới

Theo một podcast 2016 được thực hiện với Gary Illyes (chưa biết thì google tìm Gary Illyes là ai? OK ^-^ ), RankBrain không chỉ giúp xác định các mẫu trong truy vấn mà còn giúp công cụ tìm kiếm xác định các dấu hiệu xếp hạng mới.

Những tín hiệu này được tìm kiếm sau đó để Google tiếp tục nâng cao chất lượng kết quả truy vấn tìm kiếm. Gary Illyes cũng đã đề cập rằng nhiều tín hiệu của Google có thể trở thành machine learning. Khi các công cụ tìm kiếm có thể dạy công nghệ cách để chạy các dự đoán và dữ liệu của riêng họ, có thể sẽ sử dụng ít lao động thủ công hơn và nhân viên có thể chuyển sang những thứ khác mà machine không thể làm như đổi mới hoặc các dự án lấy con người làm trung tâm.

3. Nó có trọng số như một phần nhỏ

Ngay cả khi machine learning đang dần biến đổi theo cách mà các công cụ tìm kiếm tìm và xếp hạng các trang web, điều đó không có nghĩa là nó có một tác động đáng kể trên SERPs của chúng ta. Trong cuộc phỏng vấn, Illyes nói rằng nó chỉ là một phần của nền tảng trong số các tín hiệu xếp hạng tổng thể của họ và được đánh giá là một phần nhỏ trong thuật toán tổng thể của họ. Mục tiêu cuối cùng của Google là sử dụng công nghệ để cung cấp cho người dùng một trải nghiệm tốt hơn. Họ không muốn tự động hóa toàn bộ quá trình điều đó có nghĩa là người dùng sẽ không có trải nghiệm họ đang tìm kiếm.

Do vậy, đừng cho rằng machine learning sẽ sớm vượt qua tất cả các yếu tố xếp hạng tìm kiếm, nó chỉ đơn giản là một phần nhỏ trong câu đố công cụ tìm kiếm đã triển khai để hy vọng làm cho cuộc sống của chúng ta dễ dàng hơn.

4. Tín hiệu tùy chỉnh dựa trên truy vấn cụ thể

Theo một nghiên cứu vào tháng 7 năm 2017 tại Đại học Washington, machine learning trong các công cụ tìm kiếm có thể khác nhau tùy thuộc vào loại câu truy vấn hoặc cụm từ. Các nhà nghiên cứu đã sử dụng công cụ tìm kiếm Yandex.com để phân tích kết quả cho các truy vấn khác nhau. Họ phát hiện ra rằng loại kết quả phụ thuộc phần lớn vào các loại truy vấn hoặc cụm truy vấn. Điều này có nghĩa là machine learning đặt nhiều trong số vào các biến nhiều hơn hoặc ít hơn trong các truy vấn nhất định.

Nhìn chung, người ta nhận thấy rằng cá nhân hóa tìm kiếm tùy chọn bởi machine learning tăng CTR của kết quả lên khoảng 10%. Khi người dùng nhập nhiều truy vấn hơn vào Yandex, người ta thấy rằng CTR tiếp tục tăng.

Điều này có thể xảy ra vì công cụ tìm kiếm "học" về các sở thích của người dùng cụ thể và có thể dựa vào thông tin các truy vấn trong quá khứ để hiển thị thông tin thú vị nhất có thể.

Ví dụ này thường được dùng trong các bài thuyết trình hội nghị với hàng loạt câu hỏi và kết quả thay đổi phụ thuộc vào tìm kiếm cuối cùng của bạn.

Ví dụ: nếu tôi tìm kiếm “New York Football stadium” " trong trình duyệt ẩn danh, tôi nhận được câu trả lời của “MetLife Stadium".

Tiếp theo, nếu tôi tìm kiếm trong cùng một trình duyệt với “jets,” Google sẽ giả định rằng truy vấn cuối cùng của tôi về football stadium thì câu hỏi này cũng liên quan đến football.

Cong cu tim kiem su dung machine learning nhu the nao.png

Cong cu tim kiem su dung machine learning nhu the nao 2.png

Khi tôi tiếp tục tìm kiếm, Google học khi tôi chuyển sang một thứ khác.

Tìm kiếm “Jaguars” trong cùng một trình duyệt sẽ hiển thị thông tin về đội NFL của Jaguar Jacksonville (liên quan đến hai lần tìm kiếm gần đây nhất của tôi).

Nhưng ví dụ tôi tìm kiếm “Zoo near San Diego” sau đó bắt đầu gõ "zoo" vào box truy vấn, Google đề nghị “zoos with jaguars” mặc dù tôi không tìm kiếm jaguars lần hai.
Cong cu tim kiem su dung machine learning nhu the nao 3.png

Lịch sử tìm kiếm chỉ là một thành phần của trải nghiệm tìm kiếm mà machine learning sử dụng để cung cấp kết quả tốt hơn.

5. Tìm kiếm hình ảnh để hiểu hình ảnh

Trở lại năm 2013, báo cáo rằng người dùng Flickr tải lên 1.4 triệu bức ảnh mỗi ngày, 40 triệu được tải lên Instagram và người dùng Facebook đã tải lên 350 triệu hình ảnh. Mặc dù số liệu thống kê này có thể tăng lên (rất khó để tìm ra dữ liệu gần đây) nhưng nó cho thấy số lượng hình ảnh cần được thống kê và phân tích hàng ngày trên web.

Nhiệm vụ này hoàn hảo với machine learning vì nó có thể phân tích màu sắc và hình dạng và ghép nối nó với bất kỳ shema data hiện có về bức ảnh để giúp công cụ tìm kiếm hiểu hình ảnh thực sự là gì.

Đây là cách Google không chỉ liệt kê những hình ảnh cho kết quả tìm kiếm Google Image mà còn bổ sung tính năng của nó cho phép người dùng tìm kiếm theo tập tin hình ảnh (thay vì truy vấn văn bản).

Người dùng có thể tìm thấy các thể hiện khác nhau của bức ảnh online cũng như các bức ảnh tương tự có cùng đối tượng hoặc màu sắc và thông tin về các chủ đề trong bức ảnh chẳng hạn như ví dụ dưới đây:

Cong cu tim kiem su dung machine learning nhu the nao 4.png

Cách người dùng tương tác với những kết quả này có thể định hình SERPs của họ trong tương lai.

6. Xác định những điểm tương đồng giữa các từ trong một truy vấn tìm kiếm

Dữ liệu truy vấn không chỉ được sử dụng bởi machine learning để xác định và cá nhân hóa các truy vấn của người dùng sau đó, nó cũng giúp tạo ra các mẫu trong dữ liệu để định hình các kết quả tìm kiếm mà người dùng khác đang nhận được.

Google Trends là một ví dụ điển hình về việc này. Một cụm từ hoặc từ có thể có kết quả tìm kiếm vô nghĩa. Tuy nhiên, vì cách diễn đạt của nó được sử dụng nhiều hơn theo thời gian, machine learning có thể hiển thị thông tin chính xác hơn cho những truy vấn đó.

Khi ngôn ngữ phát triển và thay đổi, machine có thể dự đoán được ý nghĩa của chúng ta đằng sau những lời chúng ta nói và cung cấp cho chúng ta thông tin tốt hơn.

7. Cải thiện chất lượng quảng cáo và nhắm mục tiêu vào người dùng

Theo bằng sáng chế Google U.S. US20070156887 về chất lượng quảng cáo, machine learning có thể được sử dụng để cải tiến "mô hình thống kê yếu kém". Điều này có nghĩa là xếp hạng quảng cáo có thể bị ảnh hưởng bởi một hệ thống machine learning.

"Số bid, chất lượng quảng cáo của bạn (bao gồm CTR được mong đợi, quảng cáo liên quan và trải nghiệm trang đích), ngưỡng Ad Rank, ngữ cảnh tìm kiếm của người đó" được đưa vào hệ thống trên cơ sở từng từ khóa để xác định ngưỡng nào được Google xem xét cho mỗi từ khóa.

8. Xác định từ đồng nghĩa

Khi bạn thấy kết quả tìm kiếm không chứa từ khóa trong snippet, có thể là do Google sử dụng RankBrain để xác định từ đồng nghĩa.

Khi tìm kiếm [phd degree] bạn sẽ thấy các kết quả khác nhau với từ “doctor” hoặc “doctoral” vì chúng có thể được sử dụng với nhiều cấp độ, có thể hoán đổi cho nhau.

Cong cu tim kiem su dung machine learning nhu the nao 5.png

Thậm chí Google còn nhấn mạnh các từ đồng nghĩa trong một số trường hợp, lần này với “phd degrees" chỉ ra rằng nó nhận ra các từ đồng nghĩa.

Cong cu tim kiem su dung machine learning nhu the nao 6.png

9. Làm rõ truy vấn

Một trong những chủ đề yêu thích của tôi là ý định truy vấn tìm kiếm của người dùng. Người dùng có thể tìm kiếm để mua (giao dịch), nghiên cứu (thông tin) hoặc tìm các nguồn tài nguyên (điều hướng) cho bất kỳ tìm kiếm nào. Hơn nữa, một từ khóa có thể hữu ích cho một hoặc bất kỳ ý định nào.

Bằng cách phân tích các mẫu click và loại nội dung mà người dùng tương tác (ví dụ: CTR theo loại nội dung) công cụ tìm kiếm có thể thúc đẩy machine learning để xác định ý định.

Một ví dụ có thể được nhìn thấy với truy vấn “best college” trong tìm kiếm Google. Kết quả là các đánh giá và danh sách các trường đại học trong SERP với các trường đại học được liệt kê ở đầu.

Cong cu tim kiem su dung machine learning nhu the nao 7.png

Tóm lại

Trong khi machine learning không phải là hoàn hảo (có lẽ không bao giờ) thì càng có nhiều người tương tác với nó thì nó sẽ chính xác hơn và "thông minh hơn". Tuy nhiên, kết quả thực tế có thể là một trải nghiệm tốt hơn với công nghệ cung cấp cho chúng ta thông tin và khi chúng ta cần nó.

Lưu ý: Khái niệm Machine Learning là một thuật ngữ khó nên trong bài có sử dụng nhiều đường link và hình ảnh để minh chứng rõ hơn vấn đề. Đề nghĩa đọc kỹ và suy nghĩ để có thể hiểu sâu sắc hơn bài viết này.

Ghi nguồn www.waytomarketing.com khi sao chép lại nội dung này.
Link: Công cụ tìm kiếm sử dụng Machine Learning như thế nào?
 
Sửa lần cuối bởi điều hành viên:

Thành viên trực tuyến