Was ist BERT SEO und Natural Language Processing?

Dank BERT ist Natural Language Processing (NLP) die neue unverzichtbare Zutat in jeder mobilen SEO-Kampagne .

Vielleicht haben Sie schon einmal das Sprichwort gehört „Ihre Worte bestimmen Ihr Schicksal“. Ebenso ist es im Suchmaschinenmarketing wichtig, wie wir Wörter auf einer Seite verwenden. Das BERT von Google bietet Einblicke in die Organisation der Suchergebnisse. Es veranschaulicht, wie die Beziehung zwischen Worteinheiten und der Verwendung von Sprache die Zukunft von SEO prägt.

Die Mobile-First-Indexierung beeinflusst die zunehmende Abhängigkeit von Google vom physischen Standort (GPS / Google Maps) des Suchenden. Es kennt auch die Spracheinstellungen des Suchenden auf seinem Telefon und in seinem Google-Konto. Dies trägt dazu bei, die zurückgegebenen Suchergebnisse zu informieren, und bietet personalisiertere Suchergebnisse.

Als Google seine Erklärung veröffentlichte, in der das vom BERT-Algorithmus beeinflusste Suchformat angekündigt wurde, wussten wir, dass dies Zeit und Aufmerksamkeit verdient. Da es darauf abzielt, die Interpretation komplexer Long-Tail-Suchanfragen zu verbessern und relevantere Suchergebnisse anzuzeigen, ist es das größte Suchupdate seit 5 Jahren. Erst nachdem wir verinnerlicht haben, was die Wörter, die BERT umfasst, tatsächlich bedeuten, können wir Suchmaschinenmarketing besser betreiben.

Hier ist, was wir bis heute erreicht haben.

Was ist BERT?

BERT ist ein Akronym für Bidirectional Encoder Representations from Transformers. Es ist eine auf neuronalen Netzwerken basierende Technik für das Vortraining der Verarbeitung natürlicher Sprache. Einfacher ausgedrückt kann es verwendet werden, um Suchmaschinen dabei zu helfen, den Kontext von Wörtern in Suchanfragen besser zu entschlüsseln.

BERT-Modelle übertreffen bisherige Möglichkeiten. Sie bewerten den vollständigen Kontext eines Wortes, indem sie beide Wörter betrachten, die VORHER und NACHHER kommen. Dies hilft dabei, Kontext zu sammeln, der besonders nützlich ist, um die Absicht zu verstehen, die die Suchanfrage ausgelöst hat.

Was ist eine Google-Entität?

Google wurde am 25. Oktober 2016 das Patent Nr. US 9,477,759 B2 erteilt. Es definiert eine Google-Entität als: „Ein Ding oder Konzept, das singulär, einzigartig, klar definiert und unterscheidbar ist.“ Es befasst sich auch mit seinen Fähigkeiten zur Beantwortung von Fragen, die auf Entitätsreferenzen in unstrukturierten Daten beruhen. Das Patent erklärt, wie Google relevante Informationen innerhalb von Webseiten findet.

Es ist wichtig zu verstehen, dass eine Entität kein physisches Objekt sein muss, es kann auch ein Farbton, ein Datum, ein Duft und mehr sein. Eine Entität ist alles, was ist: Singular. Beispielsweise kann eine Entität eine Einzelperson, ein physisches Gebäude, ein Geo-Standort, ein Produkt, ein Ton, eine kognitive Idee, ein abstraktes Konzept, ein Tatsachenelement oder andere existierende Dinge sein. Es kann auch eine beliebige Kombination davon sein, um zu helfen, wie Google eine Website crawlt und indexiert.

Eine Entität gehört nicht zu einem übergeordneten Knoten; vielmehr sind seine Nachkommen schreibgeschützt. Der Name einer Entität wird in der Eigenschaft nodeName . Außerdem ist eine Entität ein Node-Objekt und erbt daher einige Eigenschaften und Methoden von ihm.

Was ist Entitätserkennung?

Die Entitätserkennung erhebt die Suche von Zeichenfolgen zu Dingen. Es hilft der Google Search Appliance, interessante Entitäten in Dokumenten zu identifizieren und zu klassifizieren und diese Entitäten dann in ihrer Bibliothek oder ihrem Suchindex zu speichern. SEOs können Metadaten-arme Inhalte anreichern, um die Chancen zu erhöhen, mit Text mithilfe von NLP reichhaltige Ergebnisse zu erzielen. Ein Begriff kann ein Name für eine Entität sein, die danach als „benannte Entität“ bezeichnet wird.

Was ist Entity-Query-Matching?

Entity-Query-Matching erweitert Googles fortschreitende Fähigkeiten zur Wahrnehmung von Inhalten. Wie man NLP in der Onsite-Optimierung einsetzt, ist zu einer Top-Frage im Jahr 2020 geworden. Beginnen Sie jede Content-Marketing-Kampagne mit einer umfassenden Marktforschung. Dies wird Ihnen helfen, den Kontext zu verstehen, den Suchmaschinen mit Benutzeranfragen zu jedem Thema verbinden können.

Woher wissen Sie, welche Seiten glaubwürdig genug sind, um Ergebnisse mit NLP-Optimierung zu sehen?

Wenn Sie bereits hochwertige Inhalte zu einem Thema haben und dafür ranken, haben Sie bessere Chancen. Finden Sie eine Seite mit schwachem Inhalt, die jedoch aufgrund eingehender Links im Ranking stehen könnte, und beginnen Sie damit, diese Seiten zu verbessern. Ihre Inhalte werden den tatsächlichen Bedürfnissen der Zuschauer besser gerecht, wenn sie in natürlicher Sprache verfasst sind.

Was ist kontextbasierte Verarbeitung natürlicher Sprache?

Die kontextbasierte Verarbeitung natürlicher Sprache beginnt damit, wie Suchmaschinen versuchen, Kontexte zu identifizieren, die verwendet werden können, um bestimmten Benutzeranforderungen zu entsprechen. Es beinhaltet die Verarbeitung solcher Benutzeranfragen durch Nutzung einer Dialog System Engine, die sich auf die Kontexte stützt. Diese beziehen sich typischerweise auf Sprachkontexte, die eine Folge von Benutzeranfragen oder Dialogsystemantworten liefern, die gespeichert und kategorisiert werden

Wie können Suchmaschinenvermarkter NLP nutzen, um den Umsatz zu steigern?

Strukturierte Daten spiegeln wider, worum es in Ihren Inhalten geht. Wenn es korrekt implementiert und auf dem neuesten Stand gehalten wird, sollte es dies tun. Fügen Sie für E-Commerce-Websites kontextbezogene Inhalte hinzu, die Suchanfragen mit Kaufabsicht beantworten können. Vermeiden Sie NLP-Entitäten, die eine negative Implikation haben könnten, wie „depressiv“ oder „verrückt“. Es braucht das Gesamtbild gegenüber den Werten selbst. Dies hilft dabei, granulare Unterschiede in Entitäten zu entschlüsseln.

Suchergebnisseiten, bekannt als SERP, sind sehr beliebt. Die richtigen Inhalte können dazu beitragen, dass Ihr Unternehmen in Funktionen wie den Local Packs und Featured Snippets von Google sichtbar wird. Indem Sie eine BERT-fokussierte Denkweise annehmen, kann Ihr Unternehmen Kundenanrufe gewinnen, selbst bei Zero-Click-Suchen. Das Hinzufügen von semantischer Verarbeitung in Ihren Content-Publishing-Workflow beinhaltet die Verwendung von Natural Language Processing, um nützliche semantisch strukturierte Informationen hinzuzufügen, die Ihre Inhalte beschreiben. Zahlreiche Suchstrategien können NLP beinhalten, um SEO und Benutzerbindung zu verbessern.

Das Gebiet der Verarbeitung natürlicher Sprache wächst in großen Schritten. In Kombination mit maschinellem Lernen und angetrieben durch Deep-Learning-Techniken entstehen Wortverwendungsmuster. Entitäten und Knoten erzeugen eine Inhaltsstruktur aus riesigen Textfunden. Google wählt dann aus, wie es sie verwenden möchte.

Google Knowledge Graphs zeigt verwandte Entitäten an. Ein Knowledge Panel einer weithin bekannten Person kann eine Verbindung zwischen dieser Person, die zu Ihrer Suchanfrage passt, und einer anderen Person anzeigen. Wenn Sie auf „Verbindung anzeigen“ klicken, werden weitere Informationen zu beiden Personen angezeigt. Um selbst zu experimentieren, suchen Sie nach Ihrem Lieblingspromi und wählen Sie dann einen vorgeschlagenen Promi in den SERP-Ergebnissen „Personen suchen auch nach“ aus. Dies ist eine Möglichkeit, diese verwandten Entitätsknoten auszulösen.

Konversations-KI-Chatbots und Sprachassistenten verlassen sich auf modernste natürliche Sprachmodelle, um die Frage der Menschen zu beantworten, wenn ein Unternehmen nicht verfügbar ist. Diese Modelle können trainiert werden, um einen verbraucherorientierten Ansatz zur Beantwortung häufig gestellter Fragen zu ermöglichen.

Muss sich jedes Unternehmen um Google-Suchentitäten kümmern?

Ja, diejenigen, die in der organischen Suche gefunden werden möchten. Das Ziel, wie Sie Entitäten in Ihren Inhalten verwenden, sollte beinhalten, Menschen zu motivieren, Maßnahmen zu ergreifen, die sich direkt auf Ihre Geschäftsziele beziehen.

Die genaue Darstellung Ihres Firmennamens und Ihrer Einheiten hilft Kunden, Ihr Unternehmen online zu finden. Dies beginnt mit einem vollständig optimierten Google My Business-Eintrag, bei dem alle Entitäten ausgefüllt sind.

Sie würden es wahrscheinlich nie so sehen. Das Mikrofon Ihres Telefons hört immer zu. Im Hintergrund wertet das maschinelle Lernen aus, was es von den erfassten Entitäten hört. Neuere Versionen von iPhone und Android zeigen Ihnen die Entfernung zum letzten Ort, an dem Sie gesprochen wurden. Oder wo Sie den zuletzt gehörten Film sehen können, der in der Radio-/TV-Werbung angekündigt wurde, die Sie sich anhören. Was hört es sonst noch?

Cortana, die auf meinem Computer installiert ist, hat mir in letzter Zeit mehrmals gesagt: „Ich kann lernen, Sie viel besser zu verstehen, wenn ich mich mit Ihrer Art und Weise vertraut machen kann.“ Allerdings habe ich weder mit ihm gesprochen noch gedacht, dass er „zuhört“.

In den letzten Monaten sehen wir immer mehr Beweise dafür, dass Googles Mobile-First-Indexierung nicht nur eine Änderung des primären Crawlers ist, sondern eine große Änderung in Googles Strategie zur Organisation von Informationen und Verarbeitung von Anfragen. Die Beziehung zwischen Sprachen und Entitäten bei der Mobile-First-Indizierung, ‚Entity-First-Indexierung‘, kann nicht genug betont werden.“ – Cindy Krum von Mobile Moxie

Was sind die besten Möglichkeiten, Wörter und Ausdrücke in Inhalten zu verwenden?

Wörter in Ihrem Inhalt werden zu Paaren von Entitäten.

Wörter in Webinhalten sollten so fließen, wie Menschen sprechen, aber sie müssen semantisch korrekt sein, in Begriffen, nach denen BERT sucht. Dies wird Ihnen helfen, die umfassendsten Ergebnisse in den SERPs zu erzielen.

Suchen Sie nach einzelnen Entitäten, die sich am besten auf Ihren Kopf-Suchbegriff beziehen. Überprüfen Sie, wie Sie Entitäten richtig verwenden, um den Lesern Kontextwert hinzuzufügen. Derzeit hat Google die besten Datensätze, um Algorithmen beim Lernen zu helfen.

SEOs, denen früher der Geschäftssinn fehlte, sind heute gezwungen, Geschäftsstrategien zu verstehen und über ganzheitliche digitale Marketingfähigkeiten zu verfügen. Die in Ihren Inhalten und Mitteilungen verwendeten Wörter oder Suchbegriffe sind von Bedeutung. Jeder Satz sollte nützlich und wichtig sein.

Die Bedeutung eines Modells zur Verarbeitung natürlicher Sprache

Warum sollten Sie den NLP-API-Prozessor verwenden, um den Abgleich zwischen Entitäten und Abfragen zu verbessern?

Der Übergang zu einem natürlicheren Sprachansatz hat grundsätzlich zwei Vorteile.

• Es macht Ihre Inhalte für Menschen einfacher zu lesen und darauf zu reagieren.
• Es macht Ihre Inhalte für Suchmaschinen leichter zu verstehen und zu katalogisieren.

Zurück zum Patent FRAGEBEANTWORTUNG MIT ENTITÄTSVERWEISEN IN UNSTRUKTURIERTEN DATEN. Es sagt uns, dass eine Entität im Grunde das ist, wonach Menschen bei Google suchen. Die Einführung von NLP kann für E-Commerce-Websites enorm sein. Implementieren und testen Sie Ihr Produkt-Markup, um Ihre Zielseiten auf vordefinierte Weise zu organisieren.

Überlegen Sie, was das obige Patent besagt:

Überlegen Sie, was das obige Patent besagt:

„Rangfolge der einen oder mehreren Entitätsreferenzen basierend auf den jeweiligen gewichteten Summen: Auswählen eines Entitätsergebnisses aus der einen oder mehreren Entitätsreferenzen basierend zumindest teilweise auf der Rangfolge der einen oder mehreren Entitätsreferenzen; und Bereitstellen einer Antwort auf die Abfrage basierend zumindest teilweise auf dem Entitätsergebnis.“

Wie der Google Assistant die Verarbeitung natürlicher Sprache verwendet

Ein weiteres Google-Patent konzentriert sich mehr auf die Verarbeitung mobiler Konversationssuchanfragen.

Google Assistant ist ein auf künstlicher Intelligenz basierender virtueller Assistent, der ein personalisiertes Gespräch mit einem Suchenden führen kann. Es übertrifft alle anderen bei der korrekten Beantwortung von Conversational Search Queries. Es stützt sich teilweise auf den Kontext früherer Suchsitzungen.

Ein neueres Google-Patent wurde am 19. November 2019 erteilt und bezieht sich direkter auf den Google Assistant. Es trägt den Titel Kontextbasierte Verarbeitung natürlicher Sprache und informiert uns über Methoden der Verarbeitung natürlicher Sprache (NLP), die eine multimodale Verarbeitung von Benutzeranfragen beinhalten. Es wurde zeitlich mit der Ankündigung abgestimmt, dass sie BERT verwenden, um natürliche Sprache effizienter zu verstehen.

Der Technologieriese versucht, seine Herausforderungen zu meistern, wenn er mit Anfragen konfrontiert wird, die „allein oder isoliert betrachtet nicht vernünftig verständlich sind“. Pandu Nayak Google Fellow und Vice President of Search veröffentlichte am 25. Oktober 2019 einen Artikel mit dem Titel Suchen besser verstehen als je zuvor. Er sagte: „Wir sehen jeden Tag Milliarden von Suchanfragen, und 15 Prozent dieser Suchanfragen sind solche, die wir zuvor noch nicht gesehen haben – also haben wir Wege entwickelt, um Ergebnisse für Suchanfragen zurückzugeben, die wir nicht vorhersehen können.“

Mit dem BERT-Algorithmus können nun auch kleine Wörter helfen, die Suchabsicht besser zu verstehen.

„Das Wort ‚to' und seine Beziehung zu den anderen Wörtern in der Abfrage sind besonders wichtig, um die Bedeutung zu verstehen. Es geht um einen Brasilianer, der in die USA reist, und nicht umgekehrt. Zuvor haben unsere Algorithmen die Bedeutung dieser Verbindung nicht verstanden, und wir haben Ergebnisse zu US-Bürgern zurückgegeben, die nach Brasilien reisen. Mit BERT ist die Suche in der Lage, diese Nuance zu erfassen und zu wissen, dass das sehr gebräuchliche Wort „to“ hier tatsächlich eine große Rolle spielt, und wir können ein viel relevanteres Ergebnis für diese Suchanfrage liefern.“ - Google

BERT bietet ein besseres Verständnis von Wörtern und Sprache

„Sprachverständnis ist der Schlüssel zu allem, was wir bei der Suche tun“, sagte Pandu Nayak. „Dies ist die einzige, größte und positivste Veränderung, die wir in den letzten fünf Jahren hatten.“

Google kann Benutzeranfragen besser entschlüsseln, indem es einen Sprachtyp, Entitätsknoten oder einen Umgebungskontext identifiziert, der mit der Suche des Benutzers einhergeht. Sie können diese Entitätseinblicke nutzen, um Ihre Nischenkompetenz in der Branche zu demonstrieren. Das Patent bezieht sich auf „Dialogsysteme“ und mobile Anwendungen.

„Herkömmliche Dialogsysteme sind in der Informationstechnologiebranche weit verbreitet, insbesondere in Form von mobilen Anwendungen für drahtlose Telefone und Tablet-Computer. Im Allgemeinen bezieht sich ein Dialogsystem auf einen computerbasierten Agenten mit einer auf den Menschen ausgerichteten Schnittstelle zum Zugreifen auf, Verarbeiten, Verwalten und Liefern von Informationen. Dialogsysteme sind auch als Chat-Informationssysteme, Sprachdialogsysteme, Konversationsagenten, Chatter-Roboter, Chatterbots, Chatbots, Chat-Agenten, digitale persönliche Assistenten, automatisierte Online-Assistenten usw. bekannt.“ – Patent US20160259775A1

Das ist nun eine umfassende Liste von Kommunikationseinheiten, die unter „Dialogsystem“ fallen! Das Patent erklärt, wie Google Assistant entwickelt wurde, um sich über NLP mit Suchenden zu verbinden.

„Ein Dialogsystem interagiert mit seinen Benutzern in natürlicher Sprache, um ein intelligentes Gespräch zu simulieren und den Benutzern personalisierte Hilfestellung zu geben. Beispielsweise kann ein Benutzer Anfragen an das Dialogsystem in Form von Konversationsfragen generieren, wie z. B. „Wo ist das nächste Hotel?“. oder „Wie ist das Wetter in Alexandria?“ und erhalten vom Dialogsystem entsprechende Antworten in Form von Audio- und/oder einblendbaren Nachrichten. Die Benutzer können dem Dialogsystem auch Sprachbefehle geben… – Patent US20160259775A1

Jetzt, da wir ein grundlegendes Verständnis dafür haben, wie die Google-Suche NLP verwendet, ist es faszinierend, wie dies unsere Herangehensweise an die Erstellung von Inhalten und SEO beeinflussen kann.

Named Entity Recognition in Query Google-Patent Nr. US9009134B2

Der Anwendungsstatus ist ab heute, dem 11. Februar 2020, aktiv. Es erklärt weiter einen Teil der Sprachkennzeichnung in der Informatik und der Stimmungsanalyse.

Was ist Abfragesegmentierung?

Dieses Patent beantwortet und definiert, was Abfragesegmentierung ist. Zu wissen, dass es sich normalerweise um die Segmentierung einer bestimmten Abfrage in kleinere Einheiten handelt. Es sagt uns, dass „oft möglicherweise Beschränkungen hinsichtlich der möglichen Arten von segmentierten Einheiten bestehen, was zu einer eingeschränkten Funktionalität des Verfahrens führt. Das syntaktische Parsing konzentriert sich im Allgemeinen auf die Identifizierung der linguistischen Struktur einer Abfrage. Die Klassifizierung von Suchanfragen fällt im Allgemeinen in zwei Gruppen: Klassifizierung gemäß der Suchabsicht, wie beispielsweise informativ, navigationsorientiert oder transaktionsbezogen; und Klassifizierung nach der Semantik einer Anfrage.“

Dies könnte auf „Käufe“ oder „Käufer“ angewendet werden. Beide Formen der Abfrageklassifizierung betrachten die gesamte Abfrage. Einmal klassifiziert und es gibt in der Regel keine weitere Diagnose über die interne Struktur der Abfrage.

Wir erfahren auch mehr darüber, wie es versucht, mehrdeutige Themenentitäten und Herausforderungen zu überwinden, wenn eine unüberwachte Lernmethode eingesetzt wird.

„Da die Themen in einem Modell vordefiniert sein können und die möglichen Themen eines Dokuments gegeben sein können, kann ein neues Verfahren zum Lernen eines Themenmodells, das als schwach überwachte latente Dirichlet-Zuordnung (WS-LDA) bezeichnet wird, verwendet werden.

Für jedes Wort

A. Themenzuordnung zeichnen zn˜Multinomial(θ)

B. Zeichnen Sie das Wort wn˜Multinomial(βZn), eine multinomiale Verteilung, die vom Thema zn abhängig ist.“

Wir erfahren, dass eine Datenquelle für übereinstimmende Entitäten „Abfrageprotokolldaten wie ein Abfrageprotokoll von einer kommerziellen Websuchmaschine“ oder etwas Ähnliches sein können. Das Patent bietet Beispielformen zum Implementieren verschiedener Ausführungsformen zum Sortieren von Entitäten aus computerlesbaren Medien. Es enthält einen Teil, der Folgendes umfasst: „RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologie, CD-ROM, DVD (Digital Versatile Disks) oder andere optische Speicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichergeräte , oder jedes andere Medium, das zum Speichern der gewünschten Informationen verwendet werden kann“.

Hilfe zur maschinellen Übersetzung für die Entitätsextraktion finden Sie in Open Sources im Internet. Es ist spannend, in die benutzerdefinierte Entitätsmodellierung einzusteigen – insbesondere, weil uns das Verstehen von Entitäten dabei hilft, besser mit echten Verbrauchern zu kommunizieren. Das lokale Geschäftsschema ist die Grundlage für den Aufbau Ihres Knowledge Graph und die Verbindung mit lokalen Verbrauchern. Cindy Krum sagt das am besten, also werde ich sie noch einmal zitieren.

„Insgesamt ermöglichen Entitäten Google ein besseres und tieferes Verständnis von Themen, weil sie Google die Möglichkeit geben, Verbindungen und Beziehungen zwischen verschiedenen Themen (Entitäten) einfach zu entwickeln. Ein tieferes Verständnis einer Entität und ihrer Beziehungen wiederum gibt Google die Möglichkeit, potenziell Informationen über die Entität in jeder Sprache bereitzustellen (ggf. mit Live-Übersetzung von den Google-Sprach-APIs), da die Sprache jetzt nur noch eine unterstützende Rolle für hat die Abfrage – wie ein Modifikator. Welches Entitätsverständnis und welche Entitätsbeziehungen Google in einer Sprache lernt, kann automatisch in andere Sprachen übersetzt werden, insbesondere in von Google gehosteten Ergebnissen auf Position Null wie dem Knowledge Graph.“

Die Google BERT-Algorithmen versuchen, die richtigen Verbindungen zwischen Ihren veröffentlichten Seiten und den von ihnen identifizierten Themen zu finden. Sie können Google helfen, die richtigen „Entitäten“ auf Ihrer Website zu finden.

Fazit:

Daten können als neuer Maßstab dienen. Echte vernünftige NLP-Technologie beinhaltet neue Techniken, wie strukturierte Wissensmodelle.

Gespräche von Mensch zu Mensch können die gestellten Fragen leicht verstehen, um die richtige Antwort für die Antwort auszuwählen. Körperhaltung, Gestik, Tonfall machen deutlich, worum es im Gespräch wirklich geht. NLP hilft Maschinen dabei, dasselbe besser zu machen. Wenn ich mehr lerne und experimentiere, werde ich diesen Artikel aktualisieren, um ihn nützlicher zu machen. Ihre Reise mit NLP und Kommentare sind willkommen.

Finden Sie neue Wege, um Ihre Inhalte zu bereichern.

Fordern Sie Ihr Schema-Markup-Audit von einem Minneapolis Pro Search-Anbieter an