Actualités

Pour la sixième fois déjà, nous publions notre étude sur le sujet: "Marketing en ligne dans les magasins allemands 2016". Comme les années précédentes, nous avons analysé près de 200 des plus grands magasins allemands en ce qui concerne le trafic généré par les moteurs de recherche (SEO + AdWords), les réseaux sociaux, l'accès direct, les références, l'affichage, la messagerie, Pinterest, etc. Téléchargez dès maintenant le PDF d'essai pour le partager via Facebook, Twitter, XING ou Google+ en cliquant sur la couverture de l'étude.

Après 2011, 2012, 2013, 2014 et 2015, nous publions pour la sixième fois le présent rapport de statu quo sur le paysage électronique allemand dans les domaines de l'optimisation des moteurs de recherche (SEO), Google AdWords (SEA), du marketing par médias sociaux et du marketing en ligne. ,

Les moteurs de recherche tels que Google sont la pierre angulaire de la recherche et de la recherche sur Internet. La recherche sur le net est le point de départ de millions de décisions d'achat quotidiennes. Le marketing par les médias sociaux est également une préoccupation majeure pour de nombreuses entreprises. En particulier pour les boutiques en ligne, le trafic des moteurs de recherche et des médias sociaux joue un rôle important dans le marketing en ligne en raison de la qualité des visiteurs et des taux de conversion supérieurs à la moyenne qui en résultent.

La présente étude documente l'utilisation d'AdWords, du référencement, de Facebook, de Google+, de Pinterest, de l'affichage et du marketing par e-mail dans les plus grandes boutiques en ligne allemandes en 2016, également par rapport aux années précédentes. Un grand merci va SearchmetricsQui nous a de nouveau soutenu dans cette étude.

Contenu de l'étude

La présente étude examine les activités des 197 plus grandes boutiques en ligne dans les domaines des produits pharmaceutiques, des accessoires pour voitures et motos, des médias, de l'électronique, de l'habillement, de la gamme complète, des jouets, des meubles, du matériel de bureau, de la nourriture pour animaux, du bricolage et des cosmétiques en Allemagne, en ce qui concerne la distribution du trafic, l'optimisation des moteurs ( SEO), Google Adwords (SEA), médias sociaux, display et email marketing.

En plus du statu quo au premier semestre de 2016, nous avons également comparé certains chiffres clés avec ceux de 2014 et 2015. Les données sous-jacentes datent de mai 2016, mai 2014 et mai 2015, respectivement.

Quoi de neuf sur l'étude en 2016?

Cette année encore, nous avons inclus de nouveaux chiffres dans la considération. Par exemple, cette année, nous avons également examiné pour la première fois les données de trafic provenant d’Instagram, de Youtube, de Facebook, de Gutefrage.net et de Pinterest. En outre, l’étude de cette année comprend pour la première fois un examen des données des outils Searchmetrics et Similarweb sur une période de trois ans – à compter de 2014. Par ailleurs, la prise en compte et la comparaison des données de Twitter, en raison de la fermeture du compte Twitter Share Count Les API ne sont plus disponibles depuis le 20.11.2015. De plus, l'examen quantitatif des publications sur Google+ sera omis cette année.

Quelques extraits de l'étude Online Markeing chez German Online Shops

Vous trouverez ci-dessous quelques conclusions de l’étude. Plus de plats à emporter, des diagrammes et des informations sont disponibles dans l’étude complète en PDF.

Plats à emporter en général

• Comme dans les années 2014 et 2015, la recherche organique dans Google de toutes les boutiques en ligne examinées reste
  canal le plus important. La proportion a augmenté dans tous les secteurs, passant de 82,42% en 2015 à 85,32% en 2016. Est généralement
  une tendance à la hausse peut être constatée (voir page 22).
• En revanche, l’importance de la recherche universelle (y compris les images, la vidéo, les achats, etc.) est de 10,08% en 2015.
  légèrement baissé à 9,64% (voir page 22).
• La tendance négative de l'utilisation d'AdWords se poursuit en 2016; la proportion diminue de manière significative
  de 7,47% à 5,03% – la tendance continue à la baisse (voir page 22).
• Le développement de la visibilité organique dans le domaine de l'électronique montre une forte comparaison sur trois ans
  tendance négative à la hausse.

SEO à emporter

• La grève représente une augmentation de 64,58% de la visibilité des médias organiques, suivie de l'amélioration de l'habitat
  (+ 58,5%) et le matériel de bureau (+ 33,70%).
• Le développement de la recherche universelle dépend fortement de l'industrie. Médicaments, accessoires auto et moto,
  Les vêtements, l'assortiment complet, la nourriture pour animaux domestiques et l'amélioration de l'habitat augmentent le trafic. Cependant, il est intersectoriel
  avec – 4,32% une évolution négative depuis 2015 reconnaissable.
• Pour les boutiques en ligne étudiées, le trafic via les résultats de la recherche organique est et reste spécial
  Signification (voir page 18). L’augmentation intersectorielle de la visibilité organique montre également un
  Fermer l'activité de référencement (voir page 20).

Emportez SEA / AdWords

• Le trafic Adwords continue de diminuer comme les années précédentes. Par rapport à l'année 2015, cependant, très clairement de – 32,88%.
• Les secteurs des cosmétiques et des médias affichent à eux seuls une légère augmentation du trafic AdWords.

Médias sociaux à emporter

• Le trafic sur Facebook reste avec 86,20% de part du canal numéro 1 du média social.
• Google+ a une importance supérieure à la moyenne dans les domaines de l'électronique (33,77%), de l'équipement de bureau
  (24,51%) et les médias (17,29%).
• Pinterest est représenté pour la première fois avec une part de 0,53% dans l'étude. Le trafic sur Pinterest se déroule principalement
  dans les secteurs du mobilier (5,54%), de l’amélioration de la maison (2,43%), du bureau (1,88%) et de l’habillement (1,16%).
• Globalement, Facebook, avec 86,20% des parts, reste le canal de médias sociaux le plus puissant et la tendance est à la hausse.
• Google+ a perdu une part au total.

Votes sur les études récentes sur le commerce électronique

"Étude très large avec des résultats surprenants. Le secteur de la vente au détail est généralement très prudent par rapport aux autres industries et donne souvent la priorité aux autres. Du point de vue positif, le Web 2.0 est désormais également disponible dans le commerce de détail allemand. même si cela prend du temps. Le potentiel commercial est énorme. Les taux de croissance vont certainement se poursuivre pendant cinq à dix ans. Cela a maintenant lentement compris tout le monde dans l'industrie. C'est pourquoi les choses avancent vite … "

Les études de magasin de 2012, 2013, 2014 et 2015 à télécharger

Téléchargez l'étude 2014 en cliquant sur la couverture

Téléchargez l'étude 2015 en cliquant sur la couverture

Téléchargez l'étude 2012 en cliquant sur la couverture

Téléchargez l'étude 2013 en cliquant sur la couverture

Cet article de ma série d'articles sur la sémantique et les entités dans le référencement et Google examine le rôle des entités dans l'interprétation des requêtes de recherche. Amusez-vous à lire!

Les tâches principales de la recherche par entité

Pour les systèmes d’extraction de recherche basés sur des entités, les entités jouent un rôle central dans plusieurs tâches.

1. Interprétation des requêtes de recherche
2. Détermination de la pertinence au niveau du document
3. Évaluation au niveau du domaine ou de l'auteur
4. Émission d'une réponse ad hoc sous la forme d'un panneau de connaissances, d'un extrait de code …

Dans toutes ces tâches, l’interaction entre entité, requête de recherche et pertinence s’applique. Cet article porte sur l'interprétation des requêtes de recherche et sur les relations entre les entités et les requêtes de recherche.

Google veut reconnaître le sens et l'intention de recherche des requêtes de recherche

L'interprétation des requêtes de recherche est l'un des plus grands défis des moteurs de recherche à une époque où les requêtes de recherche étaient de plus en plus complexes, notamment par le biais de la recherche vocale. Car l’utilité d’un moteur de recherche est cruciale pour comprendre ce que recherche l’utilisateur. Ce n'est pas une tâche facile, en particulier pour les requêtes de recherche mal formulées. Dans moderne systèmes de recherche d'information il s'agit de moins en moins de mots-clés, qui contiennent un terme de recherche autant que le sens de la requête. Ici, les entités jouent un rôle central dans de nombreuses requêtes de recherche.

Presque tous les termes de recherche sont basés sur une question implicite ou explicite et sur une intention de recherche. L'intention de recherche est très importante pour la comparaison avec l'objectif des documents ou du contenu du corpus respectif. En période de recherche vocale et d'appareils mobiles, il est encore plus important pour Google d'identifier les requêtes de recherche et leur intention ou signification d'utilisateur aussi précisément que possible, afin de générer individuellement les résultats de recherche correspondants.

Mais je ne veux pas entrer dans l'intention de recherche ici. Dans cet article, je voudrais me concentrer sur l'interprétation de la signification des requêtes de recherche utilisant des entités.Vous pouvez en lire plus dans l'article explication et identification de l'intention de recherche et de l'intention de l'utilisateur par mot-clé.

Dans une interview en 2009, Ori Allon, ancien directeur technique de la Google Search Quality Team, a déclaré dans une interview avec IDG:

Nous travaillons très fort sur la qualité de la requête. La requête n'est pas la somme de tous les termes. La requête a une signification derrière elle. Pour des requêtes simples comme "Britney Spears" et "Barack Obama", il est assez facile pour nous de classer les pages. Mais quand la question est: Quel médicament devrais-je prendre après ma chirurgie oculaire?, C'est beaucoup plus difficile. Nous devons comprendre le sens …

Un exemple de l'efficacité des systèmes de recherche basés sur les entités, par opposition aux systèmes basés sur les termes, montre cet exemple.

Un moteur de recherche purement basé sur des termes ne reconnaîtrait pas la différence de sens entre les requêtes de recherche "feu rouge" et "feu rouge", car les termes de la requête de recherche sont les mêmes, mais disposés différemment. Selon la disposition, le sens est différent. Un moteur de recherche basé sur une entité reconnaît les différents contextes en fonction des différents arrangements. "Stoplight red" est une entité distincte, tandis que "red stoplight" est la combinaison d'un attribut et d'une entité "stoplight".

Dans cet exemple, il apparaît clairement qu'il ne suffit pas d'utiliser un terme pour déterminer l'entité. Les mots dans l'environnement jouent également un rôle important dans l'identification du sens. Les termes dont le sens varie en fonction du contexte représentent un défi pour Google ou les moteurs de recherche.

Google veut reconnaître les entités dans les requêtes de recherche

Google veut savoir quelle entité est une question. Ce n'est pas si facile si l'entité elle-même n'apparaît pas dans le terme de recherche. Google peut identifier l'entité que vous recherchez par les entités trouvées dans le terme de recherche et le contexte de relation entre les entités.

Un exemple:

La question "qui est le chef chez vw" ou la question implicite "chef vw" mène à la livraison de la boîte de graphe de connaissances suivante:

Dans cet exemple, deux entités et une phrase de connexion ou de prédicat jouent un rôle important dans la réponse à la question.

• VW (entité)
• Chef (type de connexion)
• Herbert Diess (entité)

Ce n'est qu'en combinant l'entité "VW" et le type de connexion "boss" que Google peut répondre à la question sur l'entité "Herbert Diess".

C'est pourquoi l'identification des entités par Google est si importante dans la première étape. Google utilise Knowledge Graph comme référentiel central pour tous les termes identifiés en tant qu'entités.

Pour Google, il est important d'identifier les entités dans les termes de recherche et d'identifier les connexions avec d'autres entités. Les relations entre les entités sont au moins aussi importantes. C'est la seule façon pour Google de répondre à des questions implicites sur les entités et donc à des questions concrètes sur des entités directement dans les SERP. Voici un exemple:

La requête de recherche "Qui est le fondateur d'Adidas?" (Question explicite) et "fondateur Adidas" (question implicite) conduit presque aux mêmes résultats de recherche:

Même si les résultats diffèrent légèrement, Google reconnaît que l'entité recherchée est Adolf Dassler, bien que le nom n'apparaisse pas dans la requête de recherche. Peu importe si je pose une question implicite sous la forme du terme de recherche "Fondateur Adidas" ou une question explicite. L'entité "adidas" et le contexte relationnel "fondateur" suffisent à cela.

Enrichissement sémantique des requêtes de recherche

Il n’est pas toujours facile pour Google d’interpréter les entités pertinentes à partir des requêtes de recherche. Les requêtes de recherche en arrière-plan peuvent être automatiquement enrichies d'informations sémantiques supplémentaires ou d'annotations, ou suggérées à l'utilisateur via la méthode de suggestion automatique. Ce faisant, la correspondance entre la requête de recherche et l'entité ne repose plus uniquement sur le texte saisi, mais également sur les relations sémantiques des entités et des attributs.

L'exemple suivant recherche l'entité "Ann Dunham". Un moteur de recherche purement basé sur des termes aurait des problèmes pour répondre à la requête de recherche du "parent d'Obama". Grâce à la combinaison de recherche par terme et par entité, la réponse "Ann Dunham" peut être sortie en tant que mère du moteur de recherche.

En pratique, le résultat ressemble à ceci. En plus de la mère Ann Dunham, la deuxième entité du père Barack Hussein Obama ayant fait l'objet d'une recherche, ainsi que le panel de connaissances de Barrack Obama, sont également publiés. Le panneau de la connaissance de Barrack Obama est joué parce que le système répond au terme Barack Obama dans la requête de recherche. Les deux autres zones d'entité sont sorties du graphe de connaissances en fonction des informations supplémentaires sémantiques.

La chose pratique à propos de ce système dual lors de l’interprétation des requêtes de recherche est que les résultats peuvent également être générés si aucune entité n’est recherchée dans un terme de recherche.

En plus de l'interprétation gênée par l'entité des requêtes de recherche, la méthode basée sur les termes peut également être prise en charge par des méthodes basées sur des types d'entités. Cela concerne les recherches qui recherchent plusieurs entités dans une classe de type, telles que "Visites de Hanovre". Voici une boîte qui répertorie plusieurs entités.

Les requêtes relatives à un type d'entité génèrent souvent l'entité la plus pertinente, les carrousels ou le type de boîte de graphe de connaissances ci-dessus. Ces zones affichent les entités les plus pertinentes en fonction de la requête de recherche, en fonction de la pondération. La proximité ou la pertinence des entités par rapport à la requête de recherche peut être similaire à celle de documents concernant des analyses d'espace vectoriel, telles que p. Ex. Remarquez Word2Vec. Plus l'angle entre le vecteur de requête de recherche et le vecteur d'entité est petit, plus le terme et l'entité sont pertinents ou proches.

Brevets Google pour l'interprétation des requêtes de recherche

Ci-dessous, je voudrais présenter quelques brevets Google pouvant être pertinents pour l'interprétation des requêtes de recherche. Certains des brevets ultérieurs pourraient être la technologie de base mise sur le Rankbrain avec ses technologies d’apprentissage automatique.

Je voudrais commencer par une série de brevets qui traitent du raffinement des requêtes de recherche. La date de publication du premier brevet montre que Google s’occupe de cette question complexe depuis longtemps. Il s’agit de l’un des premiers brevets de Google sur l’interprétation sémantique des termes de recherche. Ori Allon à partir de l'année 2009.

Affinage des requêtes de recherche

Le brevet traite principalement de l'interprétation des requêtes de recherche et de leur raffinement. Selon le brevet, le raffinement de la requête de recherche fait référence à certaines entités qui souvent coexistent dans les documents explorant la requête d'origine ou ses synonymes. En conséquence, les entités peuvent être référencées les unes aux autres et même des entités auparavant inconnues peuvent être rapidement identifiées.

Identification des expansions d'acronymes

Ce brevet a été publié pour la première fois dans le Août 2011 dessiné par Google et im Octobre 2017 redessiné à nouveau sous un nouveau nom. C'est très excitant en tant que l'un des inventeurs du spécialiste de l'apprentissage en profondeur Thomas Strohmann qui a joué un rôle de premier plan dans le développement de Rankbrain.

Ce brevet ne parle pas d'entités, mais il décrit une autre façon pour Google de réécrire ou d'affiner les recherches originales en fonction des informations d'un premier sous-ensemble de documents afin d'obtenir des résultats de recherche plus pertinents. Dans ce brevet, il s'agit principalement d'interprétation des acronymes dans les requêtes de recherche. Toutefois, le processus décrit constitue un modèle pour de nombreuses autres méthodes traitant du raffinement ou de la réécriture des requêtes de recherche.

L'acronyme et le moteur de synonymes décrits dans le brevet peuvent être remplacés par le graphe de connaissances.

Réécriture de requêtes avec détection d'entités

Ce brevet a été publié pour la première fois dans le Septembre 2004 dessiné par Google et im Octobre 2017 redessiné à nouveau sous un nouveau nom. C'est particulièrement excitant, car les racines ont une longueur d'avance sur Rankbrain, Hummingbird et Knowledge Graph, et semblent être pertinentes aujourd'hui, ce qui suggère que la méthodologie fait partie intégrante de la recherche Google actuelle.

La méthodologie décrit comment réécrire les requêtes de recherche avec des références d'entité selon les besoins, ou au moins suggérer des suggestions pour obtenir des résultats de recherche plus pertinents.

Le brevet semble à première vue assez simple et rudimentaire, car la réécriture de la requête dans les exemples cités fait uniquement référence à un complément aux requêtes de recherche avec des opérateurs de recherche. Par exemple, dans l'un des exemples, la requête "Business Week sur les fonds communs de placement" devient non écrite "Source des fonds communs de placement: Business Week". Je trouve intéressant dans le brevet que, dans les exemples, les identifiants d’entités soient attribués via des domaines. Cela donnerait la présomption que les domaines sont des images numériques uniques d'entités.

En outre, il est décrit qu’une réécriture de la requête de recherche comporte également différents termes synonymes, tels que. Des synonymes ou des fautes d'orthographe peuvent être exécutés et le contenu fourni en tant que résultats de recherche correspondant à la requête d'origine et à la requête réécrite.

Un exemple serait la requête de recherche "marketing internet". Nous trouvons ici les résultats correspondant à la requête de recherche initiale et au terme synonyme plus populaire de "marketing en ligne".

Découverte des actions d'entité pour un graphe d'entité

Ce brevet a Google dans Janvier 2014 d'abord dessiné et redessiné en octobre 2017 sous un nom actualisé. Il décrit comment Google identifie les activités liées aux entités en fonction des fluctuations de volume de recherche situationnelles à court terme. Ceux-ci peuvent alors être par exemple être ajouté à un panneau de connaissances à court terme ou un contenu qui prend en compte ces activités en cours peut être temporairement poussé vers le haut du classement. Cela permet à Google de réagir aux événements liés à la situation autour d'une entité et d'ajuster les SERP en conséquence.

Sélection du contenu à l'aide des propriétés d'entité

Ce brevet a été redessiné pour la première fois en avril 2014 et en octobre 2017 sous un nouveau nom de Google. Il décrit comment Google peut utiliser un indice de confiance pour déterminer la hiérarchie des entités dans une requête de recherche.

Pour détecter la pertinence d'une entité dans une requête, Google peut utiliser un score de confiance.

Le procédé peut inclure l’identification d’une propriété de la requête de recherche. Le procédé peut inclure le système de traitement de données déterminant une correspondance entre une propriété d'une entité de critères de sélection de contenu et la propriété de l'entité de la requête de recherche. Le procédé peut inclure le système de traitement de données. Source: https://patents.google.com/patent/US9542450B1/en

Après que ce score de confiance soit ensuite déterminé quelle est l'entité principale dans la requête de recherche, les documents appropriés pour les SERP sont donc déterminés. Les attributs d'entité peuvent être inclus dans le processus de sélection via un graphe de requête et un graphe de critères de sélection de contenu.

Dans la requête "rouge stoplight" dans la capture d'écran à gauche, les mots sont dans l'ordre standard – "rouge" décrit "stoplight" , Lorsque l'ordre est inversé, «feu rouge» devient la requête de la main droite, il devient comme s'il s'agissait d'un feu rouge; ici, 'stoplight' devient l'adjectif et 'rouge' devient le nom (un concept).

Identifier et classer les attributs d'entités

Ce brevet de Google, publié en 2015, est sans doute l’un des brevets les plus intéressants sur le sujet. Il décrit comment Google détermine les données de la requête de recherche, les parties descriptives de l'entité et les pièces jointes pour chaque terme de recherche. Ces pièces jointes peuvent par exemple Soyez des attributs. De cette manière, les requêtes de recherche peuvent être analysées pour déterminer les types d'informations que les utilisateurs souhaitent généralement recevoir.

Dans de nombreux cas, les types d'informations qui intéressent un utilisateur pour une entité (telle qu'une personne ou un sujet) sont différents. En analysant les requêtes de recherche, les informations les plus demandées peuvent être identifiées pour une entité donnée. Ensuite, lorsqu'un utilisateur envoie une requête concernant l'entité particulière, les informations les plus demandées peuvent être fournies en réponse à la requête. Par exemple, un bref résumé des faits les plus fréquemment demandés pour l'entité particulière et d'autres entités similaires peut être fourni, tel que: dans un panneau de connaissances ou une carte de connaissances.

Il prend en compte la fréquence à laquelle certaines informations sont recherchées pour l'entité elle-même ainsi qu'en général pour le type d'entité. Si par exemple Basé sur le groupe Phoenix souvent après les albums, les paroles et les dates de tournée, et généralement pour les musiciens après les membres du groupe et les chansons, il en résulte les informations fournies dans le panneau de connaissances.

Méthodes, systèmes et supports d'interprétation de requêtes

Dans ce brevet, Google im Année 2015 diverses méthodes sont décrites comment les moteurs de recherche peuvent interpréter les requêtes de recherche.

Ce brevet décrit le problème de base et les solutions pour faire face aux défis.

Par exemple, en réponse à la requête "film d'action avec Tom Cruise", ces moteurs de recherche peuvent fournir des résultats de recherche non pertinents, tels que "Last Action Hero" et "Tom and Jerry", simplement parce qu'une partie de la requête de recherche est incluse dans la liste. titre des éléments de contenu. En conséquence, une compréhension de la requête de recherche peut produire des résultats de recherche plus significatifs.

Dans la méthode décrite ici, les requêtes de recherche sont décomposées en termes individuels. Pour ces termes, il est vérifié s'ils sont liés à une entité connue. Un score de confiance détermine la proximité des termes par rapport aux entités. Le contexte de la requête de recherche, y compris les termes sans référence directe à une entité, joue également un rôle dans le terme de recherche. Sur la base de l'entité la plus pertinente, une recherche est effectuée en fonction du type d'entité et les résultats de la recherche correspondants sont livrés.

Voici un exemple. Une requête de recherche telle que "Film d'action avec Tom Cruise" serait décomposée en composants "Action", "Film", "Tom" et "Cruise". Le terme action peut être une entité du type entité film, genre ou série. Parmi ces types d’entités, lequel est le plus demandé peut, déterminé par la fréquence ou la popularité d'un score d'entité.

Selon le type de moteur de recherche (recherche d'images, recherche de vidéos …), les formats de média correspondants seront fournis en fonction du type d'entité recherché "Action Film" et de l'entité "Tom Cruise". Le brevet fait référence à une grande variété de recherches telles que, par exemple, Rechercher des requêtes dans une recherche d'image ou via une recherche vocale via un assistant numérique.

Génération de requêtes utilisant la similarité structurelle entre les documents

Ce brevet a été publié dans Septembre 2016 dessiné. Ce qui est excitant à propos de ce brevet, c’est que, parmi les inventeurs impliqués dans Paul Haahr et Yonhui Wu, se trouvaient deux ingénieurs majeurs de l’apprentissage en profondeur. En outre, Yonhui Wu a été l’un des leaders du développement de Rankbrain.

Le brevet décrit une méthode permettant à un moteur de recherche de générer des recherches auxiliaires sur une entité à stocker dans un magasin de requêtes. Ces requêtes de recherche pourraient ensuite être utilisées, par exemple. Requêtes ou réécritures d'un terme de recherche d'origine.

Sur la base de la structure de contenu de documents similaires, les affinements des requêtes de recherche peuvent être résumés. Ainsi, d'un document à l'auteur, la phrase survenue de Joseph Heller "Joseph Heller a écrit le roman influent catch 22 sur un militaire américain au cours de la Seconde Guerre mondiale." La requête "joseph plus brillante" est extraite.

Regroupement d'affinements de requêtes par intention d'utilisateur présumée

Ce brevet a Google dans Mars 2016 d'abord dessiné et redessiné en octobre 2017 sous un nom actualisé. Il existe une méthodologie utilisée par Google pour affiner les requêtes de recherche afin de mieux déterminer ce que recherche réellement l'utilisateur. Ces améliorations sont les requêtes de recherche révisées qui apparaissent sous les résultats de la recherche.

Ces améliorations sont particulièrement importantes en cas de doute sur l’intention de l’utilisateur de lire des résultats plus pertinents et les recherches associées. Pour cela, toutes les recherches possibles sont organisées dans des raffinements de cluster reflétant les différents aspects de la requête d'origine. Ces aspects nécessitent des résultats de recherche différents.

Le regroupement des requêtes de recherche est résolu via une construction graphique. Les relations entre les termes de recherche, dépendantes de la session, ainsi que l'interrogation de documents spécifiques sont prises en compte. Le graphique prend en compte à la fois la similarité basée sur le contenu et la similarité de la cooccurrence de sessions déterminée à partir des journaux de requêtes. En d'autres termes, les dépôts simultanés de recherches consécutives ainsi que le comportement des clics sont analysés.

Dans le graphique, la requête d'origine ainsi que les raffinements et les documents correspondants sont représentés sous forme de nœuds. Des noeuds supplémentaires représentent les requêtes de recherche associées se produisant en session sous forme de co-occurrences intra-session. Tous ces noeuds sont connectés via des bords.

Des groupes d’affinements et de documents de recherche peuvent être créés via le vecteur de probabilité de visite.

En ce qui concerne les recherches associées, le brevet contient un passage intéressant qui décrit comment les requêtes associées sont générées:

Les requêtes associées sont généralement obtenues à partir des journaux de requête en recherchant d'autres requêtes qui se produisent dans des sessions avec la requête d'origine. Plus précisément, les raffinements de requête, un type particulier de requêtes associées, sont obtenus en recherchant les requêtes les plus susceptibles de suivre la requête d'origine dans une session utilisateur. Pour de nombreuses requêtes courantes, il est possible que plusieurs requêtes associées soient extraites des journaux à l'aide de cette méthode. Toutefois, compte tenu de l'espace limité disponible sur une page de résultats de recherche, les moteurs de recherche ne choisissent généralement que d'afficher quelques requêtes connexes.

À cette fin, Google fournit le plus grand nombre possible de requêtes connexes, qui représentent les aspects les plus importants d’une requête de recherche originale diversifiée. Pour la recherche "mars", Google fournit les recherches connexes suivantes:

Les aspects ou entités suivants sont représentés par les requêtes associées:

• Gottfried Wilhelm Leipzig (philosophe)
• Université de Leibniz (établissement d'enseignement)
• Biscuit de Leibniz (nourriture)

Ces entités forment des grappes. Selon les résultats de la recherche, le groupe le plus populaire semble être le philosophe suivi de l'établissement d'enseignement:

Ce sera intéressant si je change le contexte en affinant la requête de recherche pour "leibniz keks".

Dès que vous mettez le focus interne de la session sur l'entité "Clés de Leibniz", les SERPs pour la requête de recherche ci-dessus "leibniz" changent comme suit:

• Vous ne verrez plus le panneau de connaissance pour le philosophe, mais pour les trois entités "Boîtes de spécifications" (pour en savoir plus ici)
• En position 1, le résultat est maintenant lié au cookie de Leibniz, tandis que dans la même requête précédente, l'entrée de Wikipédia est remontée jusqu'au philosophe.

Le focus de l'entité a changé par rapport à ma session de recherche individuelle. À partir de ce moment, la popularité du cluster ou de l'entité ne compte plus, mais bien mon intention de recherche personnelle et pertinente. (plus sur la pertinence et la pertinence dans la pertinence, la pertinence et l'utilité sur Google).

Passionnant, non?

Réécriture de requêtes sur l'appareil

Ce brevet a Google dans Avril 2016 d'abord dessiné et redessiné en octobre 2017 sous un nom actualisé. Il souhaite une méthode telle que des requêtes de recherche basées sur un modèle affiché sur le client, par exemple. un smartphone est récrit, annoté et attribué à une catégorie.

Le gros avantage de cette méthode est que les faits d’une base de données d’entités telle que Le graphique de connaissance peut en outre être enrichi avec des informations relatives à l'utilisateur individuel, telles que, par exemple, Les données de localisation peuvent être étendues. Cela peut être adapté à la situation individuelle de la réponse de l'utilisateur.

Associer à une entité avec une requête de recherche

Dans ce brevet, Google a été attribué en 2016. Il s'agit de savoir comment une entité peut être reconnue dans une requête de recherche ou comment Google peut voir qu'il s'agit en fait d'une requête de recherche avec une référence à une entité. Il existe également une autre version datant de 2013 pour ce brevet.

Le brevet décrit les étapes de processus suivantes:

1. 1. Recevoir une requête de recherche
   2. Identifier une entité associée au terme de recherche
   3. Fournissez un résumé de l'entité afin que les résultats correspondants puissent être affichés en réponse à la requête de recherche. Le résumé contient à la fois des informations pertinentes sur l'entité et des requêtes de recherche supplémentaires facultatives.
   4. Identifiez la demande de recherche d'entité facultative et établissez un lien avec l'option sélectionnée. (Plus dans le brevet ….)
   5. Identifier les documents correspondant aux entités ou à l'entité
   6. Identifier d'autres entités à partir des documents sélectionnés
   7. Connecter la ou les entités à la requête de recherche
   8. Déterminer un classement pour les entités

Apprendre des interactions utilisateur dans la recherche de personnel via le paramétrage d'attribut

À partir de 2017, la version scientifique "Tirer des leçons des interactions de l'utilisateur dans la recherche de personnel via le paramétrage d'attributs" est issue de. Voici comment Google pourrait créer des relations d'attributs sémantiques entre les requêtes de recherche et les documents cliqués, et même prendre en charge un algorithme de classement à auto-apprentissage, en analysant le comportement des utilisateurs avec des documents individuels:

"Le cas dans la recherche privée est différent. Les utilisateurs ne partagent généralement pas les documents (par exemple, les courriels ou les fichiers personnels), et donc directement les agrégats. Pour résoudre ce problème, plutôt que d'apprendre directement du comportement de l'utilisateur pour une paire donnée (requête, doc) comme dans la recherche Web, nous avons plutôt choisi d'utiliser des documents et des requêtes utilisant des attributs sémantiquement cohérents qui sont en quelque sorte représentatifs de leur contenu.
Cette approche est également décrite à la figure 2. Les documents et les projets sont projetés dans un espace attributaire agrégé, plutôt que directement. Puisque nous supposons que les attributs sont dans un modèle d’apprentissage au classement. "

Amélioration de la mise en cluster de sujets sémantiques pour les requêtes de recherche avec la co-occurrence de mots et la mise en cluster de graphes bipartites

Un autre article scientifique de Google donne des informations intéressantes sur la manière dont Google divise aujourd'hui probablement les requêtes de recherche en différents domaines thématiques.

Ce document présente deux méthodes que Google utilise pour contextualiser les requêtes de recherche. Les scores de levage jouent un rôle central dans le regroupement de co-occurrences de Word:

"Wi" dans la formule désigne tous les termes étroitement liés au mot racine, tels que les fautes d'orthographe, le pluriel, le singulier ou les synonymes.

"A" peut être toute interaction de l'utilisateur, telle que la recherche d'un terme de recherche spécifique ou la visite d'une page spécifique.

Si le score de levage, par exemple 5, la probabilité que "Wi" soit recherché est 5 fois supérieure à celle de "Wi" généralement recherchée.

"Un score élevé nous aide à construire des sujets significatifs plutôt que des mots inintéressants. En pratique, les probabilités peuvent être estimées à l'aide de la fréquence des mots dans l'historique de recherche Google dans une fenêtre temporelle récente. "

De cette façon, les termes peuvent être donnés à des entités particulières, telles que des entités. Mercedes et / ou lors de la recherche de pièces détachées de la classe de contexte thématique "voiture". La classe de contexte et / ou l'entité peuvent ensuite continuer à être associés à des termes qui apparaissent souvent en tant que co-occurrences des termes de recherche. Cela permet de créer rapidement un nuage de termes sur un sujet spécifique. La hauteur du score d'ascenseur détermine l'affinité avec le sujet:

"Nous utilisons le score de levage pour classer les mots en fonction de leur poids et de leur valeur."

Cette méthode peut être utilisée en particulier lorsque "Wi" est déjà connu, par ex. Termes de recherche par marques ou catégories connues. Si "Wi" ne peut pas être clairement défini, étant donné que les termes de recherche du même sujet sont trop différents, Google pourrait utiliser une deuxième méthode – "clustering bigraph pondéré".

Cette méthode repose sur deux hypothèses.

1. Les utilisateurs partageant les mêmes intentions formulent leurs requêtes de recherche différemment. Néanmoins, les mêmes résultats de recherche sont générés par les moteurs de recherche.
2. Inversement, des URL similaires sont générées pour une requête de recherche sur les premiers résultats de recherche.

Cette méthode compare les termes de recherche aux URL les mieux classées et crée des paires requête / URL dont la relation est pondérée en fonction des taux de clic et des impressions de l'utilisateur. De cette manière, des similitudes peuvent être faites entre les termes de recherche, qui n'ont pas le même mot racine et forment des clusters sémantiques.

Evaluation des interprétations sémantiques d'une requête de recherche

Ce brevet Google, introduit en juillet 2019, décrit une méthode permettant de déterminer différentes significations sémantiques dans une requête de recherche. Chaque interprétation sémantique est liée à une autre requête de recherche canonique. La requête en cours est modifiée en fonction de cela et du terme de recherche canonique

Semblable au brevet déjà mentionné concernant les annotations sémantiques, les termes de recherche modifiés sont déjà commentés avec un sens sémantique. En comparant les résultats de recherche de la requête de recherche initiale et ceux de la requête de recherche modifiée, les deux significations sémantiques possibles peuvent être validées et pondérées en relation. Le degré de similarité des résultats de la recherche détermine la proximité. Le degré de similarité est basé sur la fréquence d'apparition de certains mots-clés associés à la requête particulière dans les résultats de la recherche modifiés. Eine größere Häufigkeit des Auftretens von Keywords kann beispielsweise darauf hinweisen, dass die geänderte Suchanfrage mit größerer Wahrscheinlichkeit der semantischen Bedeutung entspricht.

In einigen Fällen können andere Daten, wie z. B. die Klickrate des Benutzers, Website-Traffic-Daten oder andere Daten, verwendet werden, um eine wahrscheinliche semantische Interpretation zu interpretieren.

Query Suggestions based on entity collections of one or more past queries

Ein weiteres Google Patent aus dem Juli 2019 beschreibt eine Methode, wie Google Suggest Vorschläge aus vergangenen Suchanfragen generieren kann. Auch hier spielen Entitäten eine Rolle. Entitäten, die in Beziehung zu den in den bisherigen Suggest-Vorschlägen vorkommenden Entitäten oder in der Vergangenheit gesuchten Entitäten in Beziehung stehen sind die Basis für die Bestimmung einer Ähnlichkeits-Messzahl für die Bestimmung neuer Suggest-Vorschläge.

Weitere Google-Patente für die Entitäten-basierte Interpretation von Suchanfragen

Rankbrain ist ein Entitäten-basierter Search Query Processor

Als Google im Jahr 2015 die Einführung von Rankbrain für die bessere Interpretation von Suchanfragen bekannt gegeben hat gab es eine Vielzahl von Vermutungen und Meinungen aus der SEO-Branche. Es wurde z.B. von der Geburtsstunde von Machine Learning bzw. KI bei Google gesprochen. Wie in meinem Beitrag Bedeutung von Machine Learning, AI & Rankbrain für SEO & Google erläutert beschäftigt sich Google bereits seit 2011 im Rahmen des Projekts Google Brain intensiv mit Deep Learning. Rankbrain war allerdings die erste offizielle Bestätigung seitens Google, dass Machine Learning auch in der Google Suche eingesetzt wird.

Die wohl präzisesten Informationen von Google zu Rankbrain bisher gab es im Bloomberg Interview  aus Oktober 2015.

Eine Aussage in dem Interview sorgte für viele Missverständnisse um Rankbrain.

RankBrain is one of the “hundreds” of signals that go into an algorithm that determines what results appear on a Google search page and where they are ranked. In the few months it has been deployed, RankBrain has become the third-most important signal contributing to the result of a search query.

Viele SEO-Medien haben die Aussage so interpretiert, dass Rankbrain einer der drei wichtigsten Rankingfaktoren ist. Aber ein Signal ist kein Faktor. Rankbrain hat einen großen Einfluss darauf wie die Suchergebnisse ausgewählt und geordnet werden ist aber kein Faktor wie z.B. bestimmte Bestandteile eines Inhalts oder Links.

In diesem Interview gibt es eine weitere interessante Aussage:

RankBrain uses artificial intelligence to embed vast amounts of written language into mathematical entities — called vectors — that the computer can understand. If RankBrain sees a word or phrase it isn’t familiar with, the machine can make a guess as to what words or phrases might have a similar meaning and filter the result accordingly, making it more effective at handling never-before-seen search queries.

Bei Rankbrain werden Entitäten in einer Suchanfrage identifiziert und mit den Fakten aus dem Knowledge Graph abgeglichen. Insofern die Begriffe mehrdeutig sind findet Google über Vektorraumanalysen heraus welche der möglichen Entitäten am besten zum Begriff passen. Dabei sind die umliegenden Wörter im Suchterm ein erstes Indiz für die Ermittlung des Kontext. Das mag auch auch ein Grund sein warum Rankbrain u.a. für Longtail-Suchanfragen zum Einsatz kommt.

Das Problem  in der Pre-Rankbrain-Zeit war die fehlende Skalierbarkeit bei der Identifikation und Anlage von Entitäten im Knowledge Graph. Der Knowledge Graph basiert aktuell noch in erster Linie aus Informationen aus Wikidata, die durch Wikipedia-Entitäten verifiziert werden und Wikipedia selbst – also  manuell gepflegte und dadurch eher statisches und damit nicht skalierbares System.

“Wikipedia is often used as a benchmark for entity mapping systems . As described in Subsection 3.5 this leads to sufficiently good results, and we argue it would be surprising if further effort in this area would lead to reasonable gains.”
Quelle: From Freebase to Wikidata – The Great Migration

Mehr dazu findest Du in den anderen Teilen der Beitragsreihe:

Eine weitere sehr zu empfehlende Quelle für Informationen zur Funktionsweise der Google-Suche aus erster Hand ist der bereits in einem anderen Beitrag erwähnte Vortrag von Paul Haahr auf der SMX West 2016.

Danny Sullivan fragte Jeff in der Q&A, wie RankBrain funktionieren könnte, um die Dokumentqualität oder -autorität festzustellen. Seine Antwort:

This is all a function of the training data that it gets. It sees not just web pages but it sees queries and other signals so it can judge based on stuff like that.

Das spannende an dieser Aussage ist, dass sie implizit ausdrückt, dass Rankbrain erst nach der Auswahl eines ersten Sets an Suchergebnissen eingreift.
Das ist eine wichtige Erkenntnis, da RankBrain die Suchanfrage nicht verfeinert, bevor Google nach Ergebnissen sucht, sondern erst danach.

Dann kann RankBrain die Abfrage möglicherweise verfeinern oder anders interpretieren, um die Ergebnisse für diese Abfrage auszuwählen und neu zu ordnen. Hier können wir den Bogen zu den bereits erwähnten Google-Patenten zur Verfeinerung der Suchanfragen ziehen, die höchstwahrscheinlich mit Rankbrain in Verbindung stehen.

En résumé: RankBrain ist ein Algorithmus basierend auf Deep Learning, der nach der Auswahl eines ersten Subsets an Suchergebnissen zum Einsatz kommt und sich auf Textvektoren  und andere Signale stützt, um komplexe Suchanfragen über Natural Language Processing besser zu verstehen.

Das Zusammenspiel aus Rankbrain, Hummingbird und Knowledge Graph

Ich denke, es wird klar, dass Google sich immer mehr zur Ad-hoc-Antwort-Maschine entwickelt und deswegen die Bedeutung einer Suchanfrage immer wichtiger wird als die rein termbasierte Interpretation von Suchanfragen.

Bisherige Information Retrieval Methoden beschränken sich auf die in der Suchanfrage vorkommenden Begriffe und gleichen diese mit Inhalten ab in denen die einzelnen Begriffe vorkommen, ohne über eine Kontextuelle Verbindung der Begriffe zueinander zu berücksichtigen und darüber die eigentliche Bedeutung festzustellen.

Durch Innovationen wie Hummingbird und Rankbrain geht es im Kern darum gesuchte Entitäten über einen Abgleich mit einer Entitäten-Datenbank (Knowledge Graph) zu identifizieren, über die Beziehung der relevanten Entitäten zueinander einen Kontext und darüber die Bedeutung von Suchanfragen und Dokumenten zu erkennen.

Dieses Umdenken im Information Retrieval bei Google war der Grund für die Einführung des Knowledge Graph, das Hummingbird Update im Jahr 2013 und Rankbrain im  Jahr 2015. Diese Reihe von Innovationen stehen im direkten Zusammenhang miteinander bzw. greifen prozessual ineinander.

• Rankbrain ist für die Interpretation von Suchanfragen hinsichtlich Synonymität, Ambiguität, Sinn (Intention) und Bedeutung (Extension) zuständig. Gerade mit Blick auf neue Suchanfragen, Long Tail Keywords, mehrdeutige Begriffe sowie Abwicklung von Prozessen im Rahmen von Voice Search und digitalen Assistenten ist Rankbrain das zentrale Element im Query Processing.
• Die im Knowledge Graph erfassten Entitäten und Fakten wie Attribute und Beziehungen der Entitäten untereinander können sowohl bei der Relevanzbestimmung von Ergebnissen als auch bei der Verarbeitung von Suchanfragen (Query Processing) genutzt werden, um z.B. Dokumente und Suchanfragen über Kommentare (Annotations) mit Fakten aus dem Knowledge Graph anzureichern. Dadurch kann die Bedeutung von Suchanfragen als auch Dokumenten bzw. von einzelnen Absätzen und Sätzen in Inhalten besser interpretiert werden.
• Der Hummingbird-Algorithmus ist für das Clustering von Inhalten je nach Bedeutung sowie Zweck in unterschiedliche Korpusse und  für die Bewertung bzw. das Scoring der Ergebnisse hinsichtlich Relevanz also das Ranking zuständig.

Das verbindende Element bei allen drei Modulen sind Entitäten. Sie sind kleinste gemeinsame Nenner. Sowohl bei Rankbrain also auch Hummingbird spielen Vektorraumanalysen bzw. Word Embeddings als auch Natural Language Processing eine zentrale Rolle. Durch die Fortschritte in Sachen Machine Learning kann Google diese Methoden immer performanter nutzen, um sich  von einer rein textbasierten Suchmaschine zu einer semantischen Suchmaschine zu entwickeln.

Things not strings!

L'apprentissage automatique et l'intelligence artificielle (IA) jouent un rôle de plus en plus important dans la modélisation et la classification des modèles de marketing en ligne. Des entreprises telles que Tesla, Google, Microsoft, Amazon et Facebook mènent de nombreuses recherches dans le domaine de l'intelligence artificielle.

Après l'annonce de Google en novembre 2015, un nouveau signal de classement très important ou un facteur de classement important appelé rang cerveau travaille depuis des mois, l’intérêt pour le sujet est-il Machine Learning enfin arrivé dans la communauté du référencement et du marketing en ligne. Je tiens le sujet Apprentissage machine en particulier dans le contexte numérique, pour des raisons tout aussi incisives et prospectives, comme par exemple: les thèmes du marketing mobile, du big data et du contenu. Comme l'apprentissage machine lié à d'autres mots à la mode récents tels que Intelligence artificielle (Intelligence artificielle), sémantique ou Apprentissage en profondeur Je voudrais expliquer ci-dessous et quels sont les effets de ce développement sur les algorithmes d'autoapprentissage des moteurs de recherche. Je tiens à souligner que je suis le sujet Intelligence artificielle ou Apprentissage machine pourrait considérer que superficiellement. Si vous souhaitez approfondir le sujet, vous trouverez une collection détaillée de vidéos et de liens vers le sujet à la fin de l'article.

Dans cet article, je vais essayer le monde de la machine learning et son influence sur le référencement avec le soutien de précieux collègues nommés Markus Hövener. Sepita Ansari. Christian Kunz. Marcus Tober. Kai Spriestersbach, Sebastian Erlhofer et Marcel Schrepel rendre plus tangible.

Qu'est-ce que l'apprentissage automatique? Signification, définition et méthodologie

L'importance actuelle et surtout future de l'apprentissage automatique doit être classée de la même manière que les thèmes du marketing mobile, du Big Data ou du marketing de contenu dans le contexte numérique. Le nombre de visites sur la couverture médiatique des sujets a également considérablement augmenté depuis 2014, comme le montre l'évolution de Google.

Comme je l'ai déjà expliqué dans mon article sur le Web sémantique (Web 3.0) en tant que conséquence logique du Web 2.0, les systèmes qui rendent les informations identifiables, catégorisables, évaluables et triables selon le contexte font de l'unique possibilité du flot d'informations et de données basé sur les innovations. devenir le gentleman du Web 2.0. Mais la sémantique pure ne suffit pas ici. C'est pourquoi les portiers numériques ont besoin de plus en plus d'algorithmes fiables pour accomplir cette tâche. Algorithmes d’autoapprentissage basés sur Intelligence artificielle et les méthodes d’apprentissage automatique jouent un rôle de plus en plus important. C’est le seul moyen de garantir la pertinence des résultats ou des dépenses / résultats attendus.

Mais qu'est-ce que l'apprentissage par machine maintenant et comment ça marche?

Apprentissage machine est dans le sujet Intelligence artificielle trop allemand Intelligence artificielle localiser. Le domaine de l'intelligence artificielle est divisé en sous-domaines suivants:

1er raisonnement
2. Représentation des connaissances
3. Planification et ordonnancement automatisés
4. Apprentissage automatique
5. Traitement du langage naturel
6. vision par ordinateur
7. Robotique
8. Intelligence générale ou forte IA

Le terme renseignement s’applique en relation avec Machine Learning Ce n’est pas tout à fait qu’il s’agit moins d’intelligence, mais bien de modèles et de précision reconnaissables par machine ou ordinateur. Apprentissage machine traite du développement automatisé d'algorithmes basés sur des données empiriques ou des données d'apprentissage. L'accent est mis sur l'optimisation des résultats ou l'amélioration des prévisions dues aux processus d'apprentissage.

Intelligence artificielle Le but est de prendre des décisions en fonction des données collectées selon un humain. Cela nécessite plus que des méthodologies d'apprentissage machine. La technologie à l'origine de l'apprentissage automatique s'appelle des réseaux de neurones.

Que sont les réseaux de neurones?

Réseau de neurones trop allemand Réseaux de neurones sont des groupes d'algorithmes construits conformément à un cerveau humain pour reconnaître des modèles récurrents, puis pour les étiqueter ou les étiqueter. Les modèles reconnus sont traduits en vecteurs mathématiques. Toutes les informations du monde réel, telles que les images, le son, le texte ou les séquences temporelles, sont prises en compte.

Les réseaux de neurones aident à classer les nouvelles informations de différents systèmes sur la base de similitudes et à les regrouper en groupes de modèles. Les étiquettes aident à nommer ces groupes. Des exemples d'étiquettes peuvent être: Spam, Pas de spam, Client satisfait, Client insatisfait, Lien acheté, Lien non acheté …

La diapositive suivante d'un exposé de Jeff Dean, de Google, montre que certains modèles, par exemple Grâce à ces modèles récurrents, l'apprentissage automatique peut être utilisé pour interpréter et étiqueter automatiquement l'image d'un lion.

Réseaux de neurones se composent de plusieurs niveaux ou couches qui contribuent en série au raffinement ou à la précision des hypothèses. Si vous êtes plus profondément concerné par le sujet, voici une belle introduction.

types d'apprentissage automatique

Il existe fondamentalement trois types différents d’apprentissage automatique:

• Apprentissage surveillé
• Apprentissage non surveillé
• Renforcement de l'apprentissage

De plus, un extrait de l'allemand Wikpiedia:

• Apprentissage supervisé apprentissage superviséL'algorithme apprend une fonction à partir de paires d'entrées et de sorties données. Pendant l’apprentissage, un "enseignant" fournit la valeur de fonction correcte pour la saisie. L’objectif de l’apprentissage supervisé est que le réseau soit formé après plusieurs calculs avec différentes entrées et sorties, la possibilité de créer des associations. Un sous-champ du apprentissage supervisé est la classification automatique. Un exemple d'application serait la reconnaissance de l'écriture manuscrite.

• Apprentissage non surveillé (angl. apprentissage non superviséL'algorithme génère un modèle pour un ensemble donné d'entrées qui décrit les entrées et permet des prédictions. Il existe des méthodes de regroupement qui divisent les données en plusieurs catégories, qui diffèrent les unes des autres par des modèles caractéristiques. Le réseau crée ainsi indépendamment des classificateurs selon lesquels il divise les modèles d’entrée. Un algorithme important dans ce contexte est l'algorithme EM, qui définit de manière itérative les paramètres d'un modèle afin d'expliquer au mieux les données visualisées. Ce faisant, il utilise la présence de catégories non observables et, à son tour, estime l'affiliation des données à l'une des catégories et aux paramètres qui constituent ces catégories. Une application de l'algorithme EM se trouve, par exemple, dans les modèles de Markov cachés (HMM). Autres méthodes d'apprentissage non supervisé, par exemple. B. L'analyse en composantes principales supprime la catégorisation. Ils ont pour objectif de traduire les données observées en une représentation plus simple qui les reproduit le plus fidèlement possible malgré des informations considérablement réduites.

• Renforcement de l'apprentissage (engl. apprentissage par renforcementL’algorithme apprend par la récompense et la punition une tactique sur la manière d’agir dans des situations susceptibles de se produire afin de maximiser les avantages de l’agent (c’est-à-dire le système auquel appartient la composante d’apprentissage). C'est la forme la plus commune d'apprentissage d'une personne.

J'ai aussi dans cette présentation de Rahul Jain trouvé de bons graphiques. (Lien vers la présentation en fin d'article).

la Apprentissage surveillé De nombreux travaux préparatoires sont nécessaires car les modèles de modèles doivent être définis et étiquetés au préalable afin de pouvoir identifier les informations entrantes et les affecter à ce groupe de modèles. Cet étiquetage est généralement effectué à la main en raison de l’assurance qualité. En raison de certains modèles récurrents, le système peut alors reconnaître de manière indépendante des informations avec des propriétés de modèle identiques ou similaires à l'avenir et les affecter au groupe de modèles correspondant.

Dans le cas d'un apprentissage non supervisé, l'étiquetage avancé n'a pas lieu et les groupes de modèles sont automatiquement formés sur la base de modèles.

Semblable au terme d'intelligence artificielle, le terme d'apprentissage automatique est souvent assimilé à un apprentissage en profondeur et à la sémantique ou appelé dans le même souffle. Vous trouverez ci-dessous une tentative de différenciation.

Différence entre l'apprentissage automatique et l'apprentissage en profondeur

Apprentissage en profondeur est un sous-domaine de l’apprentissage automatique, on pourrait aussi parler de développement. Alors que les algorithmes classiques d’apprentissage automatique reposent sur des groupes de modèles solides pour la reconnaissance et la classification, les algorithmes d’apprentissage approfondi développent indépendamment ces modèles ou créent indépendamment de nouveaux niveaux de modèle au sein des réseaux de neurones. Par conséquent, il n'est pas nécessaire que les modèles pour les nouveaux événements soient développés et implémentés manuellement, comme ce serait le cas avec les algorithmes traditionnels d'apprentissage automatique. Il est donc préférable de répondre aux prévisions d’Algos qui ont un apprentissage en profondeur. En outre, ce graphique (l’Orginaquelle n’est malheureusement plus en ligne. C’est pourquoi nous faisons référence à cet article.)

Différenciation entre apprentissage automatique et sémantique

La sémantique peut aider à mieux identifier la signification d'un objet grâce à sa classification en tant qu'entité unique et à ses relations avec d'autres entités. Lors de la classification, la sémantique utilise des propriétés similaires aux modèles associés aux groupes de modèles dans l'apprentissage automatique. La principale différence, cependant, est que la sémantique ne poursuit aucun processus d'apprentissage, comme c'est le cas avec l'apprentissage automatique. De ce fait, les systèmes sémantiques sont plutôt statiques et peu capables d’effectuer des prévisions pour de nouvelles situations. Les groupes de modèles et les modèles ou entités doivent être connus.

Apprentissage automatique et algorithmes (moteur de recherche)

La chose intéressante à propos de ce développement est la Machine Learning est que les algorithmes peuvent évoluer et s’adapter à l’avenir. Jusqu'à présent, par exemple Chez Google, l’algorithme de recherche s’est développé comme suit.

Une modification moyenne des algorithmes commence par une idée visant à améliorer la recherche de l’un des développeurs de Google. Ils suivent une approche basée sur les données et toutes les modifications d’algorithme proposées sont testées avant publication dans le cadre d’une évaluation de la qualité complète.

En règle générale, les développeurs partent d'une série d'expériences, optimisent l'une ou l'autre variable et demandent un feedback à leurs collègues. S'ils sont satisfaits du résultat, l'expérience est diffusée à un public plus large.

Le résultat est un algorithme général statique qui est développé par de nombreuses mises à jour plus petites et plus grandes. Cet algorithme est le même pour chaque situation. Plongez complètement dans de nouvelles situations sans précédent, une fois débordé. La prise en compte de chaque contexte individuel, tel que Emplacement, terminal utilisé … dans lequel un utilisateur est situé doit utiliser cet algorithme. Dans le cas optimal, chaque utilisateur ou au moins groupe d'utilisateurs aurait "gagné" son propre algorithme pour pouvoir être utilisé en fonction du contexte respectif. Ce n'est pas possible avec le précédent algorithme relativement statique.

Il n'est pas possible d'écrire votre propre algorithme pour chaque tâche. Des algorithmes doivent être écrits pour apprendre des observations. L'apprentissage automatique rendrait cela possible et Google va déjà dans cette direction.

En outre, les utilisateurs de Google peuvent utiliser des signaux qui peuvent être utilisés comme indicateurs de réussite dans le processus d'apprentissage:

• Rapport de clic long à court
• Proportion de chercheurs effectuant des requêtes de recherche connexes et supplémentaires
• Mesures d'engagement de l'utilisateur (détectables via Chrome, par exemple)
• Taux de kick relatif dans les SERPs
• Contenu partagé
• Engagement de l'utilisateur sur les sites Web

En combinaison avec les signaux classiques de classement hors page tels que les backlinks, les co-citations et les co-occurrences, ceux-ci peuvent être utilisés comme métriques de succès pour la vérification d'une estimation par l'algorithme.

Une question intéressante est la suivante: où Google obtient-il les données de formation relatives à l'utilisateur pour lancer le processus d'apprentissage automatique?

S'agit-il de véritables données utilisateur ou Google continue-t-il d'utiliser les données fournies par les évaluateurs de recherche? Quality Rater à générer dans un environnement de test?

(Des discussions comme celle-ci dans les commentaires.)

Devenant progressivement obsolète, l'algorithme de développement d'algorithme ci-dessus. En témoignent également les mises à jour de plus en plus fréquentes en temps réel telles que. les mises à jour de pingouin en temps réel ou les mises à jour de "panda" en attente. Auparavant, les mises à jour à venir étaient annoncées volumineuses et par de tels collègues. sistrix documentée. Je pense qu'une telle documentation aura bientôt perdu sa signification. Et aussi des enquêtes et des aperçus des facteurs de classement tels que nous les connaissons jusqu’à présent seront historiques dans quelques années. Mais plus à ce sujet ci-dessous.

Google contient déjà de nombreuses informations provenant de différents niveaux d'indexation et de classement, qui doivent en quelque sorte être prises en compte dans l'algorithme.

• texte
• Visuels (images, vidéos)
• acoustique
• le comportement des utilisateurs
• Knowledge Graph (image des relations)

Pendant ce temps, Google peut déjà lire les chiffres et le texte des images, comme mon collègue Philipp le décrira avec brio dans son message de la semaine prochaine.

Plus dans l'article Reconnaissance d'images: Google peut-il lire et reconnaître des textes dans des images?

Si vous examinez à nouveau les différents types d’apprentissage automatique et que vous les transférez au monde des moteurs de recherche, il est logique de penser aux endroits où au moins les approches d’apprentissage automatique sur Google sont déjà utilisées. En termes de recherche, vous pouvez au moins reconnaître les approches de la ML ici:

• Graphique de connaissances
• colibri
• rang cerveau
• éventuellement pingouin en temps réel

De plus, certains produits Google utilisant des fonctionnalités d'apprentissage en profondeur, tels que: Texte en reconnaissance d'image, reconnaissance vocale, Google Translate …

La grande question est de savoir comment créer des systèmes capables de gérer toutes ces informations.

Et encore une fois, la réponse est que l'apprentissage automatique peut être cela.

Le problème le plus important lié au traitement d’une telle masse de données est celui des performances et de l’évolutivité. Néanmoins, Google souhaite, de toutes ses forces, aller de l'avant vers l'apprentissage automatique. Selon Eric Schmidt, l'apprentissage automatique est le thème dominant de l'avenir de Google, comme il l'a récemment présenté aux étudiants de la TU Berlin:

Le sujet exceptionnel des années à venir selon Schmidt Machine Learning. Ainsi, le développement de machines et d'ordinateurs pouvant apprendre de manière autonome. Schmidt: "Nous n'aurons plus à poser de questions à l'ordinateur à l'avenir, car il a appris ce que nous allons demander. Quelque chose de très grand commence tout juste. "Schmidt fait confiance aux machines. Les ordinateurs sont simplement meilleurs et plus rapides que les humains à bien des égards.

Engagement de Google en matière d'intelligence artificielle et d'apprentissage automatique

Que Google finisse par créer un cerveau artificiel et que, pour Hummingbird et le graphe de Knowldege, ce n’est que le début de ma collègue Svenja il ya deux ans, avec l’article Knowledge Graph: Google construit un cerveau ici, dans le blog. Mais jusqu'à présent, vous ne pouviez que le deviner. En raison des activités supplémentaires de ces dernières années, le tableau devient de plus en plus clair.

Selon Google, depuis 2014, Google a presque quadruplé ses activités d'apprentissage en profondeur, comme le montrent les diapositives de la conférence de Jeff Dean ci-dessous.

L'engagement de Google pour les choses Intelligence artificielle et Machine Learning commencé en 2011 avec le lancement de "Google Brain". L'objectif de Google Brain est de créer vos propres réseaux de neurones. Depuis lors, Google développe son propre logiciel d'apprentissage en profondeur DistBelief Continuez à développer vos propres produits d’apprentissage automatique. La deuxième génération de logiciels appelée Flux tensoriel mais est déjà dans les starting-blocks.

En regardant l’investissement et l’engagement dans l’intelligence artificielle au fil du temps, on comprend vite l’importance de Google dans ces domaines:

Bien que Knowledge Graph et Hummingbird incluent déjà des approches d’apprentissage automatique, l’accent a été mis davantage sur le moteur de recherche sémantique. Au plus tard, avec les investissements de plusieurs centaines de millions de dollars dans diverses entreprises des domaines de l'intelligence artificielle et de l'apprentissage automatique en 2014, il est clair que Google veut vraiment aller.

avec Esprit profond (environ 365 millions de dollars) Google a acheté une société fondée en 2011, spécialisée dans les systèmes autour de l'intelligence artificielle. et al DeepMind est responsable du développement de Google Now. La mission de DeepMind est de comprendre l'intelligence. De plus, DeepMind ne traite pas seulement du développement des réseaux de neurones, mais travaille également sur des modèles beaucoup plus souples, similaires à ceux d’une mémoire à court terme.

Labos Bleu Foncé d'autre part, l'accent est mis sur la reconnaissance et l'interprétation du langage naturel, ainsi que des formats audio.

vision Factory se spécialise dans la reconnaissance et l'interprétation de supports visuels tels que des images ou des vidéos.

Toutefois, lorsqu'il s'agit de textes, Google a une expérience de moteur de recherche basée sur le texte. Dans le domaine de l'audio, de la vidéo et de l'image, ils ont obtenu un soutien professionnel auprès des entreprises mentionnées.

En outre, Google investit depuis des années, selon sa propre déclaration, dans le domaine de l'intelligence artificielle. Ainsi, Google a par exemple investi des dizaines d’heures de travail dans le développement d’une infrastructure de pointe. propres réseaux de neurones investis. En outre, Google utilise des milliers de processeurs et de processeurs graphiques pour tirer des enseignements de milliers de milliards d'enregistrements en parallèle.

En décembre 2015, Google a annoncé qu'il travaillait avec la NASA sur un ordinateur quantique.

Google publie souvent des tâches scientifiques sur des sujets tels que la reconnaissance d'images, la reconnaissance vocale. Plus de 460 publications sur l'intelligence artificielle ont été publiées au cours des deux dernières années. Voir http://research.google.com/pubs/ArtificialIntelligenceandMachineLearning.html.

Et ce n'est pas juste la théorie. Par exemple, Google affirme avoir implémenté l'expérience d'apprentissage en profondeur depuis 2012 dans plus de 47 produits. Voici un extrait:

• Reconnaissance d'objets en images
• Détection de type d'objet dans les vidéos
• reconnaissance vocale
• Passants pour les voitures autonomes
• OCR: reconnaissance de texte en images
• Reconnaissance d'un langage familier
• Traduction automatique
• Publicité en ligne

Le système d'apprentissage automatique de l'équipe Expander utilise des ressources naturelles, des images, des vidéos et des requêtes, pour alimenter traduction de la langue, reconnaissance des objets visuels, compréhension du dialogue, etc.

Google reconnaît lui-même que l’apprentissage automatique semi-supervisé (expliqué plus haut dans l’article) est utilisé.

Fondamentalement, la plateforme d'Expander combine l'apprentissage automatique semi-supervisé et l'apprentissage à grande échelle basé sur des graphes en créant une représentation multi-graphes du concept. Le graphique contient généralement des données étiquetées (nœuds associés à une catégorie de sortie connue ou une étiquette) et des données non étiquetées (nœuds pour lesquels aucune étiquette n'a été fournie).

Il est difficile de déterminer qui prend en charge l'étiquetage manuel ou la précognition sur Google. Il se peut que cela soit fait en fonction de la tâche effectuée par Quality-Rater et par un favorable Clickworker.

Pour en savoir plus sur les activités d'intelligence artificielle de Google, je vous recommande l'une des nombreuses conférences de Jeff Dean.

Au plus tard, avec l'introduction de l'extension d'algorithme de Hummingbird nommée Rankbrain, chaque référencement naturel devrait indiquer clairement que le thème de l'apprentissage automatique constituera un facteur de plus en plus important dans le classement.

Avant d’examiner les effets de ces activités sur l’optimisation des moteurs de recherche, je vais approfondir quelques conseils de lecture.

Sources sur l'apprentissage automatique et l'intelligence artificielle

Apprentissage en profondeur vs apprentissage automatique vs reconnaissance de formes

Apprentissage automatique expliqué en mots simples

Wikipedia: Apprentissage automatique

Introduction à l'apprentissage automatique

Rise of the Machines de JAX TV sur Vimeo.

Quel est le rôle de Rankbrain?

Selon Google, Rankbrain a été initialement appliqué principalement à 15-20% des requêtes précédemment non demandées. Rankbrain est appliqué à toutes les requêtes de recherche depuis juin 2016.

Rankbrain est cité par Google comme le troisième facteur de classement en importance. Le facteur de classement du terme Ber est source de confusion. Facteur de classement oui, signal de classement non. Et ici commence pour beaucoup de SEO l'incertitude, qui n'est en partie pas résolue par les déclarations contradictoires de Google.

Il y a deux questions qui occupent les SEO avec Rankbrain

1. Rankbrain est-il responsable du raffinement de la requête ou de la classification et de l'interprétation des mots-clés, ou du scoring des URL?
2. Rankbrain utilise-t-il des données utilisateur réelles, des données de formation provenant d’évaluateurs de recherche ou d’évaluateurs de qualité, ni aucun d’eux comme données de formation?

Voici les théories suivantes:

1. Rankbrain n'est pas un signal de classement mais seulement responsable du raffinement de la requête
2. Rankbrain est un signal de classement et participe donc à la notation des documents
3. Outre Rankbrain, d’autres systèmes d’apprentissage automatique sont utilisés chez Hummingbird.

1. Rankbrain n'est pas un signal de classement mais seulement responsable du raffinement de la requête

Rankbrain n'est pas un facteur de classement classique, tel que Titres de page ou backlinks. Rankbrain est plutôt une mise à jour de l'algorithme de Hummingbird sous la forme d'une extension. En raison de la détermination de la proximité thématique par rapport aux termes déjà connus, Rankbrain peut classer les requêtes de recherche précédemment inconnues en contextes thématiques ou, en particulier, décomposer les requêtes complexes plus longues en dénominateurs communs. En conséquence, la signification peut être mieux interprétée et ainsi la requête de recherche inconnue peut être attribuée à des synonymes déjà connus ou à des termes de signification similaire ou identique. Rankbrain, en particulier lors de l’interprétation des requêtes de recherche, peut faire progresser Google.

Par exemple, Rankbrain a été présenté dans la première annonce de Google et Paul Haahr de Google a confirmé cette théorie lors du SMX Advanced 2016 dans cette interview avec Danny Sullivan (à partir de 3h00). Notez que Gary Illyes joue également un rôle de soutien, qui est mentionné ailleurs.

2. Rankbrain est un signal de classement et est donc impliqué dans la notation des documents

Rankbrain est directement impliqué dans l'évaluation du contenu de la page. Ici, certains modèles, le contenu approprié pour une requête particulière, doivent être identifiés à plusieurs reprises et utilisés pour le scoring. Mais il n'y a que quelques déclarations de Google. Il est assez frappant de constater que Gary Illyes, dans le rôle principal joué lors d'une séance de questions-réponses avec Danny Sullivan également au SMX Advanced 2016, a déclaré ce qui suit concernant Rankbrain (à partir de 5:40 minutes):

"C'est moins pour comprendre la requête que pour marquer les résultats …"

Danny Sullivan semblait être plus susceptible de partir de la première théorie qui lui avait été confirmée lors du même événement par son collègue Halyr des Illyes.

Très déroutant ce que Google communique ici.

3. En plus de Rankbrain, d’autres systèmes d’apprentissage automatique sont utilisés chez Hummingbird.

Une autre hypothèse est que, en plus de Rankbrain, d’autres parties de Hummingbird Machine Learning incluent également, par exemple, est utilisé pour la notation de sites Web. Mario Fischer également dans une discussion sur Facebook:

J'ai demandé à John Mueller de Google dans le Webmaster Hangout du 01.12.2016 une réponse. Voici son opinion sur le rôle de Rankbrain:

John confirme la première des trois théories selon lesquelles Rankbrain n'est utilisé que pour interpréter les requêtes de recherche. La notation réelle des sites Web, qui assure le tri des résultats de la recherche, a lieu dans l'algorithme de Hummingbird. Indique si les signaux utilisateur sont utilisés ici en tant que données d'apprentissage pour l'interprétation des requêtes de recherche, par ex. être utilisé pour l'enquête n'est pas clair.

Rankbrain pour le raffinement de la requête

Je crois en la première déclaration de Google selon laquelle Rankbrain est utilisé comme moyen de raffinement de la requête, c'est-à-dire sur la page de la requête de recherche. Surtout que Paul Haahr m'a fait dans les deux vidéos l'impression beaucoup plus compétente et que Gary Illyes ne s'est pas produit pour la première fois avec un manque de satisfaction en matière de communication. Mais cela voudrait dire que Rankbrain n’est pas un facteur direct, contrairement à ce que dit Gary Illyes.

Je pense aussi qu’en plus de Rankbrain, d’autres systèmes d’apprentissage automatique, par exemple utilisé pour marquer les sites Web. Si ce n'est pas maintenant, alors à l'avenir. Je suis également convaincu que Google utilise également l'apprentissage automatique pour déterminer l'intention de recherche, y compris l'inclusion de données d'utilisateur réelles. Mais presque tout est spéculation ou acceptation à ce jour.

Rankbrain en tant que médiateur entre la requête de recherche et Hummingbird

Voyons comment fonctionne le moteur de recherche de Google.

La fonctionnalité de Google est divisée en gros dans les domaines suivants:

• Ramper et indexer
• Comprendre et développer les requêtes de recherche (y compris Rankbrain)
• Récupération et notation (Hummingbird / Knowledge Graph)
• Ajustements post-récupération (y compris Panda, Penguin)

Pour l'évaluation, l'évaluation de documents individuels indépendamment de la requête de recherche est par conséquent non pas Rankbrain responsable, mais l'algorithme de Hummingbird. Rankbrain n'interprète que les requêtes de recherche.

Si on interprète déjà Gary Illyes presque un peu ennuyé et que sa réponse aux demandes de Rand Fishkins pourrait être utilisée, Rankbrain pourrait être utilisé pour pondérer différemment les facteurs de classement en fonction de l’intention de recherche. Cela influencerait donc le classement des documents.

Réclamez maintenant certains SEO qu'au moins dans la détermination de l'intention de recherche de Rankbrain Google sur des signaux d'utilisateur réels. Ich bin zuerst auch davon ausgegangen, aber laut Aussage von Gary Illyes scheint es nicht so. Zumindest keine Nutzersignale in der freien Online-Wildbahn.

It’s an offline learning algorithm. It’s refreshed every now and then with new training data.

Wenn man zwischen den Zeilen liest gibt es zwei Möglichkeiten:

1. Google könnte Nutzersignale ihrer Such-Evaluatoren nutzen um auch die Suchintention zu ermitteln bzw. Keyword-Modellgruppen bezogen auf die Suchintention zu bilden.
2. Google könnte Nutzersignale erfassen und als Trainingsdaten in das Offline Machine-Learning-System von Rankbrain einfließen lassen.

Aber alles pure Spekulation.

Kommen wir zum eigentlichen Scoring der Dokumente über Hummingbird.  Ich versuche, das mal mit Hilfe von Paul Haahrs Vortrag von der SMX West 2016 zu erklären, ohne es genau zu wissen.

Google klassifiziert laut Paul Haahr (Video weiter unten) Dokumente und Websites in sogenannte Shards innerhalb des Index. Laut Haahr gibt es tausende von verschiedenen Shards. Ich könnte mir vorstellen diese Shards sind nach Zweck des Dokuments und/oder Themenbereich im Index klassifiziert. Das für das Ranking relevante Gesamt-Scoring findet dann aus dem allgemeinen Scoring des Dokuments im Abgleich mit der über Rankbrain identifizierten Suchintention der Suchanfrage statt.

Zu weiteren Theorien, zu was Rankbrain noch genutzt werden könnte empfehle ich die Präsentation von Kai Spriestersbach von der SEOkomm 2016. Die Einschätzung zum Einfluss der Engagement-Daten wie Absprungrate und CTR auf Rankbrain teile ich allerdings nicht voll und ganz.

Wir sollten bei Kais Präsentation vielleicht eher von Machine Learning bei Google und nicht explizit von Rankbrain sprechen.

Wer sich mit dem Thema beschäftigt sollte sich auch diese Keynote von Marcus Tandler ansehen:
Marcus Tandler Vortrag, Rise of the Machines

Welche Auswirkung kann Machine-Learning zukünftig auf das Ranking haben?

Ich denke, dass Machine Learning Funktionalitäten nicht erst bei Rankbrain, sondern bereits bei Hummingbird und der stetigen Weiterentwicklung bzw. Vergrößerung und Strukturierung des Knowledge Graph im Einsatz sind. Dass Machine Learning zur Spam-Bekämpfung z.B. im Rahmen des Pinguin-Algos zum Einsatz kommt wurde inzwischen durch eine Aussage von Google bzw. Gary Illyes wiedersprochen. Ich hoffe hier bleibt es auch bei dieser eindeutigen Aussage.

Ob Google jetzt schon Machine Learning für die Bewertung von Websites nutzt kann aufgrund der widersprüchlichen Aussagen aus dem Hause Google nicht beantwortet werden. Sinn würde es für die Zukunft machen.

Ich denke, dass Machine Learning bereits schon seit längerem zur Kategorisierung von Suchanfragen, Inhalten aber auch Entitäten ( Mehr zum Thema Semantik und Entitäten)  eingesetzt wird. Es muss ja nicht zwangsläufigüber Rankbrain sein. Die ein oder andere Prise Machine Learning könnte auch schon in den Hummingbird-Algo direkt eingeflossen sein.

Gerade in Kombination mit dem Knowledge Graph als semantische Datenbank hätte Google zwei mächtige Werkzeug an der Hand.

Hilfreich könnte hierfür auch ein  Google-Patent zur Nutzung von Knowledge Base Kategorien sein, über das man im Beitrag How Google Might Make Better Synonym Substitutions Using Knowledge Base Categories mehr erfahren kann.

Dafür, dass Google Suchanfragen bereits zu verschiedenen Kategorien zuordnet gibt es klare Anzeichen wie z.B. die Beobachtungen von Ross Hudgens zeigen.

Google versucht hier zwecks Eindeutigkeit Begriffe insbesondere Entitäten mit mehreren Bedeutungen je nach Kontext über Kategorisierung voneinander abzugrenzen. Auch in Google Trends kategorisiert Google Begriffe bereits nach Kategorien:

Machine-Learning-Pozess: Bestärkendes Lernen / Quelle: http://www.slideshare.net/rahuldausa/introduction-to-machine-learning-38791937

Videos zum Thema Machine Learning und Artificial Intelligence