Ререйтинг ИИ для семантического поиска

Поиск — это не просто сопоставление ключевых слов, и это еще более верно, когда мы говорим о семантическом поиске.

Семантический поиск заключается в поиске нужной информации для искателя в нужное время.

Это выходит за рамки поиска правильных ключевых слов и понятий и предположений о том, как пользователи будут взаимодействовать с результатами.

Реранжирование искусственного интеллекта (ИИ) будет собирать информацию о людях, которые приходят на поиск, и адаптировать результаты поиска к отдельным людям.

Это можно сделать на уровне когорты, изменяя результаты в зависимости от тенденций, сезонности и популярности.

Это также может быть сделано индивидуально, изменяя результаты в зависимости от текущих желаний искателя.

Хотя повторное ранжирование ИИ непросто реализовать в поисковой системе, оно приносит огромную пользу для конверсий и удовлетворенности пользователей.

Переоценка с помощью искусственного интеллекта

Повторное ранжирование с помощью ИИ может улучшить результаты поиска, независимо от того, какой алгоритм ранжирования использует поисковая система.

Это потому, что хорошие результаты поиска — это больше, чем текстовая релевантность и бизнес-показатели, такие как чистая популярность.

Хорошие результаты учитывают другие сигналы и делают это на уровне каждого запроса.

Чтобы понять, почему это важно, давайте сосредоточимся на бизнес-метрике популярности.

Это хороший общий сигнал ранжирования, но он может оказаться недостаточным для конкретных запросов. Поисковый запрос «красное платье» может выдать в первых результатах два разных платья: «платье с открытой спиной и красными акцентами» и «ярко-красное летнее платье».

Платье с открытой спиной может быть более популярным как комбинезон и изделие.

Но конкретно в данном случае это не то, чего хотят клиенты.

Они хотят красное платье, а не то, что с красными акцентами, и соответственно кликают и покупают.

Разве поисковая система не должна воспринять это как сигнал для более высокого ранжирования летнего платья?

Поисковая аналитика

Как показывает приведенный выше пример: Понимание того, что делают пользователи, необходимо для повторного ранжирования.

Двумя наиболее распространенными событиями для отслеживания являются клики и конверсии.

Как правило, это единственные два необходимых события, и они должны быть событиями, поступающими из поиска.

В приведенном выше примере также подчеркивается еще одно важное соображение: события должны быть привязаны к конкретным запросам.

Это позволяет поисковой системе учиться на взаимодействии между различными наборами результатов и взаимодействиями с пользователем. Это продвигает летнее платье выше в результатах поиска по запросу «красное платье».

Один и тот же товар может быть менее популярен по другим запросам, чем его соседи.

Глядя на различные события, вы также захотите взвесить их по-разному.

Нажатие на результат — это признак интереса, а покупка (или любой другой показатель конверсии) — это признак приверженности.

Рейтинг должен отражать это.

Взвешивание не должно быть сложным.

Вы можете просто сказать, что конверсии стоят двойных кликов.

Вы должны проверить правильное соотношение для собственного поиска.

Вы также можете сбрасывать со счетов события на основе рейтинга результатов на момент их просмотра поисковиком.

Мы знаем, что позиция результата влияет на рейтинг кликов (CTR).

Без дисконтирования событий у вас может возникнуть ситуация, когда лучшие результаты станут еще более укоренившимися, потому что они получают больше взаимодействий, которые удерживают их в более высоком рейтинге — и повторяются бесконечно.

Свежесть и сезонность

Простой способ борьбы с этой самоподдерживающейся петлей — дисконтирование событий на основе времени, прошедшего с момента события.

Это происходит потому, что каждое событие, произошедшее в прошлом, оказывает все меньшее влияние на изменение ранжирования. То есть до тех пор, пока в какой-то момент это не будет иметь никакого влияния.

Например, вы можете разделить влияние каждого события на два каждый день в течение 30 дней. А через 30 дней перестаньте использовать событие для ранжирования.

Приятным преимуществом использования свежести в алгоритме повторного ранжирования является то, что он также вносит сезонность в результаты.

Вы не только перестаете рекомендовать видео, которые были чрезвычайно популярны несколько лет назад, но и скучны людям сегодня; вы также порекомендуете видео «научитесь плавать» летом и видео «научитесь кататься на лыжах» зимой.

Именно для этой цели в алгоритм YouTube встроены сезонность и свежесть.

Использование сигналов для повторного ранжирования

Теперь, когда у вас есть сигналы и их затухание с течением времени, вы можете применить их к результатам поиска.

Когда мы видим «искусственный интеллект», мы часто думаем о чем-то невероятно сложном и непостижимом.

Тем не менее, ИИ также может быть таким же простым, как сбор данных с течением времени и использование их для принятия решений, как мы делаем здесь.

Один из простых подходов — взять определенное количество результатов и просто переранжировать их на основе оценки.

Из соображений производительности это количество результатов, как правило, будет довольно небольшим (10, может быть, 20). Затем ранжируйте их по баллам.

Как мы обсуждали выше, оценка может быть такой же простой, как сложение количества конверсий, умноженное на два, плюс количество кликов.

Добавление функции затухания усложняет задачу, как и дисконтирование на основе позиции результата, но применяется тот же общий принцип.

Учимся ранжировать

Недостатком этой системы повторного ранжирования является то, что вы ограничены повторным ранжированием меньшего количества результатов.

Если у вас есть результат, который в противном случае был бы популярен, но не имеет высокого рейтинга, этот результат не привлечет должного внимания.

Эта система также требует событий для записей и запросов, которые вы хотите переоценить.

Это не сработает для запуска новых продуктов или пользовательского контента (UGC), который часто появляется и исчезает из поискового индекса.

Обучение ранжированию (LTR) может решить эти проблемы.

Подобно переоценке, которую мы обсуждали выше, LTR также работает на основе идеи о том, что записи, с которыми взаимодействуют искатели, лучше, чем те, с которыми они не взаимодействуют.

Предыдущий метод повторного ранжирования работает, повышая или скрывая результаты напрямую, когда они привязаны к конкретному запросу.

Между тем, LTR гораздо более гибок. Он работает, повышая или скрывая результаты на основе других популярных результатов.

LTR использует машинное обучение, чтобы понять, какие запросы похожи (например, «видеоигры» и «игровая консоль»).

Затем он может повторно ранжировать результаты по менее популярным запросам на основе взаимодействий с более распространенными.

LTR не только обобщает запросы; он также обобщает записи.

Модель LTR узнает, что определенный тип результата популярен; например, игра для Nintendo Switch «Legend of Zelda: Breath of the Wild».

Затем он может начать подключаться к другим похожим результатам (например, «Legend of Zelda: Skyward Sword») и повышать их.

Почему бы тогда просто не использовать LTR, если он кажется намного более мощным, чем ваше обычное повторное ранжирование, и обеспечивает больший охват запросов и записей?

(Другими словами: он лучше обобщает.)

Короче говоря, LTR намного сложнее и требует более специализированных внутренних знаний в области машинного обучения (ML).

Кроме того, сложнее понять, почему определенные результаты ранжируются в определенных местах.

При первом типе повторного ранжирования вы можете сравнить количество кликов и конверсий с течением времени для одной записи по сравнению с другой.

Между тем, с LTR у вас есть модель ML, которая устанавливает связи, которые не всегда могут быть очевидными.

(Действительно ли Breath of the Wild и Sonic Colors так похожи?)

Персонализация

В то время как реранжирование работает для всех поисковых систем, персонализация — это то, на что это похоже: личное.

Цель персонализации — взять результаты, которые уже актуальны, и ранжировать их в соответствии с личными вкусами.

Хотя ведутся споры о том, насколько поисковые системы, такие как Google, используют персонализацию в своих результатах, персонализация часто влияет на производительность результатов в поисковых системах на сайте.

Это полезный механизм для увеличения поисковых взаимодействий и конверсий из поиска.

Поисковая аналитика

Как и в случае с повторным ранжированием, персонализация зависит от понимания того, как пользователи взаимодействуют с результатами поиска.

Отслеживая клики и конверсии, вы получите более четкое представление о видах результатов, которые хочет видеть пользователь.

Одно существенное различие между повторным ранжированием и персонализацией на этом фронте заключается в том, что в зависимости от вашего поиска вы можете настроить способ применения персонализации.

Например, если вы продаете продукты, вы обязательно захотите порекомендовать ранее купленные продукты.

Но если ваш веб-сайт продает книги, вы не захотите рекомендовать книгу, которую покупатель уже купил. На самом деле, вы можете даже захотеть переместить эти книги вниз в результатах поиска.

Однако также верно и то, что вы не должны так сильно настаивать на персонализации, чтобы пользователи видели только то, с чем они взаимодействовали раньше.

Поиск дает возможность как находить, так и открывать. Итак, если они вернутся к панели поиска, вы должны быть готовы к тому, что они захотят увидеть что-то новое.

Не ранжируйте результаты исключительно с помощью персонализации; смешайте его с другими сигналами ранжирования.

Как и в случае с повторным ранжированием, персонализация также выигрывает от затухания событий.

Уменьшение влияния старых событий позволяет поиску точнее отражать текущие вкусы пользователя.

В некотором смысле, вы можете думать об этом как о личной сезонности.

Персонализация среди пользователей

Тип персонализации, который мы видели до сих пор, основан на личных взаимодействиях человека, но вы также можете комбинировать его с тем, что другие делают в поиске.

Этот подход оказывает чрезмерное влияние на ситуации, когда пользователь раньше не взаимодействовал с элементами в результатах поиска.

Поскольку пользователь не взаимодействует с элементами результатов поиска, вы по определению не можете повысить или похоронить их на основе прошлых взаимодействий.

Вместо этого вы можете просматривать пользователей, похожих на текущего пользователя, а затем персонализировать их на основе того, с чем они взаимодействовали.

Например, у вас есть пользователь, который никогда не приходил к вам за платьями, но купил много сумок.

Затем вы можете найти других пользователей со схожими вкусами, которые также взаимодействовали с платьями.

Интуитивно понятно, что другим покупателям, которым нравятся сумки того же типа, что и нашему поисковику, также должны нравиться такие же платья.

Ререйтинг и персонализация для Discovery

Поиск — это только один пример того, как реранжирование и персонализация могут оказать влияние. Вы также можете использовать эти же инструменты для обнаружения.

Секрет в том, чтобы думать о своей домашней странице и страницах категорий как о результатах поиска.

Тогда становится ясно, что вы можете использовать те же инструменты, что и для поиска, и получать те же преимущества.

Например, домашняя страница похожа на страницу поиска без запроса, не так ли? И целевая страница категории действительно выглядит как страница поиска с примененным к ней фильтром категории.

Если вы добавите персонализацию и переоценку этих страниц, они станут менее статичными. Они будут предлагать пользователям то, что они предпочитают видеть, и они могут продвигать товары, которые более популярны среди клиентов в целом.

И не беспокойтесь, персонализация и изменение ранжирования могут сочетаться с редакционными решениями на этих страницах или внутри поиска.

Лучший способ справиться с этим — зафиксировать желаемые результаты в определенных местах и ​​изменить ранжирование вокруг них.

Мы видели, что персонализация и повторное ранжирование — это два подхода, которые используют взаимодействие пользователей с релевантными сигналами для улучшения поиска.

Вы можете позволить своей пользовательской базе влиять на результат, используя взаимодействия.

Постепенно эти взаимодействия сообщают поисковой системе, какие элементы должны ранжироваться выше.

В конечном счете, пользователи получают выгоду от более удобного поиска, а вы получаете больше кликов и конверсий.

Дополнительные ресурсы:

---

Рекомендуемое изображение: amasterphotographer/Shutterstock