Semantik Arama sadece anahtar kelimeleri eşleştirmekle ilgili değildir – ve bu, anlamsal arama hakkında konuştuğumuzda daha da doğrudur. Semantik arama, arama yapan kişi için doğru bilgiyi doğru zamanda bulmakla ilgilidir.
Bu, doğru anahtar kelimeleri ve kavramları bulmanın ve arama yapanların sonuçlarla nasıl etkileşime gireceğini tahmin etmenin ötesine geçer.
Yapay zeka (AI) yeniden sıralama, aramaya gelen insanlar hakkında bilgi alacak ve arama sonuçlarını bireye göre uyarlayacaktır.
Bu, bir kohort düzeyinde yapılabilir, sonuçları eğilimlere, mevsimselliğe ve popülerliğe göre değiştirebilir. Ayrıca, mevcut arama yapan kişinin isteklerine göre sonuçları değiştirerek bireysel olarak da yapılabilir.
AI sıralamasının bir arama motorunda uygulanması kolay olmasa da, dönüşümler ve arama yapanların memnuniyeti için çok büyük değer sağlar.
Yapay Zeka ile Yeniden Sıralama – Semantik Arama
AI güdümlü yeniden sıralama, bir arama motorunun kullandığı temel sıralama algoritması ne olursa olsun, arama sonuçlarını iyileştirebilir.
Bunun nedeni, iyi arama sonuçlarının metinsel alaka düzeyi ve ham popülerlik gibi iş metriklerinden daha fazlası olmasıdır.
İyi sonuçlar, diğer sinyalleri dikkate alır ve bunu her sorgu düzeyinde yapar. Bunun neden önemli olduğunu anlamak için, popülerliğin iş metriğine odaklanalım.
Bu iyi bir genel sıralama sinyalidir ancak belirli sorgular için yetersiz kalabilir. “Kırmızı elbise” arama sorgusu, ilk sonuçlarda iki farklı elbise getirebilir: “kırmızı desenli sırtı açık elbise” ve “parlak kırmızı yazlık elbise”.
Sırtı açık elbise, genel bir elbise ve ürün olarak daha popüler olabilir. Ancak bu durumda, özellikle müşterilerin istediği bu değil.
Kırmızı desenli değil kırmızı bir elbise istiyorlar ve buna göre tıklayıp satın alıyorlar. Arama motorunun bunu yazlık elbiseyi daha üst sıralarda görmek için bir işaret olarak alması gerekmez mi?
Arama Analizi
Yukarıdaki örneğin gösterdiği gibi: Yeniden sıralama için arama yapanların ne yaptığını anlamak gereklidir. İzlenecek en yaygın iki olay, tıklamalar ve dönüşümlerdir. Genellikle bunlar gerekli olan iki olaydır ve aramadan gelen olaylar olmalıdır.
Yukarıdaki örnek ayrıca bir başka önemli hususu da vurgulamaktadır: olaylar belirli sorgulara bağlı olmalıdır.
Bu, arama motorunun farklı sonuç kümeleri ve kullanıcı etkileşimleri arasındaki etkileşimden öğrenmesini sağlar. “Kırmızı elbise” sorgusu için arama sonuçlarında yazlık elbiseyi daha yukarılara taşır.
Aynı ürün, diğer sorgular için komşularından daha az popüler olabilir. Farklı etkinliklerinize bakarken, onları da farklı şekilde tartmak isteyeceksiniz. Bir satın alma işlemi (veya başka bir dönüşüm metriği) yaparken bir sonuca tıklamak bir ilgi işaretidir, bir taahhüt işaretidir.
Sıralama bunu yansıtmalı. Ağırlıklandırmanın karmaşık olması gerekmez. Dönüşümlerin çift tıklamaya değer olduğunu söylemek kadar basit gidebilirsiniz. Kendi aramanız için doğru oranı test etmelisiniz.
Ayrıca, aramayı yapan kişinin gördüğü andaki sonuç sıralamasına göre olayları indirim yapmak isteyebilirsiniz. Bir sonucun konumunun, tıklama oranını (TO) etkilediğini biliyoruz.
Etkinlikleri iskonto etmeksizin, en iyi sonuçların daha fazla etkileşim aldığı için daha da yerleşik hale geldiği bir duruma sahip olabilirsiniz, bu da onları daha üst sıralarda tutar – ve sonsuz tekrar eder.
Tazelik ve Mevsimsellik
Bu kendi kendini güçlendiren döngüyle mücadele etmenin basit bir yolu, olayları, olaydan bu yana geçen süreye göre indirim yapmaktır.
Bunun nedeni, seo uzmanlarının da çok iyi bildikleri gibi, geçmişte meydana gelen her olayın yeniden sıralama üzerinde giderek daha küçük bir etkiye sahip olmasıdır. Yani, bir noktada, hiçbir etkisi olmayana kadar.
Örneğin, her olayın etkisini 30 gün boyunca her gün ikiye bölebilirsiniz. Ve 30 gün sonra sıralama için etkinliği kullanmayı bırakın. Yeniden sıralama algoritmasında tazeliği kullanmanın güzel bir yararı da sonuçlara mevsimsellik katmasıdır.
Sadece yıllar önce son derece popüler olan ancak bugün insanlara sıkıcı gelen videoları önermeyi bırakmakla kalmıyorsunuz; Ayrıca yazın “yüzmeyi öğren” videoları, kışın “kayak yapmayı öğren” videoları önereceksiniz. YouTube, algoritmasında tam olarak bu amaç için yerleşik olarak mevsimsellik ve tazeliğe sahiptir .
Yeniden Sıralamak İçin Sinyalleri Kullanma
Artık sinyalleri aldığınıza ve bunları zamanla bozduğunuza göre, bunları arama sonuçlarına uygulayabilirsiniz. “Yapay zeka” gördüğümüzde, genellikle inanılmaz derecede karmaşık ve anlaşılmaz bir şey düşünürüz.
Yine de AI, burada yaptığımız gibi zaman içinde veri almak ve karar vermek için kullanmak kadar basit olabilir. Kolay bir yaklaşım, belirli sayıda sonuç almak ve bunları bir puana göre yeniden sıralamaktır.
Performans nedenleriyle, bu sonuç sayısı genellikle oldukça az olacaktır (10, belki 20). Ardından, onları puana göre sıralayın. Yukarıda tartıştığımız gibi, puan, dönüşüm sayısını iki ile tıklama sayısını toplamak kadar basit olabilir.
Azalma işlevi eklemek, sonuç konumuna dayalı indirim yapmak gibi daha karmaşık hale getirir – ancak aynı genel ilke geçerlidir.
Sıralamayı Öğrenmek – Semantik Arama
Bu yeniden sıralama sisteminin bir dezavantajı, daha az sayıda sonucu yeniden sıralamakla sınırlı olmanızdır.
Aksi takdirde popüler olacak ancak sıralamada yüksek olmayan bir sonucunuz varsa, bu sonuç garanti ettiği ilgiyi görmeyecektir.
Bu sistem aynı zamanda kayıtlardaki olayları ve yeniden sıralamak istediğiniz sorguları da gerektirir. Yepyeni ürün lansmanları veya genellikle arama dizinine giren ve çıkan kullanıcı tarafından oluşturulan içerik (UGC) için çalışmaz.
Sıralamayı öğrenmek (LTR) bu sorunları çözebilir. Yukarıda tartıştığımız yeniden sıralamaya çok benzer şekilde, LTR ayrıca, arama yapanların etkileşimde bulunduğu kayıtların, etkileşimde bulunmadıklarından daha iyi olduğu fikrine dayanarak çalışır.
Önceki yeniden sıralama yöntemi, belirli bir sorguya bağlandığında sonuçları doğrudan artırarak veya gömerek çalışır.
Bu arada, LTR çok daha esnektir. Diğer popüler sonuçlara göre sonuçları artırarak veya gömerek çalışır. LTR, hangi sorguların benzer olduğunu anlamak için makine öğrenimini kullanır (ör. “video oyunları” ve “oyun konsolu”).
Daha sonra, daha yaygın sorgulardaki etkileşimlere dayalı olarak daha az popüler olan sorgulardaki sonuçları yeniden sıralayabilir. LTR yalnızca sorguları genellemez; kayıtlar üzerinde de genelleme yapar.
LTR modeli, belirli bir sonuç türünün popüler olduğunu öğrenir; örneğin, Nintendo Switch oyunu “Legend of Zelda: Breath of the Wild”.
Ardından, diğer benzer sonuçlara (örneğin, “Legend of Zelda: Skyward Sword”) bağlanmaya başlayabilir ve bunları güçlendirebilir.
O halde, tipik yeniden sıralamanızdan çok daha güçlü görünüyorsa ve daha fazla sorgu ve kayıt kapsamı sağlıyorsa neden yalnızca LTR kullanmıyorsunuz?
(Başka bir deyişle: Daha iyi genelleme yapar.) Kısacası, LTR çok daha karmaşıktır ve daha uzmanlaşmış şirket içi makine öğrenimi (ML) uzmanlığına ihtiyaç duyar. Ek olarak, belirli sonuçların neden belirli yerlerde sıralandığını anlamak daha zordur.
İlk yeniden sıralama türüyle, bir kaydın diğerine kıyasla zaman içindeki tıklama ve dönüşüm sayısına bakabilirsiniz. Bu arada, LTR ile her zaman açık olmayabilecek bağlantıları yapan bir ML modeliniz olur.
Kişiselleştirme – Semantik Arama
Yeniden sıralama tüm arama yapanlarda işe yarasa da, kişiselleştirme kulağa şöyle geliyor: kişisel. Kişiselleştirmenin amacı, halihazırda alakalı olan sonuçları almak ve bunları kişisel zevklere göre yeniden sıralamaktır.
Google gibi web arama motorlarının sonuçlarında kişiselleştirmeyi ne kadar kullandığı konusunda bir tartışma olsa da , kişiselleştirme genellikle site içi arama motorlarındaki sonuçların performansını etkiler. Arama etkileşimlerini ve aramadan gelen dönüşümleri artırmak için yararlı bir mekanizmadır.
Arama Analizi
Yeniden sıralamada olduğu gibi, kişiselleştirme de kullanıcıların arama sonuçlarıyla nasıl etkileşime girdiğini anlamaya bağlıdır. Tıklamaları ve dönüşümleri izleyerek, kullanıcının görmek istediği sonuç türleri hakkında daha net bir fikre sahip olacaksınız.
Bu cephede yeniden sıralama ve kişiselleştirme arasındaki önemli bir fark, aramanıza bağlı olarak kişiselleştirmeyi nasıl uyguladığınızı ayarlamak isteyebilmenizdir. Örneğin, yiyecek satıyorsanız, kesinlikle daha önce satın alınmış ürünleri önermek istersiniz.
Ancak web siteniz kitap satıyorsa, bir müşterinin satın aldığı bir kitabı önermek istemezsiniz. Hatta bu kitapları arama sonuçlarında aşağı taşımak isteyebilirsiniz.
Bununla birlikte, kişiselleştirmeyi, kullanıcıların yalnızca daha önce etkileşim kurduklarını görecek kadar zorlamamanız gerektiği de doğrudur.
Arama, hem bulmayı hem de keşfetmeyi destekler. Bu nedenle, arama çubuğuna geri dönerlerse, yeni bir şey görmek isteme olasılığına açık olmalısınız.
Sonuçları yalnızca kişiselleştirme yoluyla derecelendirmeyin; diğer sıralama sinyalleriyle bir karışım yapın. Yeniden sıralamada olduğu gibi, kişiselleştirme de etkinlik azalmasından yararlanır.
Daha eski etkinliklerin etkisinin azaltılması, bir aramanın kullanıcının mevcut zevklerini daha doğru bir şekilde yansıtmasını sağlar. Bir bakıma bunu kişisel mevsimsellik olarak düşünebilirsiniz.
Kullanıcılar Arasında Kişiselleştirme
Şimdiye kadar gördüğümüz kişiselleştirme türü, bireyin kendi etkileşimlerine dayanmaktadır, ancak bunu başkalarının arama içinde yaptıklarıyla da birleştirebilirsiniz.
Bu yaklaşım, kullanıcının daha önce arama sonuçlarındaki öğelerle etkileşime girmediği durumlar üzerinde çok büyük bir etki gösterir. Kullanıcı arama sonucu öğeleriyle etkileşime girmediğinden, tanım gereği geçmiş etkileşimlere dayalı olarak artıramaz veya gömemezsiniz.
Bunun yerine, mevcut kullanıcıya benzeyen kullanıcılara bakabilir ve ardından etkileşimde bulundukları şeye göre kişiselleştirebilirsiniz.
Örneğin, size hiç elbise için gelmemiş ancak çok sayıda çanta satın almış bir kullanıcınız olduğunu varsayalım. Ardından, benzer zevklere sahip ve elbiselerle etkileşime giren diğer kullanıcıları arayabilirsiniz. Sezgisel olarak, araştırmacımızla aynı tür çantaları seven diğer müşteriler de aynı elbiseleri beğenmelidir.
Keşif için Yeniden Sıralama ve Kişiselleştirme – Semantik Arama
Arama, yeniden sıralama ve kişiselleştirmenin etkili olabileceği durumlardan yalnızca bir tanesidir. Aynı araçları keşif için de kullanabilirsiniz.
İşin sırrı, ana sayfanızı ve kategori sayfalarınızı arama sonuçları olarak düşünmektir. Ardından, arama için kullandığınız aynı araçları kullanabileceğiniz ve aynı avantajları elde edebileceğiniz açıktır.
Örneğin, bir ana sayfa, sorgusuz bir arama sayfasına benzer, değil mi? Ve bir kategori açılış sayfası, kesinlikle kendisine kategori filtresi uygulanmış bir arama sayfasına benziyor.
Bu sayfalara kişiselleştirme ve yeniden sıralama eklerseniz daha az statik olabilirler. Kullanıcılara görmeyi tercih ettikleri şeyleri sunacaklar ve genel olarak müşteriler arasında daha popüler olan öğeleri daha yükseğe çekebilecekler.
Endişelenmeyin, kişiselleştirme ve yeniden sıralama, bu sayfalardaki veya arama içindeki editoryal kararlarla karışabilir.
Bununla başa çıkmanın en iyi yolu, istenen sonuçları belirli yerlerde sabitlemek ve bunların etrafında yeniden sıralamaktır.
Kişiselleştirme ve yeniden sıralamanın, aramayı daha iyi hale getirmek için kullanıcı etkileşimlerini alakalı sinyallerle alan iki yaklaşım olduğunu gördük.
Etkileşimleri kullanarak kullanıcı tabanınızın sonucu etkilemesine izin verebilirsiniz. Yavaş yavaş, bu etkileşimler arama motoruna hangi öğelerin daha üst sıralarda yer alması gerektiğini söyler.
Sonuç olarak, arama yapanlar daha iyi bir arama deneyiminden yararlanır ve siz daha fazla tıklama ve dönüşümden yararlanırsınız.
