Трик с ключови думи с използване на „VS“ в Google

VS се явявва индикатор за противопоставяне. Какво се случва в търсачката, когато се използва конструкцията [ключова фраза] VS?

Как работи алгоритъмът? Как да извлечете полза от тях за сайта?

VS ключови фрази

С какво са особени ключовите фрази с vs? Интент се явява сравнението. Потребителят въвежда ключовата дума и vs, след което очаква списък с различни предложения за нещо подобно от търсачката.

Изключително удобна опция. Причините, поради които използването на фразата за сравнение vs е станала широко използвана в търсенето са следните:

• Бързо изследване на нещо ново. Ако се появи нов обект за изследване, тогава vs ви помага да разберете какво представлява. Как? Например услуги с такива абстрактни имена като hadoop или hive, spark . В списъка със съвети, който се появява след vs , можете да видите подобни, по-известни продукти;
• Лесен за използване
• Точност на резултатите в подсказките

Ефективен е и при намирането на алтернативи. Аналогични ключови фрази няма. Ако въведете versus или or, резултатите ще бъдат по-малко свързани.

Вижте примера с or. Сравняваме bert or с bert vs и резултатът е следният:

В случай на използване vs, търсачката обработва интента и предоставя списък с алгоритми, които са подобни на Google BERT.

А какво ще се случи, ако:

• Качите списък с всички опции, които се показват след vs, с изключение на нерелевантните
• Изпишете vs за всяка намерена опция, за да откриете още повече варианти
• Съставите карта с връзки между всички опции

В резултат използването на подобна методология от оптимизатора дава възможност за сглобяване на семантична структура. Получаваме следното:

Практическото приложение е широко:

• Създаване на структура на сайта
• Създаване на система от препоръки
• Разширяване пълнотата на сайта

Всички приложения водят до подобрено класиране на страниците в резултатите от търсенето. Например, система от подходящи препоръки може да увеличи фактора Dwell Time /показател, който дава инфо колко дълго потребителят е бил на сайта от момента, в който е щракнал върху него/ и т.н.

Автоматизиране на vs – събиране на данни от предложенията за търсене

Google има специална връзка за изтегляне на данни с подсказки. Изглежда така: http://suggestqueries.google.com/complete/search?&output=toolbar&gl=us&hl=en&q=[ключова дума]

Параметрите са: • output=toolbar показва, че данните ще бъдат предоставени във формат XML; • gl = us задава кода на държавата (сменяте с bg за България) • hl = us задава езика (сменяте с bg за България) Параметърът q е за ключовата дума

Пример с думата „почивка малдиви“ – http://suggestqueries.google.com/complete/search?&output=toolbar&gl=bg&hl=bg&q=[%D0%BF%D0%BE%D1%87%D0%B8%D0%B2%D0%BA%D0%B0%20%D0%BC%D0%B0%D0%BB%D0%B4%D0%B8%D0%B2%D0%B8]

Резултат:

Когато качвате данни, трябва да ги „почистите“. По-добре е да го направите в началото още на етап сканиране. Защо? За да не е чистите голям обем от данни по-късно. Въз основа на практиката е съставен следният списък от правила.

След vs трябва да изтриете резултати, чийто текст:

• Съдържа оригиналната фраза. Например, търсите tensor и след vs се показва пак tensor
• Съдържа няколко варианта VS

Резултатът е съвкупност от семантични връзки между множество заявки.

Създаване на графика

След като анализираме заявките и определим връзките, можем да изградим мрежова графика. Пример за графика:

Изображението съдържа повечето основни технологии, за които трябва да знаят онези, които се занимават с изкуствен интелект. Резултатът е логично групиране на много технологии.

Как да направите визуализация? Чрез софтуери. Например, за да създадете горната графика е достатъчно да използвате безплатната електронна таблица на Google и безплатната версия на flourish.studio.

Как да автоматизирате създаването на графики? Например, използвайте пакета Python networkx. Пакетът има специална функция за графики. Името на функцията е ego_graph. За удобство Ви предоставяме готов шаблон с кодове за изграждане на графики:

import networkx as nx

# SAMPLE DATA FORMAT #nodes = [(‘tensorflow’, {‘count’: 13}), # (‘pytorch’, {‘count’: 6}), # (‘keras’, {‘count’: 6}), # (‘scikit’, {‘count’: 2}), # (‘opencv’, {‘count’: 5}), # (‘spark’, {‘count’: 13}), …]

#edges = [(‘pytorch’, ‘tensorflow’, {‘weight’: 10, ‘distance’: 1}), # (‘keras’, ‘tensorflow’, {‘weight’: 9, ‘distance’: 2}), # (‘scikit’, ‘tensorflow’, {‘weight’: 8, ‘distance’: 3}), # (‘opencv’, ‘tensorflow’, {‘weight’: 7, ‘distance’: 4}), # (‘spark’, ‘tensorflow’, {‘weight’: 1, ‘distance’: 10}), …]

#BUILD THE INITIAL FULL GRAPH G=nx.Graph() G.add_nodes_from(nodes) G.add_edges_from(edges)

#BUILD THE EGO GRAPH FOR TENSORFLOW EG = nx.ego_graph(G, ‘tensorflow’, distance = ‘distance’, radius = 22)

#FIND THE 2-CONNECTED SUBGRAPHS subgraphs = nx.algorithms.connectivity.edge_kcomponents.k_edge_subgraphs(EG, k = 3)

#GET THE SUBGRAPH THAT CONTAINS TENSORFLOW for s in subgraphs: if ‘tensorflow’ in s: break pruned_EG = EG.subgraph(s)

ego_nodes = pruned_EG.nodes() ego_edges = pruned_EG.edges()

Какво ще се случи, ако ключовата фраза се отнася за две ниши? Задачата се решава от функцията k_edge_subgraphs. Функцията k_edge_subgraphs намира групи, които не могат да бъдат разделени чрез извършване на k или по-малко действия. От практиката оптималните прагови стойности са k = 2 и k = 3. В резултат графиката ще бъде почистена от излишни неща.

Заключение

Методология, използваща vs заявки, позволява да се идентифицират семантични структури. Схемата е проста. За да идентифицирате структурата, първо трябва да качите vs данните. След това да съберете всички тематични фрази. Търсачката маркира намерените елементи като близки семантично. Практическото приложение е широко.

Използването на бранд във фраза за ключови думи не е задължително. Методиката също работи с ястия, телевизионни предавания и всичко останало. Връзките са разработени най-добре в сегмента на английския език. Следователно, ако има малко връзки, намерени на друг език, тогава трябва да се използва преводач.