چطور خوشهبندی کلمه ها کلیدی بهینه سازی بر پایه ی نیت جستوجو را با پایتون خود کار کنیم
ارشاد عملی برای مجموعهبندی سریعخیس و ظریفخیس عبارات کلیدی با به کار گیری از مقایسه SERP و سئو در مشهد لهجه پایتون
نیت جستوجو (Search Intent) موضوعی غامض میباشد. از به کارگیری از یادگیری عمیق برای طبقهبندی متن ها گرفته تا تجزیهوتحلیل تیترهای نتیجه ها گوگل با NLP، و خوشهبندی مبنی بر رابطه معنایی — همه شیوههایی می باشند که مزایای آنان نیز پرنور میباشد.
ما هم می دانیم فهم نیت جستوجو چه مزایایی دارااست، و هم ابزارهایی در چنگ داریم کهاین فعالیت را در مقیاس بالا و بهصورت خدمات سئو در مشهد خود کار اجرا دهند.
ولی چرا یک نوشتهعلمیٔ دیگر دربارهٔ خودکارسازی نیت جستوجو موردنیاز میباشد؟
چون با ورود فناوری جستوجوی مطابق هوش تصنعی و مصنوعی، ادراک نیت جستوجو التفات بسیار بیشتری یافته میباشد.
در روزگار “۱۰ لینک و پیوند آبی رنگ” شاید قابلیت اکران موردهای بیشتر وجود داشت. البته موتورهای جستوجوی هوش تصنعی به جهت باصرفهسازی هزینههای پردازشی (FLOP)، میل دارا هستند صرفا نتیجه ها ظریف و مطلوب را اکران دهند.
چرا هنوز SERP شایسته ترین شاخص برای نیت جستوجو میباشد؟
در اکثر طریقها شما بایستی خودتان سبک AI بسازید: یعنی تیترهای صفحه ها نتیجه ها را استحصال کرده، آنهارا به سبک کانال عصبی بدهید و یادگرفتن دهید. یا این که با NLP خوشهبندی ایفا دهید.
ولی در حالتیکه فرصت یا این که علم ایجاد کرد این سبکها را نداشته باشید چه؟
اکثری به مشابهت کسینوسی (Cosine Similarity) بهتیتر شیوه خوشهبندی لغات کلیدی توکل مینمایند، البته به حیث اینجانب، مقایسه نتیجه ها SERP برای عبارات متفاوت همچنان شیوه برتری میباشد.
چرا؟ زیرا سبکهای AI نیز رفتارشان را بر مبنا SERP پیاده سازی مینمایند — یعنی دقیقاً آنچه استفاده کننده میبیند.
و درحال حاضر راهی وجود دارااست که از خویش گوگل برای جاری ساختن این فعالیت به کارگیری کنیم، سوای اینکه نیاز به حصول محتوا یا این که تشکیل داد سبک هوش تصنعی باشد.
فرض کنیم ترتیب اکران URLها در حاصل گوگل، احتمال رضایت یوزرها از هر فیض را نماد میدهد. دراین حالت در حالتی که نیت جستوجو برای دو واژه یک کدام از باشد، SERP آنها هم بایستی مشابه باشد.
این ایده نو وجود ندارد — سئوکاران حرفه ای سالهاست برای شناسایی نیت جستوجو از مقایسه SERP استعمال مینمایند.
خلاقیت این نوشته ی علمی در خودکارسازی و مقیاسپذیری این مقایسههاست: سرعت بیشتر، توجه فراتر.
یادگرفتن قدمبهقدم خوشهبندی لغات کلیدی مبنی بر نیت جستوجو با پایتون
مرحله ۱: وارد کردن فولدر SERP به پایتون
import pandas as pd
import numpy as np
serps_input = pd.read_csv(‘data/sej_serps_input.csv’)
del serps_input[‘Unnamed: 0’]
مرحله ۲: غربال نتیجه ها برگه اولیه گوگل
serps_grpby_keyword = serps_input.groupby(“keyword”)
k_urls = 15
def filter_k_urls(group_df):
return group_df[(group_df[‘url’].notnull()) & (group_df[‘rank’] <= k_urls)]
filtered_serps = serps_grpby_keyword.apply(filter_k_urls)
filtered_serps_df = filtered_serps.reset_index(drop=True)
مرحله ۳: فشردهسازی URLهای هر کلمه و واژه در یک فن
filtserps_grpby_keyword = filtered_serps_df.groupby(“keyword”)
def string_serps(df):
df[‘serp_string’] = ”.join(df[‘url’])
return df
strung_serps = filtserps_grpby_keyword.apply(string_serps)
strung_serps = strung_serps[[‘keyword’, ‘serp_string’]].drop_duplicates()
مرحله ۴: ایجاد کرد ادغامهای دوتایی برای مقایسه SERP
def serps_align(k, df):
…
matched_serps = pd.DataFrame(columns=[‘keyword’, ‘serp_string’, ‘keyword_b’, ‘serp_string_b’])
for q in strung_serps.keyword.to_list():
temp_df = serps_align(q, strung_serps)
matched_serps = matched_serps.append(temp_df)
رپورتاژ اطلاع رسانی