Peringkat Ulang AI Untuk Pencarian Semantik

Peringkat Ulang AI Untuk Pencarian Semantik

Pencarian bukan hanya tentang pencocokan kata kunci – dan itu bahkan lebih benar ketika kita berbicara tentang pencarian semantik.

Pencarian semantik adalah tentang menemukan informasi yang tepat untuk pencari pada waktu yang tepat.

Itu melampaui menemukan kata kunci dan konsep yang tepat dan berspekulasi bagaimana pencari akan berinteraksi dengan hasil.

Pemeringkatan ulang kecerdasan buatan (AI) akan mengambil informasi tentang orang-orang yang datang untuk mencari dan menyesuaikan hasil pencarian untuk individu tersebut.

Itu mungkin dilakukan pada tingkat kelompok, mengubah hasil berdasarkan tren, musim, dan popularitas.

Mungkin juga dilakukan secara individual, mengubah hasil berdasarkan keinginan pencari saat ini.

Meskipun pemeringkatan ulang AI tidak mudah diterapkan di mesin telusur, ini membawa nilai yang sangat besar untuk konversi dan kepuasan penelusur.

Peringkat Ulang Dengan Kecerdasan Buatan

Pemeringkatan ulang yang didorong oleh AI dapat meningkatkan hasil pencarian, apa pun algoritme peringkat yang digunakan mesin pencari.

Itu karena hasil pencarian yang baik lebih dari relevansi tekstual dan metrik bisnis seperti popularitas mentah.

Hasil yang baik memperhitungkan sinyal lain dan melakukannya pada tingkat per-kueri.

Untuk melihat mengapa ini penting, mari kita fokus pada metrik popularitas bisnis.

Ini adalah sinyal peringkat umum yang bagus tetapi dapat gagal untuk kueri tertentu. Kueri penelusuran “gaun merah” mungkin memunculkan dua gaun berbeda di hasil pertama: “gaun backless dengan aksen merah” dan “gaun musim panas dengan warna merah cerah”.

Gaun backless mungkin lebih populer sebagai gaun dan produk keseluruhan.

Namun dalam kasus ini, khususnya, bukan itu yang diinginkan pelanggan.

Mereka menginginkan gaun merah, bukan gaun dengan aksen merah, dan mereka mengklik dan membeli yang sesuai.

Bukankah seharusnya mesin pencari menganggap itu sebagai sinyal untuk memberi peringkat gaun musim panas lebih tinggi?

Analisis Penelusuran

Seperti yang ditunjukkan oleh contoh di atas: Memahami apa yang dilakukan pencari diperlukan untuk peringkat ulang.

Dua peristiwa yang paling umum untuk dilacak adalah klik dan konversi.

Umumnya, itu adalah dua peristiwa yang diperlukan dan harus merupakan peristiwa yang berasal dari pencarian.

Contoh di atas juga menyoroti pertimbangan penting lainnya: peristiwa harus dikaitkan dengan kueri tertentu.

Itu memungkinkan mesin pencari untuk belajar dari interaksi antara set hasil yang berbeda dan interaksi pengguna. Ini mendorong gaun musim panas lebih tinggi dalam hasil pencarian untuk kueri “gaun merah”.

Produk yang sama mungkin kurang populer untuk kueri lain dibandingkan produk tetangganya.

Saat melihat acara Anda yang berbeda, Anda juga ingin menimbangnya secara berbeda.

Mengklik hasil adalah tanda minat sementara melakukan pembelian (atau metrik konversi lainnya) adalah tanda komitmen.

Peringkat harus mencerminkan hal itu.

Pembobotan tidak perlu rumit.

Anda dapat mengatakan bahwa konversi bernilai klik ganda.

Anda harus menguji rasio yang tepat untuk pencarian Anda sendiri.

Anda mungkin juga ingin mendiskon acara berdasarkan peringkat hasil pada saat pencari melihatnya.

Kami tahu bahwa posisi hasil memengaruhi rasio klik-tayang (RKT).

Tanpa mengabaikan acara, Anda mungkin memiliki situasi di mana hasil teratas menjadi lebih mengakar karena mereka mendapatkan lebih banyak interaksi, yang membuat peringkat mereka lebih tinggi – dan berulang tanpa batas.

Kesegaran Dan Musiman

Cara sederhana untuk melawan loop yang memperkuat diri ini adalah dengan mendiskontokan peristiwa berdasarkan waktu yang berlalu sejak peristiwa tersebut.

Itu terjadi karena setiap event yang terjadi di masa lalu berdampak semakin kecil terhadap re-ranking. Artinya, sampai, pada titik tertentu, tidak berdampak sama sekali.

Misalnya, Anda dapat membagi dampak setiap peristiwa menjadi dua, setiap hari, selama 30 hari. Dan setelah 30 hari, berhenti menggunakan acara untuk menentukan peringkat.

Manfaat bagus menggunakan kesegaran dalam algoritme peringkat ulang adalah ia juga memperkenalkan musim ke dalam hasil.

Anda tidak hanya berhenti merekomendasikan video yang sangat populer bertahun-tahun yang lalu, tetapi juga membosankan bagi orang-orang saat ini; Anda juga akan merekomendasikan video “belajar cara berenang” di musim panas, dan video “belajar bermain ski” di musim dingin.

YouTube memiliki musim dan kesegaran yang dibangun ke dalam algoritmenya tepat untuk tujuan ini.

Menggunakan Sinyal Untuk Meringkat Ulang

Sekarang setelah Anda mendapatkan sinyal dan menghilangkannya dari waktu ke waktu, Anda dapat menerapkannya ke hasil pencarian.

Ketika kita melihat “kecerdasan buatan”, kita sering memikirkan sesuatu yang sangat kompleks dan tidak dapat dipahami.

AI, bagaimanapun, juga bisa sesederhana mengambil data dari waktu ke waktu dan menggunakannya untuk membuat keputusan, seperti yang kita lakukan di sini.

Salah satu pendekatan yang mudah adalah dengan mengambil sejumlah hasil tertentu dan hanya mengurutkannya ulang berdasarkan skor.

Untuk alasan kinerja, jumlah hasil ini umumnya akan cukup kecil (10, mungkin 20). Kemudian, beri peringkat berdasarkan skor.

Seperti yang telah kita bahas di atas, skornya bisa sesederhana menjumlahkan jumlah konversi dikalikan dua, ditambah jumlah klik.

Menambahkan fungsi peluruhan membuat lebih banyak kerumitan, seperti halnya diskon berdasarkan posisi hasil – tetapi prinsip umum yang sama berlaku.

Belajar Berperingkat

Kelemahan dari sistem re-ranking ini adalah Anda dibatasi untuk re-ranking sejumlah kecil hasil.

Jika Anda memiliki hasil yang seharusnya populer tetapi tidak berperingkat tinggi, hasil itu tidak akan mendapatkan perhatian yang diperlukan.

Sistem ini juga memerlukan peristiwa pada catatan dan kueri yang ingin Anda rangking ulang.

Ini tidak akan berfungsi untuk peluncuran produk baru atau konten buatan pengguna (UGC) yang sering masuk dan keluar dari indeks pencarian.

Learning to rank (LTR) dapat mengatasi masalah ini.

Sama seperti pemeringkatan ulang yang telah kita bahas di atas, LTR juga bekerja berdasarkan gagasan bahwa para pencari rekaman berinteraksi dengan lebih baik daripada yang tidak mereka lakukan.

Metode pemeringkatan ulang sebelumnya bekerja dengan meningkatkan atau mengubur hasil secara langsung saat dikaitkan dengan kueri tertentu.

Sedangkan LTR jauh lebih fleksibel. Ia bekerja dengan meningkatkan atau mengubur hasil berdasarkan hasil populer lainnya.

LTR menggunakan pembelajaran mesin untuk memahami kueri mana yang serupa (misalnya, “video game” dan “konsol game”).

Kemudian dapat memberi peringkat ulang hasil pada kueri yang kurang populer berdasarkan interaksi pada kueri yang lebih umum.

LTR tidak hanya menggeneralisasi kueri; itu menggeneralisasi pada catatan, juga.

Model LTR mempelajari bahwa jenis hasil tertentu populer; misalnya, game Nintendo Switch “Legend of Zelda: Breath of the Wild.”

Kemudian, itu dapat mulai terhubung ke hasil serupa lainnya (misalnya, “Legend of Zelda: Skyward Sword”) dan meningkatkannya.

Mengapa, kemudian, tidak hanya menggunakan LTR jika tampaknya jauh lebih kuat daripada re-ranking biasa Anda dan memberikan lebih banyak liputan kueri dan rekaman?

(Dengan kata lain: Ini menggeneralisasi lebih baik.)

Singkatnya, LTR jauh lebih kompleks dan membutuhkan keahlian machine learning (ML) in-house yang lebih khusus.

Selain itu, memahami mengapa hasil tertentu diberi peringkat di tempat tertentu lebih sulit.

Dengan jenis peringkat ulang pertama, Anda dapat melihat jumlah klik dan konversi dari waktu ke waktu untuk satu catatan dibandingkan dengan catatan lainnya.

Sementara itu, dengan LTR, Anda memiliki model ML yang membuat koneksi yang mungkin tidak selalu terlihat jelas.

(Apakah “Breath of the Wild” dan “Sonic Colors” benar-benar mirip?)

Personalisasi

Sementara peringkat ulang berfungsi di semua pencari, personalisasi adalah seperti apa: pribadi.

Tujuan personalisasi adalah untuk mengambil hasil yang sudah relevan dan mengurutkannya ulang berdasarkan selera pribadi.

Meskipun ada perdebatan tentang seberapa banyak mesin pencari web seperti Google menggunakan personalisasi dalam hasil mereka, personalisasi sering mempengaruhi kinerja hasil di mesin pencari di tempat.

Ini adalah mekanisme yang berguna untuk meningkatkan interaksi pencarian dan konversi dari pencarian.

Analisis Penelusuran

Sama seperti re-ranking, personalisasi bergantung pada pemahaman bagaimana pengguna berinteraksi dengan hasil pencarian.

Dengan melacak klik dan konversi, Anda akan memiliki gagasan yang lebih jelas tentang jenis hasil yang ingin dilihat pengguna.

Satu perbedaan signifikan antara peringkat ulang dan personalisasi di bagian depan ini adalah, tergantung pada pencarian Anda, Anda mungkin ingin menyesuaikan cara Anda menerapkan personalisasi.

Misalnya, jika Anda menjual bahan makanan, Anda pasti ingin merekomendasikan produk yang dibeli sebelumnya.

Tetapi jika situs web Anda menjual buku, Anda tidak akan ingin merekomendasikan buku yang telah dibeli pelanggan. Memang, Anda bahkan mungkin ingin menurunkan buku-buku itu di hasil pencarian.

Namun, juga benar bahwa Anda tidak boleh memaksakan personalisasi terlalu keras sehingga pengguna hanya melihat apa yang pernah berinteraksi dengan mereka sebelumnya.

Pencarian memberdayakan baik penemuan maupun penemuan. Jadi, jika mereka kembali ke bilah pencarian, Anda harus terbuka terhadap kemungkinan bahwa mereka ingin melihat sesuatu yang baru.

Jangan memberi peringkat hasil secara eksklusif melalui personalisasi; membuat campuran dengan sinyal peringkat lainnya.

Sama seperti re-ranking, personalisasi juga diuntungkan dari pembusukan event.

Mengurangi dampak peristiwa lama membuat penelusuran lebih akurat mewakili selera pengguna saat ini.

Di satu sisi, Anda dapat menganggapnya sebagai musiman pribadi.

Personalisasi di Seluruh Pengguna

Jenis personalisasi yang telah kita lihat sejauh ini didasarkan pada interaksi individu itu sendiri, tetapi Anda juga dapat menggabungkannya dengan apa yang dilakukan orang lain di dalam penelusuran.

Pendekatan ini menunjukkan dampak yang sangat besar pada situasi di mana pengguna belum pernah berinteraksi dengan item dalam hasil pencarian sebelumnya.

Karena pengguna tidak berinteraksi dengan item hasil penelusuran, Anda tidak dapat meningkatkan atau menyembunyikan berdasarkan interaksi sebelumnya, menurut definisi.

Sebagai gantinya, Anda dapat melihat pengguna yang mirip dengan pengguna saat ini dan kemudian mempersonalisasikannya berdasarkan interaksi yang mereka lakukan.

Misalnya, Anda memiliki pengguna yang tidak pernah datang kepada Anda untuk membeli gaun tetapi telah membeli banyak tas tangan.

Kemudian, Anda dapat mencari pengguna lain yang memiliki selera serupa dan juga pernah berinteraksi dengan gaun.

Secara intuitif, pelanggan lain yang menyukai jenis tas yang sama dengan pencari kami seharusnya juga menyukai gaun yang sama.

Peringkat Ulang Dan Personalisasi Untuk Penemuan

Pencarian hanyalah salah satu contoh di mana re-ranking dan personalisasi dapat memberikan dampak. Anda dapat menggunakan alat yang sama ini untuk penemuan juga.

Rahasianya adalah menganggap halaman beranda dan halaman kategori Anda sebagai hasil pencarian.

Kemudian, jelas bahwa Anda dapat menggunakan alat yang sama yang Anda gunakan untuk pencarian dan mendapatkan manfaat yang sama.

Misalnya, halaman beranda mirip dengan halaman pencarian tanpa kueri, bukan? Dan halaman arahan kategori memang terlihat seperti halaman pencarian dengan filter kategori yang diterapkan padanya.

Jika Anda menambahkan personalisasi dan re-ranking ke halaman-halaman ini, halaman-halaman tersebut bisa menjadi tidak terlalu statis. Mereka akan melayani pengguna apa yang mereka ingin lihat, dan mereka dapat mendorong item lebih tinggi yang lebih populer dengan pelanggan secara keseluruhan.

Dan jangan khawatir, personalisasi dan re-ranking dapat bercampur dengan keputusan editorial di halaman ini atau di dalam pencarian.

Cara terbaik untuk menangani ini adalah dengan memperbaiki hasil yang diinginkan di tempat-tempat tertentu dan memberi peringkat ulang di sekitarnya.

Kami telah melihat bahwa personalisasi dan re-ranking adalah dua pendekatan yang membawa interaksi pengguna dengan sinyal yang relevan untuk membuat pencarian lebih baik.

Anda dapat membiarkan basis pengguna Anda memengaruhi hasil dengan menggunakan interaksi.

Sedikit demi sedikit, interaksi ini memberi tahu mesin pencari item apa yang harus diberi peringkat lebih tinggi.

Pada akhirnya, penelusur mendapat manfaat dari pengalaman penelusuran yang lebih baik, dan Anda mendapat manfaat dari lebih banyak klik dan konversi.

Lebih banyak sumber daya:


Gambar Unggulan: amasterphotographer/Shutterstock

Share

Leave a Reply

Your email address will not be published. Required fields are marked *