Estás leyendo la publicación: Reclasificación de IA para búsqueda semántica
La búsqueda no se trata solo de hacer coincidir palabras clave, y eso es aún más cierto cuando hablamos de búsqueda semántica.
La búsqueda semántica se trata de encontrar la información adecuada para el buscador en el momento adecuado.
Eso va más allá de encontrar las palabras clave y los conceptos correctos y especular sobre cómo los buscadores interactuarán con los resultados.
La reclasificación de inteligencia artificial (IA) tomará información sobre las personas que vienen a buscar y adaptará los resultados de búsqueda a la persona.
Eso podría hacerse a nivel de cohorte, cambiando los resultados según las tendencias, la estacionalidad y la popularidad.
También se puede hacer individualmente, cambiando los resultados según los deseos del buscador actual.
Si bien la reclasificación de la IA no es fácil de implementar en un motor de búsqueda, aporta un valor descomunal para las conversiones y la satisfacción del buscador.
Reclasificación con inteligencia artificial
La reclasificación impulsada por IA puede mejorar los resultados de búsqueda, sin importar el algoritmo de clasificación subyacente que utilice un motor de búsqueda.
Esto se debe a que los buenos resultados de búsqueda son más que relevancia textual y métricas comerciales como la popularidad bruta.
Los buenos resultados tienen en cuenta otras señales y lo hacen a nivel de consulta.
Para ver por qué esto es importante, centrémonos en la métrica comercial de popularidad.
Es una buena señal de clasificación general, pero puede fallar para consultas específicas. Una consulta de búsqueda de “vestido rojo” podría mostrar en los primeros resultados dos vestidos diferentes: “vestido sin espalda con detalles en rojo” y “vestido de verano en rojo brillante”.
El vestido sin espalda podría ser más popular como vestido y producto general.
Pero en este caso, específicamente, no es lo que quieren los clientes.
Quieren un vestido rojo, no uno con detalles en rojo, y hacen clic y compran en consecuencia.
¿No debería el motor de búsqueda tomar eso como una señal para clasificar mejor el vestido de verano?
Análisis de búsqueda
Como muestra el ejemplo anterior: comprender lo que hacen los buscadores es necesario para volver a clasificar.
Los dos eventos más comunes para realizar un seguimiento son los clics y las conversiones.
Generalmente, esos son los únicos dos eventos necesarios y deben ser eventos provenientes de la búsqueda.
El ejemplo anterior también destaca otra consideración importante: los eventos deben vincularse a consultas específicas.
Eso permite que el motor de búsqueda aprenda de la interacción entre los diferentes conjuntos de resultados y las interacciones del usuario. Impulsa el vestido de verano más alto en los resultados de búsqueda para la consulta “vestido rojo”.
El mismo producto puede ser menos popular para otras consultas que sus vecinos.
Cuando mire sus diferentes eventos, también querrá sopesarlos de manera diferente.
Hacer clic en un resultado es una señal de interés mientras que hacer una compra (o cualquier otra métrica de conversión) es una señal de compromiso.
La clasificación debería reflejar eso.
La ponderación no necesita ser compleja.
Puede ir tan simple como decir que las conversiones valen doble clic.
Debe probar la proporción correcta para su propia búsqueda.
También es posible que desee descontar eventos en función de la clasificación de resultados en el momento en que el buscador los vio.
Sabemos que la posición de un resultado influye en su tasa de clics (CTR).
Sin descartar los eventos, es posible que tenga una situación en la que los mejores resultados se arraiguen aún más porque obtienen más interacciones, lo que los mantiene en una posición más alta y se repiten infinitamente.
Frescura y Estacionalidad
Una forma sencilla de combatir este bucle que se refuerza a sí mismo es descontar eventos en función del tiempo transcurrido desde el evento.
Eso sucede porque cada evento que ocurrió en el pasado tiene un impacto cada vez menor en la reclasificación. Es decir, hasta que, en algún momento, no tiene impacto alguno.
Por ejemplo, puede dividir el impacto de cada evento por dos, cada día, durante 30 días. Y después de 30 días, deja de usar el evento para clasificar.
Un buen beneficio de usar la frescura en el algoritmo de reclasificación es que también introduce la estacionalidad en los resultados.
No solo deja de recomendar videos que eran extremadamente populares hace años, sino que ahora son aburridos para la gente; también recomendará videos de “aprender a nadar” en el verano y videos de “aprender a esquiar” en el invierno.
YouTube tiene la estacionalidad y la frescura integradas en su algoritmo precisamente para este propósito.
Uso de señales para volver a clasificar
Ahora que tiene las señales y las descompone con el tiempo, puede aplicarlas a los resultados de búsqueda.
Cuando vemos “inteligencia artificial”, a menudo pensamos en algo increíblemente complejo e inescrutable.
Sin embargo, la IA también puede ser tan simple como tomar datos a lo largo del tiempo y usarlos para tomar decisiones, como lo estamos haciendo aquí.
Un enfoque fácil es tomar una cierta cantidad de resultados y simplemente volver a clasificarlos en función de una puntuación.
Por razones de rendimiento, esta cantidad de resultados generalmente será bastante pequeña (10, quizás 20). Luego, clasifícalos por puntuación.
Como discutimos anteriormente, el puntaje podría ser tan simple como sumar el número de conversiones por dos, más el número de clics.
Agregar una función de descomposición aumenta la complejidad, al igual que el descuento basado en la posición del resultado, pero se aplica el mismo principio general.
Aprendiendo a clasificar
Una desventaja de este sistema de reclasificación es que está limitado a reclasificar una cantidad menor de resultados.
Si tiene un resultado que de otro modo sería popular pero no tiene una clasificación alta, ese resultado no recibirá la atención que merece.
Este sistema también requiere eventos en los registros y las consultas que desea volver a clasificar.
No funcionará para lanzamientos de productos nuevos o contenido generado por el usuario (UGC) que a menudo aparece y desaparece del índice de búsqueda.
Aprender a clasificar (LTR) puede abordar estos problemas.
Al igual que la reclasificación que hemos discutido anteriormente, LTR también funciona según la idea de que los registros con los que interactúan los buscadores son mejores que los que no.
El método de reclasificación anterior funciona aumentando o ocultando los resultados directamente cuando se vincula a una consulta específica.
Mientras tanto, LTR es mucho más flexible. Funciona potenciando o ocultando resultados basados en otros resultados populares.
LTR utiliza el aprendizaje automático para comprender qué consultas son similares (por ejemplo, “videojuegos” y “consola de juegos”).
Luego puede volver a clasificar los resultados de las consultas menos populares en función de las interacciones en las más comunes.
LTR no solo generaliza las consultas; también se generaliza en los registros.
El modelo LTR aprende que cierto tipo de resultado es popular; por ejemplo, el juego de Nintendo Switch “Legend of Zelda: Breath of the Wild”.
Luego, puede comenzar a conectarse con otros resultados similares (por ejemplo, “Legend of Zelda: Skyward Sword”) y potenciarlos.
Entonces, ¿por qué no usar solo LTR si parece ser mucho más poderoso que su reclasificación típica y brinda más cobertura de consultas y registros?
(En otras palabras: generaliza mejor).
En resumen, LTR es mucho más complejo y necesita una experiencia interna más especializada en aprendizaje automático (ML).
Además, entender por qué ciertos resultados se clasifican en ciertos lugares es más difícil.
Con el primer tipo de reclasificación, podría ver la cantidad de clics y conversiones a lo largo del tiempo para un registro en comparación con otro.
Mientras tanto, con LTR, tiene un modelo ML que hace conexiones que pueden no ser siempre obvias.
(¿Son “Breath of the Wild” y “Sonic Colors” realmente tan similares?)
Personalización
Si bien la reclasificación funciona en todos los buscadores, la personalización es lo que parece: personal.
El objetivo de la personalización es tomar los resultados que ya son relevantes y volver a clasificarlos según los gustos personales.
Si bien existe un debate sobre cuánto usan los motores de búsqueda web como Google la personalización en sus resultados, la personalización a menudo impacta el desempeño de los resultados en los motores de búsqueda en el sitio.
Es un mecanismo útil para aumentar las interacciones de búsqueda y las conversiones de la búsqueda.
Análisis de búsqueda
Al igual que con la reclasificación, la personalización depende de comprender cómo interactúan los usuarios con los resultados de búsqueda.
Al realizar un seguimiento de los clics y las conversiones, tendrá una idea más clara de los tipos de resultados que el usuario desea ver.
Una diferencia significativa entre la reclasificación y la personalización en este frente es que, dependiendo de su búsqueda, es posible que desee ajustar la forma en que aplica la personalización.
Por ejemplo, si vende comestibles, definitivamente desea recomendar productos comprados anteriormente.
Pero si su sitio web vende libros, no querrá recomendar un libro que un cliente ya haya comprado. De hecho, es posible que desee mover esos libros hacia abajo en los resultados de búsqueda.
Sin embargo, también es cierto que no debe presionar tanto la personalización como para que los usuarios solo vean aquello con lo que han interactuado antes.
La búsqueda potencia tanto la búsqueda como el descubrimiento. Entonces, si regresan a la barra de búsqueda, debes estar abierto a la posibilidad de que quieran ver algo nuevo.
No clasifique los resultados exclusivamente a través de la personalización; Hágalo una mezcla con otras señales de clasificación.
Al igual que con la reclasificación, la personalización también se beneficia del deterioro de los eventos.
La disminución del impacto de los eventos más antiguos hace que una búsqueda represente con mayor precisión los gustos actuales de un usuario.
En cierto modo, puedes pensar en ello como una estacionalidad personal.
Personalización entre usuarios
El tipo de personalización que hemos visto hasta ahora se basa en las propias interacciones de un individuo, pero también puede combinarlo con lo que otros están haciendo dentro de la búsqueda.
Este enfoque muestra un impacto enorme en situaciones en las que el usuario no ha interactuado antes con los elementos de los resultados de búsqueda.
Debido a que el usuario no interactúa con los elementos de los resultados de la búsqueda, por definición, no puede impulsar o ocultar en función de las interacciones anteriores.
En su lugar, puede mirar a los usuarios que son similares al usuario actual y luego personalizarlos en función de con qué han interactuado.
Por ejemplo, supongamos que tiene un usuario que nunca ha acudido a usted por vestidos, pero ha comprado muchos bolsos.
Luego, puedes buscar a otros usuarios que tengan gustos similares y que también hayan interactuado con los vestidos.
Intuitivamente, a otros clientes a los que les gusta el mismo tipo de bolsos que nuestro buscador también les deberían gustar los mismos vestidos.
Reclasificación y personalización para el descubrimiento
La búsqueda es solo un ejemplo de cómo la reclasificación y la personalización pueden tener un impacto. También puede usar estas mismas herramientas para el descubrimiento.
El secreto es pensar en su página de inicio y páginas de categoría como resultados de búsqueda.
Entonces, está claro que puede usar las mismas herramientas que usa para la búsqueda y obtener los mismos beneficios.
Por ejemplo, una página de inicio es similar a una página de búsqueda sin una consulta, ¿no es así? Y una página de destino de categoría ciertamente se parece a una página de búsqueda con un filtro de categoría aplicado.
Si agrega personalización y reclasificación a estas páginas, pueden ser menos estáticas. Servirán a los usuarios lo que prefieren ver, y pueden impulsar los artículos que son más populares entre los clientes en general.
Y no se preocupe, la personalización y la reclasificación pueden mezclarse con las decisiones editoriales en estas páginas o en la búsqueda interna.
La mejor manera de manejar esto es fijar los resultados deseados en ciertos lugares y volver a clasificar alrededor de ellos.
Hemos visto que la personalización y la reclasificación son dos enfoques que toman las interacciones del usuario con señales relevantes para mejorar la búsqueda.
Puede dejar que su base de usuarios influya en el resultado utilizando las interacciones.
Poco a poco, estas interacciones le dicen al motor de búsqueda qué elementos deberían clasificarse más alto.
En última instancia, los buscadores se benefician de una mejor experiencia de búsqueda y usted se beneficia de más clics y conversiones.
Más recursos:
