Home » Xếp hạng lại AI cho tìm kiếm ngữ nghĩa
Trí tuệ nhân tạo trong tìm kiếm ngữ nghĩa

Xếp hạng lại AI cho tìm kiếm ngữ nghĩa

by Meta

Giúp người dùng của bạn tìm thấy thông tin họ đang tìm kiếm vào đúng thời điểm. Khám phá cách xếp hạng lại của AI trong tìm kiếm ngữ nghĩa có thể điều chỉnh kết quả của chúng ngay hôm nay.

Tìm kiếm không chỉ là đối sánh với các từ khóa – và điều đó còn đúng hơn khi chúng ta nói về tìm kiếm theo ngữ nghĩa.

Tìm kiếm theo ngữ nghĩa là tìm kiếm thông tin phù hợp cho người tìm kiếm vào đúng thời điểm.

Điều đó vượt ra ngoài việc tìm kiếm các từ khóa và khái niệm phù hợp và suy đoán cách người tìm kiếm sẽ tương tác với kết quả.

Xếp hạng lại trí tuệ nhân tạo (AI) sẽ lấy thông tin về những người đến tìm kiếm và điều chỉnh kết quả tìm kiếm cho phù hợp với từng cá nhân.

Điều đó có thể được thực hiện ở cấp độ nhóm thuần tập, thay đổi kết quả dựa trên xu hướng, tính thời vụ và mức độ phổ biến.

>> Tham khảo: Hướng dẫn đạt được chứng chỉ Google Ads.

Nó cũng có thể được thực hiện riêng lẻ, thay đổi kết quả dựa trên mong muốn của người tìm kiếm hiện tại.

Mặc dù việc xếp hạng lại bằng AI không dễ thực hiện trong công cụ tìm kiếm, nhưng nó mang lại giá trị vượt trội cho các chuyển đổi và sự hài lòng của người tìm kiếm.

1. Xếp hạng lại bằng trí tuệ nhân tạo

Xếp hạng lại do AI điều khiển có thể cải thiện kết quả tìm kiếm theo ngữ nghĩa, bất kể thuật toán xếp hạng cơ bản mà công cụ tìm kiếm sử dụng.

Đó là bởi vì kết quả tìm kiếm tốt không chỉ là mức độ liên quan của văn bản và các chỉ số kinh doanh như mức độ phổ biến thô.

Kết quả tốt có tính đến các tín hiệu khác và làm như vậy ở cấp độ mỗi truy vấn.

Để biết tại sao điều này lại quan trọng, hãy tập trung vào số liệu về mức độ phổ biến của doanh nghiệp.

Đó là một tín hiệu xếp hạng chung tốt nhưng có thể thiếu đối với các truy vấn cụ thể. Một truy vấn tìm kiếm về “váy đỏ” có thể đưa ra kết quả đầu tiên là hai trang phục khác nhau: “váy hở lưng có điểm nhấn màu đỏ” và “váy mùa hè màu đỏ tươi”.

Chiếc váy hở lưng có thể phổ biến hơn với tư cách là một chiếc váy và sản phẩm tổng thể.

Nhưng cụ thể là trong trường hợp này, đó không phải là những gì khách hàng muốn.

Họ muốn một chiếc váy màu đỏ, không phải một chiếc váy có điểm nhấn màu đỏ, và họ nhấp chuột và mua cho phù hợp.

Công cụ tìm kiếm có nên coi đó là một tín hiệu để xếp hạng trang phục mùa hè cao hơn không?

1.1. Phân tích tìm kiếm

Như ví dụ trên cho thấy: Việc hiểu ngữ nghĩa mà người tìm kiếm đang làm là cần thiết để xếp hạng lại.

Hai sự kiện phổ biến nhất cần theo dõi là nhấp chuột và chuyển đổi.

Nói chung, đó là hai sự kiện duy nhất cần thiết và phải là các sự kiện đến từ tìm kiếm.

Ví dụ trên cũng nêu bật một điều quan trọng khác: các sự kiện phải được gắn với các truy vấn cụ thể.

Điều đó cho phép công cụ tìm kiếm học hỏi từ tác động qua lại giữa các tập kết quả khác nhau và tương tác của người dùng. Nó đẩy chiếc váy mùa hè lên cao hơn trong kết quả tìm kiếm cho truy vấn “chiếc váy đỏ”.

Cùng một sản phẩm có thể ít phổ biến hơn đối với các truy vấn khác so với các sản phẩm láng giềng của nó.

Khi xem xét các sự kiện khác nhau của mình, bạn cũng sẽ muốn cân nhắc chúng theo cách khác nhau.

Việc nhấp vào kết quả là một dấu hiệu của sự quan tâm trong khi mua hàng (hoặc bất kỳ số liệu chuyển đổi nào khác) là một dấu hiệu của sự cam kết.

Bảng xếp hạng sẽ phản ánh điều đó.

Trọng số không cần phải phức tạp.

Bạn có thể đơn giản như nói rằng chuyển đổi có giá trị bằng những cú nhấp đúp.

Bạn nên kiểm tra tỷ lệ phù hợp cho tìm kiếm của riêng bạn.

Bạn cũng có thể muốn giảm giá các sự kiện dựa trên xếp hạng kết quả tại thời điểm người tìm kiếm nhìn thấy nó.

Chúng tôi biết rằng vị trí của kết quả ảnh hưởng đến tỷ lệ nhấp (CTR) của nó.

Nếu không giảm giá các sự kiện, bạn có thể gặp phải tình huống mà các kết quả hàng đầu thậm chí còn trở nên cố định hơn vì chúng nhận được nhiều tương tác hơn, khiến chúng được xếp hạng cao hơn – và lặp lại vô hạn.

>> Tham khảo: Tránh nội dung trùng lặp trong các bài đăng trên hồ sơ doanh nghiệp Google.

1.1.1. Tính mới và tính thời vụ

Một cách đơn giản để chống lại vòng lặp tự củng cố này là giảm giá các sự kiện dựa trên thời gian trôi qua kể từ sự kiện đó.

Điều đó xảy ra bởi vì mỗi sự kiện đã xảy ra trong quá khứ có tác động ngày càng nhỏ đến việc xếp hạng lại. Có nghĩa là, cho đến một lúc nào đó, nó không có tác động nào cả.

Ví dụ: bạn có thể chia tác động của mỗi sự kiện cho hai, mỗi ngày, trong 30 ngày. Và sau 30 ngày, hãy ngừng sử dụng sự kiện để xếp hạng.

Một lợi ích tuyệt vời của việc sử dụng độ mới trong thuật toán xếp hạng lại là nó cũng đưa tính thời vụ vào kết quả.

Bạn không chỉ ngừng đề xuất những video đã cực kỳ phổ biến những năm trước đây nhưng lại gây nhàm chán cho mọi người ngày nay; bạn cũng sẽ giới thiệu video “học bơi” vào mùa hè và video “học trượt tuyết” vào mùa đông.

YouTube có tính thời vụ và sự mới mẻ được tích hợp trong thuật toán của nó chính xác cho mục đích hiểu ngữ nghĩa tìm kiếm.

1.1.2. Sử dụng tín hiệu để xếp hạng lại

Bây giờ bạn đã có các tín hiệu và giảm dần chúng theo thời gian, bạn có thể áp dụng chúng vào kết quả tìm kiếm.

Khi chúng ta nhìn thấy “trí thông minh nhân tạo”, chúng ta thường nghĩ về một thứ gì đó vô cùng phức tạp và khó hiểu.

Tuy nhiên, AI cũng có thể đơn giản như lấy dữ liệu theo thời gian và sử dụng nó để đưa ra quyết định, giống như chúng ta đang làm ở đây.

Một cách tiếp cận dễ dàng là lấy một số kết quả nhất định và chỉ cần xếp hạng lại chúng dựa trên điểm số.

Vì lý do hiệu suất, số lượng kết quả này nhìn chung sẽ khá nhỏ (10, có thể 20). Sau đó, xếp hạng chúng theo điểm.

Như chúng ta đã thảo luận ở trên, điểm số có thể đơn giản là cộng số lượng chuyển đổi lên hai lần, cộng với số lần nhấp.

Việc thêm một hàm phân rã sẽ làm phức tạp hơn, cũng như chiết khấu dựa trên vị trí kết quả – nhưng nguyên tắc chung cũng áp dụng tương tự.

>> Tham khảo: Cách sử dụng quảng cáo để quảng bá sự kiện.

1.2. Học cách xếp hạng

Một hạn chế của hệ thống xếp hạng lại này là bạn bị hạn chế xếp hạng lại một số kết quả nhỏ hơn.

Nếu bạn có một kết quả có thể phổ biến nhưng không được xếp hạng cao, thì kết quả đó sẽ không nhận được sự chú ý.

Hệ thống này cũng yêu cầu các sự kiện trên bản ghi và các truy vấn mà bạn muốn xếp hạng lại.

Nó sẽ không hoạt động khi ra mắt sản phẩm hoàn toàn mới hoặc nội dung do người dùng tạo (UGC) thường xuất hiện trong chỉ mục tìm kiếm.

Học cách xếp hạng (LTR) có thể giải quyết những vấn đề này.

Giống như cách xếp hạng lại mà chúng ta đã thảo luận ở trên, LTR cũng hoạt động dựa trên ý tưởng rằng những người tìm kiếm hồ sơ tương tác tốt hơn những hồ sơ mà họ không tương tác.

Phương pháp xếp hạng lại trước đó hoạt động bằng cách tăng cường hoặc chôn lấp kết quả trực tiếp khi được gắn với một truy vấn cụ thể.

Trong khi đó, LTR linh hoạt hơn nhiều. Nó hoạt động bằng cách thúc đẩy hoặc chôn vùi kết quả dựa trên các kết quả phổ biến khác.

LTR sử dụng công nghệ máy học để hiểu những truy vấn nào tương tự nhau (ví dụ: “trò chơi điện tử” và “bảng điều khiển trò chơi”).

Sau đó, nó có thể xếp hạng lại kết quả trên các truy vấn ít phổ biến hơn dựa trên các tương tác với các truy vấn phổ biến hơn.

LTR không chỉ khái quát trên các truy vấn; nó cũng khái quát trên hồ sơ.

Mô hình LTR biết rằng một loại kết quả nhất định là phổ biến; ví dụ: trò chơi Nintendo Switch “Legend of Zelda: Breath of the Wild.”

Sau đó, nó có thể bắt đầu kết nối với các kết quả tương tự khác (ví dụ: “Legend of Zelda: Skyward Sword”) và tăng những kết quả đó.

Vậy tại sao không chỉ sử dụng LTR nếu nó có vẻ mạnh hơn nhiều so với xếp hạng lại thông thường của bạn và cung cấp nhiều truy vấn và phạm vi hồ sơ hơn?

(Nói cách khác: Nó khái quát tốt hơn.)

Nói tóm lại, LTR phức tạp hơn nhiều và cần chuyên môn sâu hơn về máy học nội bộ (ML).

Ngoài ra, việc hiểu lý do tại sao các kết quả nhất định được xếp hạng ở một số vị trí nhất định khó hơn.

Với kiểu xếp hạng lại đầu tiên, bạn có thể xem xét số lượng nhấp chuột và chuyển đổi theo thời gian cho một bản ghi so với một bản ghi khác.

Trong khi đó, với LTR, bạn có một mô hình ML tạo ra các kết nối có thể không phải lúc nào cũng rõ ràng.

(“Hơi thở của thiên nhiên” và “Màu âm” có thực sự giống nhau không?)

>> Tham khảo: Cách tự học về SEO địa phương.

2. Cá nhân hóa

Mặc dù xếp hạng lại hoạt động trên tất cả những người tìm kiếm, nhưng cá nhân hóa nghe có vẻ giống như: cá nhân.

Mục tiêu của cá nhân hóa là lấy các kết quả đã phù hợp và xếp hạng lại chúng dựa trên thị hiếu cá nhân.

Trong khi có một cuộc tranh luận về việc các công cụ tìm kiếm web như Google sử dụng tính năng cá nhân hóa trong kết quả của họ như thế nào, thì tính năng cá nhân hóa thường tác động đến hiệu suất của kết quả trong các công cụ tìm kiếm tại chỗ.

Đây là một cơ chế hữu ích để tăng tương tác tìm kiếm và chuyển đổi từ tìm kiếm.

2.1. Phân tích tìm kiếm

Cũng giống như xếp hạng lại, cá nhân hóa phụ thuộc vào việc hiểu ngữ nghĩa mà người dùng tương tác với kết quả tìm kiếm.

Bằng cách theo dõi các nhấp chuột và chuyển đổi, bạn sẽ có ý tưởng rõ ràng hơn về các loại kết quả mà người dùng muốn xem.

Một sự khác biệt đáng kể giữa xếp hạng lại và cá nhân hóa ở mặt này là, tùy thuộc vào tìm kiếm của bạn, bạn có thể muốn điều chỉnh cách bạn áp dụng cá nhân hóa.

Ví dụ: nếu bạn bán hàng tạp hóa, bạn chắc chắn muốn giới thiệu các sản phẩm đã mua trước đó.

Nhưng nếu trang web của bạn bán sách, bạn sẽ không muốn giới thiệu một cuốn sách mà khách hàng đã mua. Thật vậy, bạn thậm chí có thể muốn di chuyển những cuốn sách đó xuống trong kết quả tìm kiếm.

Tuy nhiên, điều cũng đúng là bạn không nên đẩy mạnh quá trình cá nhân hóa đến mức người dùng chỉ nhìn thấy những gì họ đã tương tác trước đó.

Tìm kiếm cho phép cả tìm kiếm và khám phá. Vì vậy, nếu họ quay lại thanh tìm kiếm, bạn nên cởi mở với khả năng họ muốn xem một cái gì đó mới.

Không xếp hạng kết quả chỉ thông qua cá nhân hóa; làm cho nó kết hợp với các tín hiệu xếp hạng khác.

Cũng giống như việc xếp hạng lại, cá nhân hóa cũng được hưởng lợi từ việc phân rã sự kiện.

Việc giảm tác động của các sự kiện cũ hơn giúp tìm kiếm thể hiện chính xác hơn thị hiếu hiện tại của người dùng.

Theo một cách nào đó, bạn có thể coi đó là tính thời vụ của cá nhân.

>> Tham khảo: LinkedIn thử nghiệm nguồn cấp dữ liệu khám phá.

2.2. Cá nhân hóa trên toàn bộ người dùng

Loại cá nhân hóa mà chúng tôi đã thấy cho đến nay dựa trên tương tác của riêng một cá nhân, nhưng bạn cũng có thể kết hợp nó với những gì người khác đang thực hiện bên trong tìm kiếm.

Cách tiếp cận này cho thấy tác động quá lớn đối với các tình huống mà trước đó người dùng chưa tương tác với các mục trong kết quả tìm kiếm.

Bởi vì người dùng không tương tác với các mục kết quả tìm kiếm, theo định nghĩa, bạn không thể tăng cường hoặc chôn vùi dựa trên các tương tác trong quá khứ.

Thay vào đó, bạn có thể xem xét những người dùng tương tự với người dùng hiện tại và sau đó cá nhân hóa dựa trên những gì họ đã tương tác.

Ví dụ: giả sử bạn có một người dùng chưa bao giờ tìm đến bạn để mua váy nhưng đã mua nhiều túi xách.

Sau đó, bạn có thể tìm kiếm những người dùng khác có cùng sở thích và cũng đã tương tác với trang phục.

Theo trực giác, những khách hàng khác thích cùng loại túi xách với người tìm kiếm của chúng tôi cũng nên thích những chiếc váy giống như vậy.

3. Xếp hạng lại và cá nhân hóa để khám phá

Tìm kiếm chỉ là một ví dụ về việc xếp hạng lại và cá nhân hóa có thể tạo ra tác động. Bạn cũng có thể sử dụng các công cụ này để khám phá.

Bí quyết là hãy coi trang chủ và các trang danh mục của bạn là kết quả tìm kiếm.

Sau đó, rõ ràng là bạn có thể sử dụng cùng một công cụ mà bạn sử dụng để tìm kiếm và đạt được những lợi ích tương tự.

Ví dụ: một trang chủ tương tự như một trang tìm kiếm không có truy vấn, phải không? Và trang đích danh mục chắc chắn trông giống như một trang tìm kiếm với bộ lọc danh mục được áp dụng cho nó.

Nếu bạn thêm cá nhân hóa và xếp hạng lại cho các trang này, chúng có thể ít tĩnh hơn. Họ sẽ phục vụ người dùng những gì họ muốn xem và họ có thể đẩy các mặt hàng lên cao hơn và phổ biến hơn với khách hàng.

>> Tham khảo: Tối ưu tìm kiếm trên trang và trải nghiệm người dùng.

Và đừng lo lắng, cá nhân hóa và xếp hạng lại có thể kết hợp với các quyết định biên tập trên các trang này hoặc bên trong tìm kiếm.

Cách tốt nhất để xử lý điều này là cố định kết quả mong muốn ở những vị trí nhất định và xếp hạng lại xung quanh chúng.

Chúng tôi nhận thấy rằng cá nhân hóa và xếp hạng lại là hai cách tiếp cận giúp người dùng tương tác với các tín hiệu có liên quan để giúp tìm kiếm tốt hơn.

Bạn có thể để cơ sở người dùng của mình ảnh hưởng đến kết quả bằng cách sử dụng các tương tác.

Từng chút một, những tương tác này cho công cụ tìm kiếm biết những mục nào nên được xếp hạng cao hơn.

Cuối cùng, người tìm kiếm được hưởng lợi từ trải nghiệm tìm kiếm tốt hơn từ việc hiểu ngữ nghĩa tìm kiếm và bạn được hưởng lợi từ nhiều nhấp chuột và chuyển đổi hơn.

Related Posts

Leave a Comment