사용자 개념 검색을 위한 웹 콘텐츠 생성의 구조적 접근 방식

사용자 개념 검색을 위한 웹 콘텐츠 생성에서 구조적 접근 방식을 사용하는 방법

2022년 1월 18일 업데이트됨

사이트 최적화를 위해 자연어 처리를 사용하여 콘텐츠 생성에 대한 구조화된 접근 방식을 제공하는 의미 구조화된 웹 페이지는 사용자 개념 검색에서 우수한 결과를 생성하기 위해 예측 데이터 및 의미론적 검색 매핑 의 이점을 얻을 수 있습니다.

사용자 개념 검색은 관련 결과인 관련성 및 개념 정보를 제공합니다. 콘텐츠의 가치에 대한 비즈니스 결정과 뛰어난 사용자 경험 제공은 콘텐츠가 생성될 때 구조화된 데이터를 적용하는 이점이 있습니다. 콘텐츠 큐레이션에 대한 구조화된 접근 방식은 저널리즘 및 뉴스 사이트에 중요하다는 것 이상으로 발전했습니다. 온페이지 마크업을 사용하여 콘텐츠를 생성하고 사용자 개념 검색에 중점을 둔 조직적인 접근 방식을 작성함으로써 모든 비즈니스 웹사이트에서 이점을 얻을 수 있습니다.

잠시 백업해 보겠습니다.

개념 검색이란 무엇입니까?

개념 검색은 개념 검색이라고도 합니다. 저장된 비정형 텍스트를 전자적으로 소싱하기 위해 자동화된 검색에 사용되는 자동화된 정보 검색의 한 형태입니다. 이것은 디지털 도서관 아카이브, 이메일, 과학 문헌, 학술 기사, 재무 기록 등의 Google 데이터 세트 일 수 있습니다. 사람이 검색어를 수행할 때 사용되는 정보와 개념적으로 유사한 정보를 찾습니다.

엔터티 기반 검색은 검색 엔진이 콘텐츠를 더 빠르게 쿼리할 수 있기 때문에 더 효율적입니다. 이것이 BERT 알고리즘이 가장 잘하는 것입니다.

개념 검색은 관련 엔터티를 어떻게 찾습니까?

초기 검색어에 하나 이상의 개념이 포함된 경우 확인된 개념을 포함하는 연속 검색어와 관련된 사용 데이터가 수집됩니다. 그런 다음 초기 검색 쿼리에서 식별된 개념에 가장 가까운 검색 쿼리 용어에 대한 대체 단어가 있는지 여부를 결정하는 데 사용할 수 있습니다.

검색 시스템은 특정 쿼리 용어에 대한 쿼리 용어의 인접성에 의해 설정된 검색 쿼리 내의 특정 컨텍스트를 해독할 수 있습니다. 사이트가 이익을 추구하는 것이라면 웹 페이지에 있는 사람에게 흐름과 의미를 전달해야 합니다.

엔터티는 웹 콘텐츠를 구성하는 데 어떻게 도움이 됩니까?

엔터티는 언어를 수학적 계산으로 변환하여 콘텐츠를 더 잘 구조화하는 데 도움이 되며 검색 엔진이 개념을 적절하게 식별하고 관계를 적절하게 매핑할 수 있습니다. 기존 검색 모델은 성능이 좋지 않습니다. Google은 증강 쿼리를 통해 검색 결과에 엔터티 관련 정보를 포함하는 방법을 발견하고 독자에게 알리고 주제 전문성을 보여주는 고유한 콘텐츠와 일치시킵니다. 여기에는 Google의 지식 정보 및 지식 패널을 포함하도록 웹 콘텐츠를 최적화하는 작업이 포함될 수 있습니다.

엔터티는 언어나 철자로 제한되지 않고 보편적으로 이해되는 개념이나 사물을 식별합니다. 기본적으로 엔터티는 다른 엔터티와의 관계입니다. Google은 구조화된 데이터 및 의미 검색에 사용되는 항목을 설명하기 위해 부분적으로 노드와 에지에 의존합니다.

개념 검색과 의미 검색의 차이점은 무엇입니까?

시맨틱 검색은 검색 쿼리가 키워드를 찾는 것뿐만 아니라 검색 쿼리의 의도와 문맥적 의미를 결정하는 것을 목표로 하는 데이터 검색 프로세스입니다.

개념 검색이라고도 하는 개념 검색은 검색 쿼리가 표시한 정보와 개념적으로 동일한 정보에 대해 구조화되지 않은 텍스트로 전자적으로 저장된 검색 이면의 자동화된 정보 검색 프로세스입니다. 요약하면, 개념 검색 쿼리에 대한 응답으로 검색된 정보에서 찾은 아이디어는 쿼리 텍스트에 포함된 엔터티와 관계가 있습니다.

콘텐츠 제작 구성을 위한 주제 중심 접근 방식

뉴스 매체와 소셜 미디어 채널( Google Posts 포함 )은 콘텐츠로 전환되는 원시 데이터로 가득 차 있습니다. 콘텐츠를 정렬, 분류, 게시 및 저장하는 방식에 따라 플랫폼이 비즈니스 요구 사항을 충족하는지 여부가 결정됩니다. 오프사이트 콘텐츠는 브랜드 구축 전략 의 중요한 측면이며 잠재 고객과 검색 엔진 모두에 효과적이어야 합니다.

틈새 시장이 무수히 많은 경쟁자들로 인해 두터워 보인다면 더 나은 옵션으로 서비스를 정당화할 수 있다는 것은 콘텐츠의 컨텍스트, 명확성 및 주제 관련성과 관련이 있습니다. 로드맵과 새로운 사용자 데이터 보고의 지속적인 흐름이 없으면 생성하는 데 엄청난 시간이 소요될 수 있습니다. 우리는 다른 곳에서 사용할 수 있는 인력과 재정 자원의 측면에서 고품질의 독창적이고 신선한 콘텐츠를 생성하는 것이 비용이 많이 든다고 생각하는 기업과 정기적으로 이야기합니다.

사용자 개념 검색이 경쟁 우위를 제공할 수 있습니까?

네. 사용자에게 검색 쿼리와 일치하는 양질의 솔루션과 답변을 제공하면 경쟁 우위를 확보할 수 있습니다. 또한 모든 이미지 지침을 충족하고 SEO의 모든 기본 측면이 뛰어난 지 확인 하여 시각적 검색을 주도 할 수 있도록 사이트를 준비하세요.

이전의 키워드 중심 프로세스에서 주제 중심의 구조화된 접근 방식으로 전환하면서 일부 사람들은 길고 힘든 키워드 연구 프로세스의 가치를 떨어뜨렸습니다. 제쳐두어서는 안 되며 오히려 오늘날의 접근 방식으로 성숙해졌습니다. 또한 청중을 식별하는 구매자 페르소나를 생성한 후 B2B 비즈니스 시장이든 B2C이든 관계없이 주제 엔터티에 대한 구조화된 접근 방식을 사용하여 가시적인 검색 결과에서 자신감과 성공으로 더 빠르게 나아갈 수 있습니다.

인공 지능은 일상적인 자연어를 사용합니다

관련 검색 결과를 얻기 위해 일상적인 자연어를 사용하여 기계와 대화할 수 있는 인간의 확장된 기능이 증가하고 있습니다. 검색 엔진과 Google 인공 지능 은 검색에 사용된 정확한 키워드뿐만 아니라 검색어의 의도를 이해할 수 있습니다. 주로 롱테일 쿼리용으로 작동하는 시스템인 Google의 RankBrain 출시는 의미 검색 개념에 의존합니다. 모든 검색 쿼리의 15%가 Google에서 완전히 새로운 것으로 매일 작업을 수행하는 의미 체계 검색은 Google이 웹 기사를 쉽게 인식하는 데 도움이 됩니다. 비즈니스 기사가 기사나 앵커 텍스트 어디에도 실제로 존재하지 않는 키워드에 대한 순위를 매기는 경우 LSI 키워드 또는 의미론적으로 검색 의도를 일치시키는 기능의 이점을 누리고 있습니다.

최근 backlinko.com에서 100만 개의 Google 검색 결과를 심층적으로 살펴본 결과 메타 제목 태그 상관 관계의 변화가 나타났습니다. 이것은 웹 페이지의 제목 태그에 있는 특정 키워드와 해당 키워드에 대한 SERP 순위 변경 간의 연관성입니다. 오늘날 제목 태그의 역할은 크게 축소되었습니다. 정확히 일치하는 키워드 또는 유사한 키워드를 배치하는 것이 필수적이었던 반면, Google이 기사의 맥락을 더 잘 이해하게 된 덕분에 이제 검색이 다르게 작동하고 제목 키워드를 대상으로 명시적으로 지정할 필요가 없습니다.

이것은 긴 형식의 웹 콘텐츠가 선호되는 이유에 기여합니다. 주어진 주제에 대한 사용자 질문에 더 잘 답할 수 있으므로 검색 엔진에서 관련성이 더 높은 것으로 간주됩니다. 답변이 풍부한 양질의 콘텐츠 는 즉각적인 Google SERP에서 가시성을 확보 하는 데 도움이 됩니다.

Google Search Console에서 찾은 사이트의 콘텐츠 키워드 목록은 사이트를 크롤링할 때 Google에서 가장 중요한 키워드와 그 변형을 제공합니다. 검색어 보고서와 타겟 키워드에 대한 실제 검색 결과의 사이트 목록을 함께 연구하면 Google이 웹 콘텐츠를 해석하는 방법에 대한 중요한 통찰력을 얻을 수 있습니다.

자연어 처리를 위해 콘텐츠에 구조화된 접근 방식 사용

많은 인터넷 사용자는 온라인 지원을 사용하는 경우 자신이 기초적인 AI와 통신하고 있다는 사실을 인식하지 못합니다. 이러한 채팅 지원 봇 중 대부분은 실제로 자동 응답기입니다. 의도를 놓치는 것처럼 느껴질 수 있지만 일부는 진정으로 비즈니스 웹사이트에서 지식을 추출하고 고객 쿼리에 올바른 답변으로 응답할 수 있습니다.

능숙한 챗봇은 이전에 큰 도전이었던 자연어 처리를 이해하는 데 능숙해야 합니다. 필수 유형의 schdema 마크업을 추가하면 페이지에 대한 검색 엔진의 이해도가 높아집니다 . 고객은 관습적으로 컴퓨터가 말하는 방식과 크게 다른 방식으로 이야기합니다. 둘 다 번역하는 기계 학습을 만들면 자연어 처리(NLP)가 빠르게 발전하고 있으며 구조화된 접근 방식을 사용하여 검색 쿼리 의도를 일치시킵니다.

검색은 "단어"에서 "개념 또는 엔티티"로 변형되었습니다. 단어가 실제로 의미하는 것과 디지털 콘텐츠에서 단어 간의 연관성을 파악하는 것이 의미 검색을 구성합니다. 검색이 훨씬 더 시각적 입니다. 인기 있는 제품 캐러셀 을 고려하십시오.

단어 뒤에 숨은 의미와 의도를 해독하는 능력이 바로 '인공지능'이다. Google Now는 가장 먼저 알아볼 수 있는 AI 형태일 수 있습니다. 우리가 스마트폰에 "말하는" 것처럼, 우리가 타자를 치는 것만큼이나 컴퓨터와 대화하는 곳으로 이동하는 전환이 일어나고 있습니다.

롱테일 쿼리에 중점을 둔 RankBrain

Google의 Gary Illyes는 Pubcon에서 RankBrain이 다른 알고리즘의 작동 방식을 변경하지 않는다고 밝혔습니다.

핵심 초점은 롱테일 쿼리 및 부정적인 검색 쿼리이며 관련 구조화된 쿼리에 대한 기록 성능 데이터를 평가하여 결정을 기반으로 합니다. 머신 러닝 관점에서 이것은 특정 쿼리가 고차원 벡터 공간 분석에서 과거 쿼리와 얼마나 유사한지를 평가하여 분류됩니다. Google은 새로운 롱테일 쿼리에 대한 순위 결과를 실시간으로 렌더링하기 위해 이러한 관련 쿼리의 기록 성능을 고려합니다.

RankBrain은 신호를 사용하여 쿼리를 기반으로 순위를 조정하기 위해 노력하고 있으며 현재 새로운 쿼리를 처리하는 데 최고의 알고리즘입니다.

GSE의 검색 제한 해결

더 많은 모바일 구매자가 온라인 구매를 선호함에 따라 Google 검색은 일반 텍스트 모음에서 다양한 문서 집합으로 진화해야 하며 보다 정확한 정보 요구 사항에 대한 수요를 충족하기 위해 표적 검색 접근 방식을 만들어야 합니다. 이는 제품 스키마 마크업이 모바일 쿼리에 중요하다는 것을 의미합니다.

오늘날, 이것은 구조화된 쿼리를 사용하여 사용자 검색 쿼리 뒤에 의미를 파악하고 사이트 웹 페이지를 구성하는 객체 클래스의 숨겨진 의미를 나타내기 위해 도메인별 순위 기능을 수집하려고 노력함으로써 더 잘 달성됩니다. GSE는 단순 키워드 쿼리로 제한되는 반면 구조화된 쿼리는 데이터 필드 의미론(예: 숫자 제약)을 자주 포함하고 필드 상호 종속성을 보여줍니다.

“일반 검색 엔진(GSE)은 대부분의 쿼리에 필요한 정보를 충족하기에 충분합니다. 그러나 이러한 쿼리는 aclweb.org에 포함된 구조화되지 않은 텍스트와 구조화된 데이터를 모두 분석해야 하기 때문에 실제 개체를 간결하게 설명하는 웹 페이지를 검색하는 데는 종종 부적합합니다.

AI의 구조적 접근 방식이 얼마나 일반적으로 사용되는지에 대한 10가지 예

1. 온라인 구매 예측

2. 영화 및 음악 옵션을 제안하는 서비스

3. 개인정보 및 재산 보안 감시

4. 의료 진단

5. 지능형 디지털 개인 비서*

6. 과학적 발견

7. AI 프로토타이핑

8. 구글 데이터 기반 뉴스 생성

9. 자율주행 스마트카

10. 신용카드 사기 방지

“스마트폰, 자동차, 은행, 집 모두 매일 인공 지능을 사용합니다. 때로는 Siri에게 가장 가까운 주유소로 가는 길을 알려달라고 요청할 때와 같이 무엇을 하고 있는지 분명합니다. 신용 카드로 비정상적으로 구매했는데 은행에서 사기 경고를 받지 못한 경우와 같이 때로는 명확하지 않습니다. AI는 어디에나 있으며 매일 우리 삶에 엄청난 변화를 가져오고 있습니다.”

검색 엔진은 정보 쿼리와 다르게 구매자 쿼리 의도를 일치시킵니다.

유료 검색 마케팅과 유기적 검색 가시성을 모두 고려하여 비즈니스를 정렬할 때 액션 쿼리는 사용자 개념 검색에서 단연 가장 중요합니다.

검색 쿼리는 "워싱턴 DC로 가는 여행 티켓 구매"와 같이 "하고 싶은" 사용자에 의해 생성됩니다. 반면 정보 쿼리는 "알고 싶은" 사용자를 위한 것입니다. 예를 들어 "내 웹사이트에서 전환율을 높이려면 어떻게 해야 하나요?"

페이지의 모든 의미론적 신호를 사용하여 페이지가 쿼리 의도와 명확하게 일치할수록 시간이 지남에 따라 해당 검색 쿼리에 대한 순위가 높아집니다. Google BERT 알고리즘이 발전 함에 따라 웹 카피에서 정확한 구문 일치가 이전만큼 중요하지 않습니다. 사실, "키워드 스터핑(keyword stuffing)"에 팁을 주면 정말 상처를 받을 수 있습니다. 사본에 많은 키워드가 포함된 디지털 콘텐츠는 더 이상 상위 검색 결과를 생성하지 않습니다. Google 비즈니스 목록을 최적화 하는 데 더 많은 시간을 할애하는 것이 좋습니다.

의미 체계 색인은 귀하의 웹사이트가 무엇에 관한 것이며 다른 사이트와 비교하여 주어진 주제와 얼마나 관련이 있는지를 결정하는 Google 알고리즘의 일부로 구성됩니다. 기술적인 SEO 용어에서 이러한 의미론적 "신호"는 URL, 제목 태그, META 키워드, 이미지 태그, META 설명, 내부 UX 구조, 저자의 주제 전문 지식 , 아웃바운드 링크, Google 리뷰 및 언급/참조/인용과 같은 항목을 포함합니다.

Oracle 및 PostgreSQL과 같은 데이터 세트 검색과 새롭게 부상하는 다중 유형 클라우드 데이터베이스를 통합하는 가치가 증가함에 따라 관계형 데이터베이스에 대한 새로운 그래프 기능이 등장하고 있습니다. Nicolas Figay 박사는 이것이 "표준화된 그래프 쿼리 언어는 데이터베이스의 1.5%만이 아니라 훨씬 더 많은 것과 관련이 있다"는 것을 의미한다고 말합니다. 2019년 11월 22일, The 신흥 지형, 온톨로지, 시맨틱 웹, 지식 기반, 그래프 기반 기술 및 표준 기사에 따르면 구조가 좋은 사이트가 지식 그래프에서 더 잘 나타납니다.

이는 KG가 기계가 읽을 수 있는 형식으로 신뢰할 수 있고 카탈로그화된 지식을 활용하는 특별한 종류의 데이터베이스이기 때문입니다. 이것은 웹사이트의 카테고리를 의미하며 검색 엔진이 가장 잘 해석할 수 있도록 약간의 주의를 기울여야 합니다. 추가 그래프 쿼리 언어 지원은 ISO 언어 요청이 더 자주 발생하고 더 다양한 솔루션 공급자가 필요한 이유일 수 있습니다.

고객 의도에 가장 잘 부합하도록 콘텐츠를 구성하는 방법

고객의 의도를 식별하고 어떤 키워드 또는 쿼리가 실제로 유도하고 있는지 파악하십시오.” SERP의 People Also Ask 및 관련 질문 . 의미론에 대한 초점은 언제부터 시작되었습니까? 아니면 얼마나 정확합니까? 그들은 훌륭한 질문입니다.

온톨로지 매핑의 의미는 초기에 96.2%의 정확도 판독값을 얻었습니다.

비영어권 웹 문서의 수가 증가함에 따라 Google은 2006년에 현지화된 지역 기반 검색 엔진을 제공했습니다. “온톨로지 매핑 정확도는 96.2%입니다. 온톨로지 태깅의 정확도는 2006년 12월 1일자 시맨틱 웹 기사 ****에 대한 온톨로지 기반 텍스트 인덱싱 및 쿼리에 따라 60%에서 70% 사이로 추정됩니다. 그 이후로 HTML 기반 인터넷과 시맨틱 웹의 RDF 기반 비전 사이의 격차를 줄이기 위해 많은 것이 이루어졌습니다. 텍스트 및 엔티티의 단어를 의미론적으로 온톨로지 개념에 연결함으로써 주제 아이디어를 더 잘 식별하고 일치시킬 수 있습니다.

온톨로지 매핑을 이해하고 구현 하면 중소기업이 경쟁적인 SEO 틈새 시장에서 경쟁할 수 있는 기회를 얻을 수 있습니다 .

구매 의도가 있는 구매자에게 도달하기 위한 구조화된 접근 방식 계획

멋진 콘텐츠를 만들기 위해서는 전체적인 SEO 전략이 필요합니다. 마케팅 연구는 검색량을 얻고 원하는 SEO 트래픽을 얻기 위해 키워드 데이터와 주제 기회를 매핑합니다 . 의미 있는 콘텐츠를 만들기 위해 키워드를 함께 사용하는 방법을 알아보세요. 우리는 지속적으로 키워드 목록을 새로 고친 다음 각 검색 구문에 대한 SERP를 신중하게 분석합니다. 그런 다음 Google이 각 쿼리의 의도를 어떻게 보았는지 확인하고 다음으로 더 많은 거래가 있는 키워드를 선택합니다. 즉, 고객이 제공한 특정 제품 및 서비스를 찾을 때 사람들이 사용할 키워드입니다.

사용자가 귀하의 콘텐츠에 참여하고 있음을 Google에서 확인할 수 있다면 귀하의 사이트에 적합해야 합니다. 기술적 SEO 감사를 실행하여 방해 요소를 제거하십시오 . 최고의 사이트'는 사용자 경험과 콘텐츠에 관한 것입니다. 순위를 매기기 위해 콘텐츠의 키워드가 필요하지는 않지만 해당 검색에 맞는 콘텐츠가 있어야 합니다. 콘텐츠 순위를 매기기 위해서는 충분한 콘텐츠가 필요합니다. 헤드 콘텐츠와 비교하여 지원 콘텐츠가 필요한 곳에 대한 마케팅 계획을 세우십시오.

미국 Google과 Luth Research는 소비자의 구매 여정***과 의미 체계 및 사용자 결과가 디지털 비즈니스의 핵심을 만드는 방법을 조사했습니다. 데이터는 2016년 4월과 8월 사이에 분석되었으며 옵트인 리드에 대한 4명의 개인 응답에 대한 교차 기기 클릭스트림 데이터를 관찰했습니다.

연말연시 쇼핑 선호도와 관련하여 두 가지 주요 구매자 검색 트렌드가 나타납니다.

(1) 사람들이 진정으로 원하는 것에 집중하면서 검색이 진화합니다.

(2) 사람들은 자신의 요구에 가장 잘 맞는 브랜드, 제품 또는 소매업체가 무엇인지 "직접 확인"하기 위해 검색합니다.

인터넷에서 사용되는 세 가지 기본 검색어 유형:

(1) 정보 제공

(2) 항해

(3) 거래

David Amberland**는 온라인에서 찾을 수 있는 콘텐츠를 사용하고 귀하의 사이트가 경쟁자보다 앞서도록 돕는 방식으로 용도를 변경할 것을 제안합니다. 영리한 상호 연결, 처리 속도, 생성하는 보고서 수의 엄청난 양을 통합하여 잠재 구매자가 찾고 있는 틈새 시장의 신뢰할 수 있는 정보를 위한 허브가 됩니다.

효과적인 콘텐츠 큐레이션 전술과 시맨틱 HTML

필터 의도에 따라 의미적으로 배열된 구조로 콘텐츠를 디자인합니다. 과거 웹 검색 시스템은 주로 키워드 매칭에 기반하여 관련 정보를 연결하는 데 더 제한적이었습니다. 오늘 은 음성 검색을 위한 웹 콘텐츠를 준비 해야 합니다. 방대한 양의 가용 데이터에 부적절했고, 사용자가 원하는 개념과 키워드 구문 간의 상관관계를 파악하는 데 한계가 있었습니다. 이러한 제한은 개념과 의미를 포함하는 것으로 성숙한 사용자 개념 검색으로의 전환으로 이어집니다. 시맨틱 HTML 게시 콘텐츠를 만드는 마케터는 콘텐츠 큐레이션에 대한 더 나은 접근 방식으로 아이디어를 구조화된 범주로 분류하고 있습니다. 그들은 검색 트렌드를 재편하는 새로운 인공 지능 기술에 의존합니다.

시맨틱 웹 검색을 위한 시맨틱 기반 정보 검색 시스템에 대한 2014년 연구에서는 보다 유능한 방식으로 정보를 검색할 수 있는 부가가치 알고리즘을 제안했습니다. 보다 구조화된 이 아키텍처는 사용자 기록이 제공하는 기존 키워드 목록의 입력을 활용하고 음성 또는 입력된 검색 쿼리를 의미론적 쿼리로 변환합니다. 이 기능은 기존 도메인 온톨로지, 독립 동의어 사전 및 런타임 중에 이들 간의 의미 관계를 해독하는 고급 기능의 도메인 개념의 도움으로 가능합니다. 시맨틱 쿼리에 적용 가능한 정보는 관련성에 따라 순위를 결정하는 데 사용됩니다.

단어 기반 정보 검색(IR) 시스템을 넘어 내용 인식 및 상황 인식 시나리오에 대한 열망이 널리 퍼져 있습니다. 오늘날 의미론은 구조화된 문서와 문서에서 의미론적 정보를 추출하는 메커니즘을 사용하는 콘텐츠 전략에서 큰 역할을 합니다. 새로운 인터넷 지원 웨어러블 기기의 개발과 모바일 구매자의 스마트폰 사용 증가로 인해 정보 검색 시스템 설계자의 추가 데이터에 대한 필요성이 시급합니다. 사용자 및 컨텍스트와 상호 작용해야 하는 필요성은 진행 중인 문제에 대한 솔루션을 제공하는 초석입니다.

semanticscholar.org에 따르면 "순위 기술은 주석이 달린 페이지 내의 키워드와 개념이 제출 당시 사용자의 마음에 있는 것과 동일한 방식으로 서로 연결될 확률의 추정치를 기반으로 합니다. 쿼리. 확률은 온톨로지, 사용자 쿼리 및 주석이 달린 페이지에 대한 그래프 기반 설명을 사용하여 측정됩니다.

시청자와 비즈니스 목표에 맞게 콘텐츠를 최적화 하려면 비즈니스 수익을 창출하는 전략적 선택으로 구성되어야 합니다. 우리는 분류 관리와 게시물, 문서 및 페이지가 분류되는 의미론적 메타데이터 중심 세계에 살고 있습니다. 메타데이터가 풍부한 환경을 만들고 실행하여 사용자가 필요할 때 의미론적 지능형 웹 콘텐츠가 SERP에서 맨 위에 제공되도록 합니다. 이 수준의 정교함에서 웹 존재는 다음 영역에서 유용합니다. 획득 검색, 데이터 기록 관리, 브랜드 식별, 개인 정보 문제, 지능형 마이그레이션, 안전한 파트너 협업, 콘텐츠 및 텍스트 분석, 그리고 필요한 모든 웹 애플리케이션 또는 프로세스 개선 메타데이터 사용. 구조화된 데이터를 최신 상태로 유지 하는 방법을 알고 있는 디지털 마케팅 담당자를 고용하십시오.

데이터 구조화된 콘텐츠 마케팅 기술을 보유한 SEO와 협력하여 작업을 시작하는 웹 디자이너는 사이트에 더 관련성 높은 트래픽을 얻습니다.

질문: 스키마 마크업이 개념 검색에 도움이 됩니까?

답변: 예. 사용자에게 실행 가능한 프롬프트를 제공하기 위해 SERP, 시맨틱 매핑 및 기존 온라인 기록의 순서에서 비즈니스의 현재 위치를 이해하는 데 도움을 드릴 수 있습니다. 또한 기업이 검색어의 전달 유형에서 누락된 롱테일 키워드를 결정하고 , 더 나은 유기적 전환을 위해 순위를 매길 수 있는 페이지를 차트로 작성하고, 작성 방법을 알아내는 방법에 대한 계획 초안을 작성하는 데 도움이 됩니다. 이 경로는 콘텐츠를 버리고 작동 방식을 배우는 것보다 훨씬 낫습니다.

그런 다음 귀하의 상황에 다양한 도구를 적용하여 가장 높은 판매 가능성을 찾고 선별된 콘텐츠를 마케팅하는 방법을 찾습니다. AdWords 디스플레이의 경우 비공식적으로 PPC를 떨어뜨리면 유기적 순위가 하락합니다. PPC 광고 는 귀하의 사이트가 동일한 검색어에 대해 유기적으로 상위 3위 안에 드는 경우 "점차 더 많은 클릭"을 유도하는 경향이 있습니다. 예를 들어, 미네소타 플리머스에 있는 통증 관리 클리닉은 특정 틈새 시장일 수 있으며 그곳에 위치한 비즈니스는 정보 대비 올바른 서비스 판매 순위를 확인해야 합니다. 롱테일의 의도는 헤드 키워드 용어보다 더 중요합니다. 우리는 고객이 일치시키려는 검색 의도에 대한 현재 승리를 얻기 위해 활용할 수 있는 것을 찾도록 돕습니다.

전자 상거래 마이크로데이터 가 포함된 구조화된 콘텐츠 방법론을 사용하여 사이트의 올바른 콘텐츠가 적시에 적절한 뷰어에게 제공되도록 하는 것이 좋습니다. 좋은 구조를 만들면 작성한 내용을 보다 효과적으로 사용할 수 있습니다. 42dm.net은 사용자 개념 검색에 대한 더 많은 정보를 위해 제가 강력히 추천하는 Hyperspeed에 대한 비즈니스 성장 웨비나를 주최했습니다.

참고: 모든 웹 페이지는 Web Core Vital 메트릭을 사용한 PageSpeed ​​최적화 의 이점도 있습니다. 사람들이 느리게 로드되는 페이지를 기다리지 않을 때 훌륭한 콘텐츠는 여전히 놓칠 수 있습니다.

사용자 개념 검색 및 그래프 데이터 모델링

2019년 3월 28일 Ivelina Nikolova 박사는 Ontotext와 구조화된 웹 콘텐츠를 만들기 위한 그래프의 기초에 대해 논의했습니다. 그는 다음과 같이 말합니다. “RDF(Resource Description Framework)는 정보의 의미 또는 의미를 공식적으로 설명하는 그래프 데이터 모델입니다. 그것은 메타데이터를 나타냅니다. 즉, 데이터에 대한 데이터 RDF 데이터 모델은 RDF 그래프에서 링크(또는 에지)를 나타내는 트리플로 구성됩니다." *****

이러한 엔터티는 잠재 구매자의 검색 의도 를 일치시켜 주요 콘텐츠를 가장 중요한 항목에 맞추는 데 도움이 될 수 있습니다. 오늘날 사용자가 관련 답변을 검색하고 찾는 방식이 머신 러닝에 의해 많이 이루어지기 때문에 구조화된 웹 콘텐츠가 그 어느 때보다 중요합니다.

규모가 큰 데이터를 파악하기 위해 기존 검색 기술을 확장하는 것은 대부분의 중소기업에게 충분히 어려운 일입니다. 우수한 검색 결과를 생성하기 위해 하이퍼텍스트에 있는 추가 정보를 사용하는 것과 관련된 새로운 기술적 문제가 표면화됩니다.

다음은 무료 도움말입니다. SEO 분석 가이드를 다운로드하고 자세히 알아보십시오. 심층적인 사이트 감사를 통해 귀하의 비즈니스를 발전시켜 드릴 수 있습니다 .

현장 데이터를 구조화하는 것은 매우 중요하므로 모든 초급 SEO 가이드에 포함되어야 한다고 생각합니다.

비즈니스에서 그래프 데이터 모델링을 수용하기 위한 조치 단계

텍스트 마이닝의 일부로 데이터 수집, 상호 연결 및 검색 엔터티 추출을 통해 비즈니스를 향상시키십시오. 오픈 소스 지식 그래프의 사실 외에도 비정형 데이터를 사용하여 구조화된 접근 방식을 통합하여 비즈니스 지식 그래프를 형성하십시오. 비즈니스의 미래에 대해 진지하게 생각하고 있다면 여러 유형의 웹사이트 감사를 수행하여 구조화된 접근 방식을 찾으십시오 . 사용된 용어를 더 잘 이해하려면 먼저 일반적인 검색 마케팅 FAQ 를 읽으십시오.

현재 검색 결과를 고려하십시오. 각각의 경우에 우리가 찾고 있는 것과 정확히 일치하지 않는 경우 "일반" Google 검색을 넘어 귀하의 마케팅에서 원하는 디지털 결과 를 얻을 수 있도록 서비스를 요청하십시오.

* https://en.wikipedia.org/wiki/Intelligent_personal_assistan

** https://www.davidamerland.com/seo-tips/1035-structured-data-or-a-structured-approach-to-content-making-choices-for-your-business.html

*** https://s3.amazonaws.com/luth-wordpress/wp-content/uploads/2016/07/17165141/Luth-Whitepaper_Unlock-Your-Imagination-for-Digital-Data.pdf

**** https://www.researchgate.net/publication/222566181_Ontology_based_text_indexing_and_querying_for_the_semantic_web

***** https://graphdb.ontotext.com/free/devhub/rdfs.html