جستجوی معنایی: چگونه کار می کند و برای چه کسی است

آیا جستجوی معنایی در برنامه های تجاری و بازاریابی شما قابل استفاده است و چگونه می توانید از آن به نفع خود استفاده کنید؟
برای پرسش‌های ساده کاربر، یک موتور جستجو می‌تواند محتوای صحیح را با استفاده از تطبیق کلمات کلیدی به تنهایی پیدا کند.
پرس و جو «توستر قرمز» همه محصولات را با «توستر» در عنوان یا توضیحات، و قرمز در ویژگی رنگ نشان می‌دهد.
مترادف هایی مانند قهوه ای مایل به قرمز برای قرمز اضافه کنید، و می توانید حتی بیشتر توستر را مطابقت دهید.
اما همه چیز به سرعت دشوارتر می شود: شما باید خودتان این مترادف ها را اضافه کنید و جستجوی شما فرهای توستر را نیز به نمایش می گذارد.
اینجاست که جستجوی معنایی وارد می شود.
جستجوی معنایی تلاش می کند تا قصد کاربر و معنی (یا معنایی) کلمات و عبارات را برای یافتن محتوای مناسب اعمال کند.
با استفاده از اطلاعاتی که ممکن است فوراً در متن وجود نداشته باشد (خود کلمات کلیدی) اما با آنچه جستجوگر می‌خواهد ارتباط نزدیکی دارد، فراتر از تطبیق کلمات کلیدی است.
به عنوان مثال، یافتن ژاکتی با عبارت "ژاکت" یا حتی "شیرینتر" برای جستجوی کلیدواژه مشکلی ندارد، در حالی که عبارت "لباس گرم" یا "چگونه می توانم بدنم را در زمستان گرم نگه دارم؟" با جستجوی معنایی بهتر مورد استفاده قرار می گیرند.
همانطور که می توانید تصور کنید، تلاش برای فراتر رفتن از اطلاعات سطحی تعبیه شده در متن، یک تلاش پیچیده است.
این توسط بسیاری تلاش شده است و اجزای مختلف زیادی را در خود جای داده است.
علاوه بر این، مانند هر چیزی که امیدوار کننده است، جستجوی معنایی اصطلاحی است که گاهی اوقات برای جستجویی استفاده می‌شود که واقعاً مطابق با نام نیست.
برای درک اینکه آیا جستجوی معنایی برای کسب و کار شما قابل اجرا است یا خیر و چگونه می توانید بهترین مزیت را داشته باشید، به درک نحوه عملکرد آن و اجزای تشکیل دهنده جستجوی معنایی کمک می کند.
جستجوی معنایی، هدف، زمینه، و معانی مفهومی کاربر را برای تطبیق یک پرسش کاربر با محتوای مربوطه اعمال می کند.
از جستجوی برداری و یادگیری ماشینی برای بازگرداندن نتایجی استفاده می‌کند که هدف آن مطابقت با درخواست کاربر است، حتی زمانی که هیچ کلمه‌ای مطابقت وجود ندارد.
این مؤلفه ها با هم کار می کنند تا نتایج را بر اساس معنی بازیابی و رتبه بندی کنند.
یکی از اساسی ترین قطعات، زمینه است.
زمینه ای که جستجو در آن اتفاق می افتد برای درک آنچه که جستجوگر در تلاش برای یافتن است مهم است.
زمینه می‌تواند به سادگی منطقه باشد (یک آمریکایی که برای «فوتبال» جستجو می‌کند در مقایسه با بریتانیایی که همان چیزی را جستجو می‌کند چیز متفاوتی می‌خواهد) یا بسیار پیچیده‌تر.
یک موتور جستجوی هوشمند از زمینه هم در سطح شخصی و هم در سطح گروهی استفاده می کند.
سطح شخصی که بر نتایج تأثیر می گذارد، به اندازه کافی شخصی سازی نامیده می شود.
شخصی‌سازی از وابستگی‌های جستجوگر، جستجوهای قبلی و تعاملات قبلی برای بازگرداندن محتوایی استفاده می‌کند که به بهترین وجه برای درخواست فعلی مناسب است.
این برای همه انواع جستجو قابل اجرا است، اما جستجوی معنایی می تواند حتی فراتر از این باشد.
در سطح گروهی، یک موتور جستجو می‌تواند نتایج را با استفاده از اطلاعاتی در مورد نحوه تعامل همه جستجوگران با نتایج جستجو، مانند نتایجی که اغلب روی آنها کلیک می‌شود، یا حتی فصلی بودن زمانی که نتایج خاص محبوب‌تر از سایرین هستند، رتبه‌بندی کند.
باز هم، این نشان می دهد که چگونه جستجوی معنایی می تواند هوش را برای جستجو، در این مورد، هوش از طریق رفتار کاربر به ارمغان بیاورد.
جستجوی معنایی همچنین می‌تواند از زمینه درون متن استفاده کند.
قبلاً بحث کرده‌ایم که مترادف‌ها در همه انواع جستجو مفید هستند و می‌توانند جستجوی کلمات کلیدی را با گسترش موارد منطبق برای جستجوها به محتوای مرتبط بهبود بخشند.
اما ما به خوبی می دانیم که مترادف ها جهانی نیستند – گاهی اوقات دو کلمه در یک زمینه معادل هستند و در زمینه دیگر نه.
هنگامی که شخصی برای "بازیکنان فوتبال" جستجو می کند، چه نتایج مناسبی به دست می آید؟
پاسخ در کنت، اوهایو با کنت، بریتانیا متفاوت خواهد بود.
با این حال، پرسشی مانند "بازیکنان فوتبال تامپا بی" احتمالاً نیازی به دانستن مکان جستجوگر ندارد.
افزودن یک مترادف کامل که فوتبال و فوتبال را معادل می‌کند، زمانی که آن جستجوگر باشگاه فوتبال تامپا بی رودیس را در کنار رون گرونکوفسکی دید، به تجربه بدی منجر می‌شد.
(البته، اگر بدانیم که جستجوگر ترجیح می‌دهد تامپا بی رودیس را ببیند، موتور جستجو می‌تواند آن را در نظر بگیرد!)
این نمونه ای از درک پرس و جو از طریق جستجوی معنایی است.
هدف نهایی هر موتور جستجو کمک به کاربر برای موفقیت در انجام یک کار است.
این کار ممکن است خواندن مقالات خبری، خرید لباس یا یافتن یک سند باشد.
موتور جستجو باید بفهمد که کاربر می‌خواهد چه کاری انجام دهد یا هدف او چیست.
ما می توانیم این را هنگام جستجو در یک وب سایت تجارت الکترونیک ببینیم.
همانطور که کاربر عبارت "jordans" را تایپ می کند، جستجو به طور خودکار در دسته "کفش ها" فیلتر می شود.
این پیش‌بینی می‌کند که هدف کاربر یافتن کفش است، نه بادام اردن (که در دسته «غذا و میان‌وعده» قرار می‌گیرد).
با پیشی گرفتن از هدف کاربر، موتور جستجو می‌تواند مرتبط‌ترین نتایج را برگرداند و توجه کاربر را با مواردی که از نظر متنی مطابقت دارند، اما مرتبط نیستند، منحرف نکند.
این می تواند در هنگام اعمال مرتب سازی در بالای جستجو، مانند قیمت از پایین ترین به بالاترین، بیشتر مرتبط باشد.
این نمونه ای از دسته بندی پرس و جو است.
دسته بندی پرس و جو و محدود کردن مجموعه نتایج تضمین می کند که فقط نتایج مرتبط ظاهر می شوند.
ما قبلاً روش‌هایی را دیده‌ایم که در آن جستجوی معنایی هوشمند است، اما ارزش دارد که بیشتر به تفاوت آن با جستجوی کلیدواژه نگاه کنیم.
در حالی که موتورهای جستجوی کلمات کلیدی نیز پردازش زبان طبیعی را برای بهبود این تطابق کلمه به کلمه – از طریق روش هایی مانند استفاده از مترادف ها، حذف کلمات توقف، نادیده گرفتن حروف جمع – وارد می کنند، اما پردازش همچنان بر تطبیق کلمات با کلمات متکی است.
اما جستجوی معنایی می‌تواند نتایجی را در جایی که متن منطبقی وجود ندارد، به دست آورد، اما هر کسی که از دامنه اطلاع داشته باشد، می‌تواند مشاهده کند که منطبق‌های واضحی وجود دارد.
این به تفاوت بزرگ بین جستجوی کلمه کلیدی و جستجوی معنایی مربوط می شود، که نحوه تطبیق بین پرس و جو و رکوردها است.
برای ساده کردن کارها، جستجوی کلیدواژه با تطبیق روی متن انجام می شود.
به دلیل همپوشانی کیفیت متن، "صابون" همیشه با "صابون" یا "صابون" مطابقت دارد.
به طور خاص، به اندازه کافی حروف (یا کاراکترهای ) مطابق وجود دارد تا به موتور بگوید کاربری که یکی را جستجو می کند دیگری را می خواهد.
همین تطابق همچنین به موتور می‌گوید که صابون درخواستی بیشتر با کلمه «سوپ» مطابقت دارد تا کلمه «شوینده».
این است مگر اینکه صاحب موتور جستجو از قبل به موتور گفته باشد که صابون و مواد شوینده معادل هستند، در این صورت موتور جستجو هنگامی که شباهت را تعیین می کند وانمود می کند که مواد شوینده در واقع صابون است.
موتورهای جستجوی مبتنی بر کلمه کلیدی همچنین می‌توانند از ابزارهایی مانند مترادف‌ها، جایگزین‌ها، یا حذف کلمه پرس و جو – همه انواع گسترش و آرامش پرس و جو – برای کمک به این کار بازیابی اطلاعات استفاده کنند.
ابزارهای NLP و NLU مانند تحمل اشتباه تایپی، توکن‌سازی و عادی‌سازی نیز برای بهبود بازیابی کار می‌کنند.
در حالی که همه اینها به ارائه نتایج بهبود یافته کمک می کنند، می توانند با تطبیق هوشمندانه تر و تطبیق مفاهیم کوتاهی کنند.
از آنجایی که جستجوی معنایی با مفاهیم مطابقت دارد، موتور جستجو دیگر نمی تواند تعیین کند که آیا رکوردها بر اساس تعداد کاراکترهای مشترک دو کلمه مرتبط هستند یا خیر.
باز هم به «صابون» در مقابل «سوپ» در مقابل «شوینده» فکر کنید.
یا سوالات پیچیده تری مانند "لباسشویی"، "لکه برداری از لباس"، یا "چگونه لکه های علف را از جین پاک کنم؟"
شما حتی می توانید مواردی مانند جستجوی تصویر را نیز بگنجانید!
یک قیاس در دنیای واقعی این است که مشتری از کارمندی بپرسد که "توالت بدون گرفتگی" در کجا قرار دارد.
کارمندی که فقط کلمه کلیدی را درک کند، آن درخواست را با شکست مواجه می‌کند، مگر اینکه فروشگاه صریحاً به پیستون‌ها، پاک‌کننده‌های فاضلاب، و مارپیچ‌های توالت به‌عنوان «بازکننده گرفتگی توالت» اشاره کند.
اما، ما امیدواریم که کارمند به اندازه کافی عاقل باشد که بین شرایط مختلف ارتباط برقرار کند و مشتری را به راهروی مناسب هدایت کند.
(شاید کارمند اصطلاحات یا مترادف های متفاوتی را که مشتری می تواند برای هر محصولی استفاده کند، بداند).
یک روش مختصر برای خلاصه کردن آنچه جستجوی معنایی انجام می دهد این است که بگوییم جستجوی معنایی با استفاده از جستجوی برداری، هوش بیشتری را برای مطابقت با مفاهیم بیشتر از کلمات به ارمغان می آورد.
با این هوش، جستجوی معنایی می‌تواند به شیوه‌ای شبیه به انسان عمل کند، مانند جستجوگری که هنگام جستجوی فانتزی لباس‌ها و کت و شلوارها را پیدا می‌کند، بدون اینکه یک جین در چشم باشد.
در حال حاضر، جستجوی معنایی باید به عنوان یک روش قدرتمند برای بهبود کیفیت جستجو واضح باشد.
به این ترتیب، نباید تعجب کنید که بدانید معنای جستجوی معنایی به طور گسترده‌تر و بیشتر به کار رفته است.
اغلب، این تجربیات جستجو همیشه نام را تضمین نمی کند.
و در حالی که هیچ تعریف رسمی از جستجوی معنایی وجود ندارد، می توان گفت که این جستجو فراتر از جستجوی سنتی مبتنی بر کلیدواژه است.
این کار را با ترکیب دانش دنیای واقعی انجام می دهد تا هدف کاربر را بر اساس معنای پرس و جوها و محتوا استخراج کند.
این منجر به این نتیجه می شود که جستجوی معنایی صرفاً به کار بردن NLP و افزودن مترادف به یک شاخص نیست.
درست است، توکن‌سازی به دانش دنیای واقعی در مورد ساخت زبان نیاز دارد و مترادف‌ها درک درستی از تطابقات مفهومی را به کار می‌برند.
با این حال، آنها در بیشتر موارد فاقد هوش مصنوعی هستند که برای جستجو به سطح معنایی مورد نیاز است.
این آخرین بیت است که جستجوی معنایی را قدرتمند و دشوار می کند.
به طور کلی، با عبارت جستجوی معنایی، این درک ضمنی وجود دارد که سطحی از یادگیری ماشین درگیر است.
تقریباً به همان اندازه، این شامل جستجوی برداری نیز می شود.
جستجوی برداری با رمزگذاری جزئیات مربوط به یک آیتم در بردارها و سپس مقایسه بردارها برای تعیین شباهت بیشتر انجام می شود.
باز هم، حتی یک مثال ساده می تواند کمک کند.
دو عبارت را در نظر بگیرید: «تویوتا پریوس» و «استیک».
و اکنون بیایید آنها را با "هیبرید" مقایسه کنیم.
کدام یک از دو مورد اول شبیه ترند؟
هیچکدام از لحاظ متنی با هم مطابقت ندارند، اما احتمالاً می‌گویید که «تویوتا پریوس» شبیه‌تر از این دو است.
می‌توانید این را بگویید زیرا می‌دانید که «پریوس» نوعی خودروی هیبریدی است، زیرا «تویوتا پریوس» را در زمینه‌ای مشابه با کلمه هیبریدی دیده‌اید، مانند «تویوتا پریوس هیبریدی است که ارزش بررسی دارد» یا «هیبریدی» خودروهایی مانند تویوتا پریوس."
با این حال، کاملاً مطمئن هستید که هرگز «استیک» و «هیبرید» را در چنین فاصله‌ای نزدیک ندیده‌اید.
به طور کلی جستجوی برداری نیز به این صورت است.
یک مدل یادگیری ماشینی هزاران یا میلیون‌ها مثال را از وب، کتاب یا منابع دیگر می‌گیرد و از این اطلاعات برای پیش‌بینی استفاده می‌کند.
البته، این امکان پذیر نیست که مدل یک به یک مقایسه کند ("آیا تویوتا پریوس و هیبرید اغلب با هم دیده می شوند؟ هیبرید و استیک چطور؟") و در عوض آنچه اتفاق می افتد این است که مدل ها الگوها را رمزگذاری می کنند. که در مورد عبارات مختلف توجه می کند.
این شبیه به این است که شما ممکن است به یک عبارت نگاه کنید و بگویید: "این یکی مثبت است" یا "آن یکی شامل یک رنگ است."
به جز در یادگیری ماشینی، مدل زبان چندان شفاف کار نمی‌کند (به همین دلیل است که اشکال‌زدایی مدل‌های زبان دشوار است).
این رمزگذاری ها در یک بردار یا یک لیست طولانی از مقادیر عددی ذخیره می شوند.
سپس، جستجوی برداری از ریاضی برای محاسبه شباهت بردارهای مختلف استفاده می کند.
راه دیگری برای فکر کردن در مورد اندازه‌گیری‌های مشابهی که جستجوی برداری انجام می‌دهد، تصور بردارهای ترسیم شده است.
اگر سعی کنید بردار را در صدها بعد ترسیم کنید، این کار بسیار دشوار است.
اگر در عوض یک بردار را به صورت سه بعدی تصور کنید، اصل یکسان است.
این بردارها هنگام ترسیم یک خط تشکیل می دهند و سؤال این است: کدام یک از این خطوط به یکدیگر نزدیکتر هستند؟
خطوط «استیک» و «گوساله» نزدیک‌تر از خطوط «استیک» و «ماشین» هستند و بنابراین شبیه‌تر هستند.
این اصل بردار یا کسینوس تشابه نامیده می شود.
شباهت برداری کاربردهای زیادی دارد.
می‌تواند بر اساس محصولات خریداری‌شده قبلی توصیه‌هایی ارائه کند، شبیه‌ترین تصویر را بیابد، و می‌تواند تعیین کند که کدام آیتم‌ها در مقایسه با درخواست کاربر از نظر معنایی بهترین مطابقت دارند.
جستجوی معنایی ابزار قدرتمندی برای برنامه‌های جستجو است که با ظهور مدل‌های یادگیری عمیق قدرتمند و سخت‌افزار برای پشتیبانی از آن‌ها در خط مقدم قرار گرفته‌اند.
در حالی که ما در اینجا به تعدادی از برنامه های رایج مختلف اشاره کرده ایم، حتی برنامه های بیشتری وجود دارد که از جستجوی برداری و هوش مصنوعی استفاده می کنند.
حتی جستجوی تصویر یا استخراج ابرداده از تصاویر نیز می تواند تحت جستجوی معنایی قرار گیرد.
ما در زمان های هیجان انگیزی هستیم!
و با این حال، کاربرد آن هنوز زود است و قدرت شناخته شده آن می تواند خود را به سوء استفاده از این اصطلاح وام دهد.
اجزای زیادی در خط لوله جستجوی معنایی وجود دارد و درست کردن هر یک از آنها مهم است.
هنگامی که جستجوی معنایی به درستی انجام شود، از دانش دنیای واقعی، به ویژه از طریق یادگیری ماشینی و شباهت برداری، برای تطبیق درخواست کاربر با محتوای مربوطه استفاده می کند.
منابع بیشتر:
تصویر ویژه: تصاویر جادویی/Shutterstock
خبرنامه روزانه ما را از لورن بیکر بنیانگذار SEJ در مورد آخرین اخبار در صنعت دریافت کنید!
داستین کوتس یک مدیر محصول در Algolia است، یک موتور جستجوی میزبانی شده و پلت فرم کشف برای مشاغل. او روی … [بیو کامل را بخوانید]
برای دریافت آخرین اخبار صنعت در خبرنامه روزانه ما مشترک شوید.
برای دریافت آخرین اخبار صنعت در خبرنامه روزانه ما مشترک شوید.

source
سئو سایت

About mohtavaclick

Check Also

7 عامل اصلی استرس برای بازاریابان دیجیتال و نحوه مقابله

کار در بازاریابی دیجیتال می تواند فوق العاده استرس زا باشد. شاید زمان آن رسیده …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

قالب وردپرس وردپرس متخصص وردپرس متخصص ووکامرس افزونه وردپرس کابین وردپرس