API OpenAI, особенно large language model (LLM) GPT-4 и его чат-бот ChatGPT, приобрели значительную популярность за последний год.
Несмотря на то, что маркетинговые API-интерфейсы от таких давно зарекомендовавших себя поставщиков, как Google Cloud, Microsoft Azure и AWS, доступны уже более десяти лет, многие специалисты по поисковому маркетингу предпочитают генеративные модели искусственного интеллекта для своих задач, связанных с SEO.
В этой статье сравнивается производительность GPT-4 и API машинного обучения Google Cloud при выполнении распространенных задач SEO, где может быть реализована автоматизация, включая семантический анализ, классификацию, перевод и понимание изображений.
[includeboxitem1]
Хотя, несомненно, существует множество других применений этих технологий для SEO и цифрового маркетинга, моя цель в этом анализе -:
Вдохновить вас творчески подумать о доступных API машинного обучения и о том, как вы используете их ежедневно.
Поможет вам понять различные области, в которых автоматизация на основе ML может помочь повысить эффективность и улучшить результаты для специалистов по цифровому маркетингу.
Проиллюстрируйте важность тщательного выбора партнеров по автоматизации в зависимости от задачи, вместо того чтобы полагаться на одно решение (например, ChatGPT) для всех ваших задач автоматизации.
Методология
Чтобы протестировать производительность моделей, я сопоставил их друг с другом на основе одних и тех же данных (т.е. одного и того же текста, видео/аудио или изображения, в зависимости от задачи).
Я повторил этот процесс с тремя различными точками данных для каждой задачи, чтобы сделать более точные выводы для приведенного ниже “Сравнительного анализа”.
Резюме
Вот таблица, в которой кратко обобщен анализ производительности:
Резюме - Сравнительный анализ GPT-4 и Google Cloud
Легенда:
✔ – Может это сделать, но с ограничениями
❌ – Не может этого сделать
👑 – Отлично справляется с этой задачей
Давайте рассмотрим каждую категорию ниже.
Понимание текста
Распознавание именованных сущностей (NER) - это область компьютерных наук и обработки естественного языка (NLP), которая фокусируется на обнаружении и категоризации конкретных сущностей в тексте, таких как имена людей, организации и места.
Основной целью анализа сущностей является эффективное извлечение этих сведений из неструктурированных текстовых данных (или иным образом – из текста произвольной формы).
Вы также можете анализировать неструктурированный текст с помощью синтаксического анализа. Эта область имеет дело с пониманием и анализом структуры предложений в языке, помогая машинам извлекать смысл из текста.
Ключевые аспекты синтаксического анализа включают:
Разбор структуры предложения
Синтаксический анализ включает разбиение предложения на составные элементы, такие как существительные, глаголы, прилагательные и т.д., и понимание того, как эти элементы образуют грамматически правильные предложения.
Анализ зависимостей
Понимание того, как разные слова в предложении зависят друг от друга – определение основных глаголов, подлежащих, объектов и т.д.
Выделение частей речи тегами
Это включает в себя определение частей речи для каждого слова в предложении, например, является ли слово существительным, глаголом, прилагательным и т.д. Это важно для понимания роли, которую каждое слово играет в предложении.
Разбиение фразы на фрагменты
На этом этапе слова группируются во фразы, которые естественным образом сочетаются друг с другом, что полезно для дальнейшего синтаксического и семантического анализа.
Синтаксические деревья
Многие инструменты синтаксического анализа создают древовидную диаграмму (синтаксическое дерево) для представления иерархической структуры предложения, показывая отношения между различными частями предложения.
Итак, для каких проектов можно использовать эти два подхода в SEO?
Распознавание сущностей в SEO
В SEO вы можете использовать распознавание сущностей в следующих проектах:
Анализ поисковой выдачи
В этом случае вы можете использовать свой набор ключевых слов в качестве отправной точки и массово собирать данные поисковой выдачи с помощью такого инструмента, как dataforSEO.
Используя шаблон Sheets, подобный этому, вы можете извлекать сущности заголовков, URL-адресов или мета-описаний страниц с самым высоким рейтингом и использовать результаты анализа для создания тематических карт и направления контента.
Исследование ключевых слов
Начните с данных о ключевых словах и проверьте, какие ключевые слова включают сущности.
Разработайте карты контента на основе тесно связанных сущностей и создайте списки как положительных, так и отрицательных вторичных сущностей для авторов контента.
Кроме того, оцените, какие ключевые слова содержат сущности в графе знаний.
Внутренний аудит ссылок
Начните с ваших внутренних текстовых данных привязки ссылок. Проверьте, какие привязки включают объекты, и далее проанализируйте текст привязки для объектов, особенно тех, которые находятся в графе знаний.
Используя контент вашего веб-сайта (собранный с помощью обхода) в сочетании с внутренними ссылками, определите страницы, на которых упоминаются объекты, и свяжите их вместе.
Анализ контента конкурентов
Извлеките объекты из контента веб-сайтов ваших конкурентов, включая текст, заголовки и мета-описания. Если объект выделяется, включите его в свою карту контента.
Проанализируйте, сколько статей с известными объектами содержат их в заголовках /мета-описаниях и какова связь между этой практикой и трафиком.
Анализ комментариев в социальных сетях
Собирайте комментарии клиентов с таких платформ, как YouTube, TikTok, X и Facebook. Проанализируйте эти объекты и сопоставьте полученные результаты с контентом вашего сайта для получения более подробной информации.
В качестве дополнительного шага проверьте связанные с объектом настроения, чтобы получить представление о том, как пользователи относятся к важным объектам, особенно если они относятся к бренду или его продуктам или услугам (например, к цене).
Синтаксический анализ в SEO
В SEO можно использовать методы анализа текста, если вы хотите:
Анализируйте контент в масштабе
Используйте методы анализа текста в SEO для всестороннего анализа и понимания контента из поисковой выдачи или веб-сайтов конкурентов.
Определите n-граммы
Найдите n-граммы в заголовках, мета-описаниях, контенте и якорном тексте, чтобы получить представление о составе контента и релевантности.
Определите успешные структуры заголовков
Определите эффективные структуры заголовков для ваших целевых ключевых слов, проанализировав шаблоны и структуры в существующем контенте.
Улучшите анализ сущностей
Определите наиболее распространенные слова, связанные с целевыми сущностями и атрибутами, чтобы повысить релевантность контента и эффективность SEO.
Упрощать автоматизацию структурированных данных
Распознавать повторное использование определенных терминов и сочетаний терминов для запуска автоматического заполнения структурированных данных в формате JSON.
Например, если на странице часто упоминается “FAQ” или “Часто задаваемые вопросы”, инициируйте извлечение структурированных данных на странице часто задаваемых вопросов.
Аналогично, если на странице упоминается “рецепт” более трех раз, запускается завершение схемы рецепта и так далее.
Сравнительный анализ GPT-4 и Google Cloud Natural Language API по извлечению сущностей и анализу текста
Группировка текста
В следующем разделе я рассмотрю два подхода машинного обучения к группировке текста – кластеризацию и классификацию. Оба чрезвычайно важны для SEO-анализа и масштабного выполнения различных задач.
Кластеризация - это неконтролируемый подход к машинному обучению, который включает в себя разбиение немаркированного набора данных (разбиение на группы похожих объектов данных).
Классификация - это контролируемый подход к машинному обучению, который включает сортировку объектов данных по заранее определенным категориям с использованием предоставленных меток.
Лучше всего проиллюстрировать разницу между ними простым примером из индустрии SEO. Представьте, что вы работаете со списком страниц (URL-адресов веб-сайта), которые вы хотите пометить соответствующими тегами категорий в зависимости от содержимого страниц. В этом случае:
Если у вас есть список категорий (например, ваш клиент уверен, что контент будет соответствовать тем или иным образом), вы можете реализовать алгоритм машинного обучения классификации для анализа контента и соответствующей маркировки его на основе предоставленного списка категорий
Предположим, у вас нет списка категорий (например, никто в команде не знает, о чем идет речь в контенте). В этом случае вы можете реализовать алгоритм кластерного машинного обучения для анализа контента, понимания его ключевых терминов и предоставления наиболее подходящей для него метки темы, организуя каждый фрагмент контента по темам и давая приблизительное представление о том, насколько близко к этой теме выровнен каждый фрагмент.
Вот несколько примеров того, как эти подходы могут быть применены в SEO и почему они важны.
Классификация против кластеризации
Классификация в SEO
Ознакомьтесь со следующими сценариями и с тем, как классификация может помочь улучшить выполнение вашей стратегии SEO или ускорить некоторые процессы.
У вас большой веб-сайт, содержание которого вы хотите быстро понять.
Используйте классификацию, чтобы быстро определить диапазон тем, охватываемых контентом сайта.
Вы проводите анализ пробелов в контенте или исследование конкурентов и пытаетесь классифицировать контент нескольких конкурентов
Используйте классификацию, чтобы проверить, соответствует ли контент сайтов конкурентов желаемому направлению бизнеса.
