Искусственный интеллект в поисковой рекламе: не все так просто
С появлением инструментов на базе ИИ, которые позволяют создавать рекламные кампании за считанные минуты, может показаться, что сложная работа уже выполнена. Однако для достижения стабильных результатов в поисковой рекламе и SEO необходимо глубокое понимание того, как работает поиск.
Техники, такие как n-граммы, расстояние Левенштейна и сходство Жаккара, дают маркетологам возможность интерпретировать неструктурированные данные поисковых запросов, применять контекст клиента и строить надежные структуры, которые ИИ сам по себе создать не может.
Что такое n-граммы и как они помогают в PPC и SEO
N-граммы представляют собой последовательности слов, из которых состоят ключевые слова. Например, в фразе «частный сиделка рядом» мы имеем:
- 3 униграммы (одиночные слова): «частный», «сиделка», «рядом»
- 2 биграммы (две последовательные слова): «частный сиделка», «сиделка рядом»
- 1 триграмма (три последовательные слова): «частный сиделка рядом»
N-граммы полезны для упрощения списков ключевых слов. Например, при переработке нескольких кампаний с более чем 100,000 поисковыми запросами, автор смог сократить списки до:
- около 6,000 униграмм
- около 23,000 биграмм
- около 27,000 триграмм
С помощью этих меньших наборов можно выявить, что все ключевые слова с униграммой «бесплатно» показывают плохие результаты, что позволяет исключить «бесплатно» как негативный запрос. В то же время, если «рядом» показывает отличные результаты, это может подтолкнуть к экспериментам с локальными вариантами и целевыми страницами.
Ограничения n-грамм и их применение
Тем не менее, у n-грамм есть свои ограничения. Для их эффективного использования требуется большой объем поисковых запросов, что делает метод более применимым для крупных бюджетов. Чем больше «n», тем менее полезным становится метод, так как он генерирует большие объемы данных, что противоречит цели. В таких случаях могут потребоваться более сложные методы, такие как расстояние Левенштейна или сходство Жаккара.
Как расстояние Левенштейна улучшает качество ключевых слов
Расстояние Левенштейна измеряет минимальное количество изменений, необходимых для преобразования одной строки в другую. Например, расстояние между «кот» и «коты» равно 1, так как нужно добавить только «ы». Это полезно для выявления опечаток брендов и конкурентов в поисковых запросах.
Если расстояние между ключевым словом и соответствующими поисковыми запросами слишком велико (например, 10 и более), такие термины, вероятно, имеют мало общего с ключевым словом и требуют пересмотра. Низкое расстояние, наоборот, указывает на то, что запросы безопасны и не требуют ручной проверки.
Объединение ключевых слов с помощью расстояния Левенштейна
После использования n-грамм для создания начальных кластеров ключевых слов, может остаться множество поисковых запросов для организации в рабочую структуру кампании. Сортировка 6,000 униграмм вручную — не вариант. Здесь расстояние Левенштейна становится незаменимым.
Цель состоит в том, чтобы объединить группы объявлений, нацеленные на почти идентичные ключевые слова, чтобы избежать излишней детализации и сложного управления отчетностью. Используя тот же набор данных, можно рассчитать расстояние Левенштейна между запросами в разных группах объявлений и определить ближайшее ключевое слово и группу объявлений с заданным порогом.
Сходство Жаккара: еще один полезный инструмент
Сходство Жаккара позволяет понять степень перекрытия между двумя наборами n-грамм. Это можно представить как отношение количества общих униграмм к общему количеству уникальных униграмм в обоих наборах. Например, для запросов «плотник Нью-Йорка» и «Нью-Йорк плотник» сходство Жаккара будет равно 1, так как все три униграммы присутствуют в обоих наборах, просто в разном порядке.
Однако у этого метода есть ограничения, так как он не учитывает смысл. Например, «Нью-Йорк» и «NYC» должны рассматриваться как эквиваленты, но расчет Жаккара рассматривает их как разные.
Комбинирование методов для достижения лучших результатов
Для более эффективного подхода можно использовать оба метода в последовательности. Сначала примените расстояние Левенштейна для объединения очень похожих запросов, а затем используйте сходство Жаккара для удаления дубликатов. Это позволит создать четкую и сжатую структуру, которая будет сохраняться даже при увеличении объема поисковых запросов.
Заключение: важность продвинутых семантических техник
Используя правильные семантические техники, вы можете быстро и качественно реорганизовать огромные наборы ключевых слов. Искусственный интеллект может помочь в предоставлении начального анализа, но не стоит полностью на него полагаться. В противном случае это приведет к классическому случаю «мусор на выходе». Применение n-грамм, расстояния Левенштейна и сходства Жаккара поможет вам адаптировать сырые
Источник: https://searchengineland.com/feed
