ทำมากขึ้นโดยใช้น้อยลง: การสร้างเนื้อหาคุณภาพสูงโดยอัตโนมัติ

คุณจะทำอย่างไรเพื่อให้ได้ผลลัพธ์ที่น่าทึ่งด้วยเวลาและทรัพยากรที่ จำกัด ?

การเขียนเนื้อหาคุณภาพที่ให้ความรู้และโน้มน้าวใจยังคงเป็นวิธีที่แน่นอนในการบรรลุเป้าหมายการเข้าชมและ Conversion ของคุณ

แต่กระบวนการนี้เป็นงานที่ยากและต้องทำด้วยตนเองซึ่งไม่ได้ปรับขนาด

โชคดีที่ความก้าวหน้าล่าสุดในการทำความเข้าใจและสร้างภาษาธรรมชาติให้ผลลัพธ์ที่น่าสนใจและน่าตื่นเต้น

สำหรับเซสชัน SEJ eSummit ของเขา Hamlet Batista ได้พูดคุยถึงสิ่งที่เป็นไปได้ในตอนนี้โดยใช้ตัวอย่างที่ใช้ได้จริง (และโค้ด) ที่ผู้เชี่ยวชาญด้านเทคนิค SEO สามารถติดตามและปรับให้เหมาะกับธุรกิจ

นี่คือสรุปการนำเสนอของเขา

คำแนะนำในการเติมข้อความอัตโนมัติ

เจอแบบนี้กี่ครั้ง

ฉันเป็นคนเดียวที่บางครั้งรู้สึกกลัวกับคำแนะนำของ Google doc และ Gmail ที่เฉพาะเจาะจงและเกี่ยวข้องหรือไม่

คุณกำลังเขียนข้อความและ [แนะนำทั้งส่วนนี้ได้]

ฉันหมายความว่ามันยอดเยี่ยมมาก แต่มันน่ากลัว. 🤪😱

- Kristina Azarenko 📈 (@azarchick) 11 พฤษภาคม 2020

คุณเริ่มพิมพ์บน Gmail และ Google จะกรอกข้อมูลทั้งหมดโดยอัตโนมัติและแม่นยำมาก

คุณรู้ไหมว่ามันน่าสนใจจริงๆ แต่ในขณะเดียวกันมันก็น่ากลัวจริงๆ

คุณอาจใช้เทคโนโลยี AI ในงานของคุณอยู่แล้วโดยที่คุณไม่รู้ตัว

หากคุณใช้คุณลักษณะการเขียนอัจฉริยะของ Google เอกสาร, Gmail หรือแม้แต่ Microsoft Word และ Outlook แสดงว่าคุณใช้ประโยชน์จากเทคโนโลยีนี้แล้ว

นี่เป็นส่วนหนึ่งของวันของคุณในฐานะนักการตลาดเมื่อคุณสื่อสารกับลูกค้า

สิ่งที่ยอดเยี่ยมคือเทคโนโลยีนี้ไม่เพียง แต่สามารถเข้าถึงได้จาก Google เท่านั้น

ตรวจสอบเว็บไซต์ Write With Transformer เริ่มพิมพ์และกดปุ่มแท็บเพื่อดูแนวคิดประโยคทั้งหมด

บาติสตาแสดงให้เห็นว่าหลังจากเสียบชื่อเรื่องและประโยคจากบทความ SEJ ล่าสุดเครื่องสามารถเริ่มสร้างบรรทัดได้คุณเพียงแค่กดคำสั่งเติมข้อความอัตโนมัติ

ข้อความที่ไฮไลต์ทั้งหมดข้างต้นสร้างขึ้นโดยคอมพิวเตอร์ทั้งหมด

สิ่งที่ยอดเยี่ยมเกี่ยวกับเรื่องนี้คือเทคโนโลยีที่ทำให้สิ่งนี้เป็นไปได้นั้นสามารถใช้ได้อย่างอิสระและทุกคนที่ต้องการใช้มันสามารถเข้าถึงได้

การค้นหาตามเจตนา

การเปลี่ยนแปลงอย่างหนึ่งที่เราเห็นใน SEO ตอนนี้คือการเปลี่ยนไปใช้การค้นหาตามความตั้งใจ

ดังที่ Mindy Weinstein ใส่ไว้ในบทความ Search Engine Journal ของเธอวิธีเจาะลึกด้วย Keyword Research:

“ เราอยู่ในยุคที่การค้นหาตามความตั้งใจมีความสำคัญสำหรับเรามากกว่าปริมาณที่แท้จริง”

“ คุณควรทำตามขั้นตอนเพิ่มเติมเพื่อเรียนรู้คำถามที่ลูกค้าถามและอธิบายปัญหาของพวกเขาอย่างไร”

“ เปลี่ยนจากคำหลักเป็นคำถาม”

การเปลี่ยนแปลงนี้ทำให้เกิดโอกาสสำหรับเราเมื่อเรากำลังเขียนเนื้อหา

โอกาส

เครื่องมือค้นหากำลังตอบรับเครื่องมือในปัจจุบัน

วิธีหนึ่งที่มีประสิทธิภาพในการเขียนเนื้อหาที่เป็นต้นฉบับและเป็นที่นิยมคือการตอบคำถามที่สำคัญที่สุดของกลุ่มเป้าหมายของคุณ

ลองดูตัวอย่างนี้สำหรับคำค้นหา“ python for seo”

ผลลัพธ์แรกแสดงให้เห็นว่าเราสามารถใช้ประโยชน์จากเนื้อหาที่ตอบคำถามในกรณีนี้โดยใช้สคีมาคำถามที่พบบ่อย

ตัวอย่างข้อมูลการค้นหาคำถามที่พบบ่อยทำให้มีอสังหาริมทรัพย์มากขึ้นใน SERPs

อย่างไรก็ตามการทำสิ่งนี้ด้วยตนเองสำหรับเนื้อหาทุกชิ้นที่คุณกำลังจะสร้างอาจมีราคาแพงและใช้เวลานาน

แต่จะเกิดอะไรขึ้นถ้าเราสามารถทำให้เป็นอัตโนมัติโดยใช้ประโยชน์จาก AI และเนื้อหาเนื้อหาที่มีอยู่?

การใช้ประโยชน์จากความรู้ที่มีอยู่

ธุรกิจที่จัดตั้งขึ้นส่วนใหญ่มีฐานความรู้ที่มีคุณค่าและเป็นกรรมสิทธิ์ซึ่งพวกเขาได้พัฒนาขึ้นเมื่อเวลาผ่านไปเพียงแค่ปฏิสัมพันธ์กับลูกค้าตามปกติ

หลายครั้งสิ่งเหล่านี้ยังไม่เปิดเผยต่อสาธารณะ (อีเมลสนับสนุนการแชทวิกิภายใน)

โอเพ่นซอร์ส AI + ความรู้ที่เป็นกรรมสิทธิ์

ด้วยเทคนิคที่เรียกว่า“ Transfer Learning” เราสามารถสร้างเนื้อหาที่เป็นต้นฉบับและมีคุณภาพโดยการรวมฐานความรู้ที่เป็นกรรมสิทธิ์และแบบจำลองการเรียนรู้เชิงลึกสาธารณะและชุดข้อมูล

มีความแตกต่างระหว่างแมชชีนเลิร์นนิงแบบดั้งเดิม (ML) และการเรียนรู้เชิงลึก

ใน ML แบบดั้งเดิมคุณจะทำการจำแนกประเภทและใช้ประโยชน์จากความรู้ที่มีอยู่เป็นหลักเพื่อสร้างการคาดการณ์

ขณะนี้ด้วยการเรียนรู้เชิงลึกคุณสามารถใช้ความรู้สามัญสำนึกที่สร้างขึ้นโดย บริษัท ใหญ่ ๆ เช่น Google, Facebook, Microsoft และอื่น ๆ

ในระหว่างเซสชั่น Batista แสดงให้เห็นว่าสามารถทำได้อย่างไร

วิธีสร้างเนื้อหาอัตโนมัติ

ด้านล่างนี้เป็นขั้นตอนที่ต้องดำเนินการเมื่อตรวจสอบวิธีการสร้างคำถามและคำตอบอัตโนมัติ

• หาคำถามยอดนิยมโดยใช้เครื่องมือออนไลน์
• ตอบพวกเขาโดยใช้สองวิธี NLG:
  • วิธีการค้นหาแบบขยาย
  • แนวทาง "หนังสือปิด"
• เพิ่มสคีมาคำถามที่พบบ่อยและตรวจสอบความถูกต้องโดยใช้ SDTT

การจัดหาคำถามยอดนิยม

การค้นหาคำถามยอดนิยมโดยพิจารณาจากคำหลักของคุณไม่ใช่เรื่องยากเนื่องจากมีเครื่องมือฟรีที่คุณสามารถใช้เพื่อทำสิ่งนี้ได้

ตอบโจทย์ประชาชน

เพียงพิมพ์คำหลักและคุณจะได้รับคำถามมากมายที่ผู้ใช้กำลังถาม

เครื่องวิเคราะห์คำถามโดย BuzzSumo

พวกเขารวบรวมข้อมูลจากฟอรัมและที่อื่น ๆ คุณยังสามารถค้นหาคำถามประเภทหางยาวเพิ่มเติมได้

alsoAsked.com

เครื่องมือนี้คัดลอกผู้คนยังถามคำถามจาก Google

ระบบคำถามและคำตอบ

อัลกอริทึม

เอกสารที่มีรหัสเป็นแหล่งค้นคว้าชั้นนำเกี่ยวกับการตอบคำถาม

ช่วยให้คุณสามารถเข้าถึงงานวิจัยล่าสุดที่กำลังเผยแพร่ได้อย่างอิสระ

นักวิชาการและนักวิจัยโพสต์งานวิจัยเพื่อรับข้อเสนอแนะจากเพื่อน ๆ

พวกเขามักจะท้าทายซึ่งกันและกันเพื่อสร้างระบบที่ดีขึ้น

สิ่งที่น่าสนใจกว่านั้นคือแม้แต่คนอย่างเราก็สามารถเข้าถึงรหัสที่เราจะต้องใช้เพื่อตอบคำถามได้

สำหรับงานนี้เราจะใช้ T5 หรือ Text-to-Text Transfer Transformer

ชุดข้อมูล

เรายังต้องการข้อมูลการฝึกอบรมที่ระบบกำลังจะใช้เพื่อเรียนรู้ที่จะตอบคำถาม

ชุดข้อมูลการตอบคำถามของสแตนฟอร์ด 2.0 (SQuAD 2.0) เป็นชุดข้อมูลเพื่อความเข้าใจในการอ่านที่ได้รับความนิยมมากที่สุด

ตอนนี้เรามีทั้งชุดข้อมูลและรหัสแล้วเรามาพูดถึงสองวิธีที่เราสามารถใช้ได้

• การตอบคำถามแบบเปิดหนังสือ : คุณรู้ว่าคำตอบอยู่ที่ไหน
• การตอบคำถามแบบปิด : คุณไม่รู้ว่าคำตอบอยู่ที่ไหน

แนวทาง # 1: วิธีการค้นหาช่วง (เปิดหนังสือ)

ด้วยรหัสง่ายๆสามบรรทัดเราสามารถให้ระบบตอบคำถามของเราได้

นี่คือสิ่งที่คุณทำได้ใน Google Colab

สร้างสมุดบันทึก Colab และพิมพ์ข้อมูลต่อไปนี้:

 !pip install transformers from transformers import pipeline

 # Allocate a pipeline for question-answering nlp = pipeline('question-answering')

 nlp({    'question': 'What is the name of the repository ?',    'context': 'Pipeline have been included in the huggingface/transformers repository' })

เมื่อคุณพิมพ์คำสั่ง - ระบุคำถามตลอดจนบริบทที่คุณคิดว่ามีคำตอบสำหรับคำถามคุณจะเห็นว่าระบบทำการค้นหาสตริงที่มีคำตอบโดยทั่วไป

{'answer': 'huggingface/transformers',
'end': 59,
'score': 0.5135626548884602,
'start': 35}

ขั้นตอนง่ายๆ:

• โหลดไลบรารี Transformers NLP
• จัดสรรไปป์ไลน์การตอบคำถาม
• ระบุคำถามและบริบท (เนื้อหา / ข้อความมักจะมีคำตอบ)

แล้วคุณจะได้บริบทอย่างไร?

ด้วยรหัสไม่กี่บรรทัด

 !pip install requests-html from requests_html import HTMLSession session = HTMLSession() url = "https://www.searchenginejournal.com/uncover-powerful-data-stories-phyton/328471/" selector = "#post-328471 > div:nth-child(2) > div > div > div.sej-article-content.gototop-pos" with session.get(url) as r: post = r.html.find(selector, first=True) text = post.text

การใช้ไลบรารี HTML คำขอคุณสามารถดึง URL - ซึ่งเทียบเท่ากับการนำทางเบราว์เซอร์ไปยัง URL - และระบุตัวเลือก (ซึ่งเป็นเส้นทางขององค์ประกอบของบล็อกข้อความบนหน้า)

ฉันควรโทรเพื่อดึงเนื้อหาและเพิ่มลงในข้อความ - และนั่นก็กลายเป็นบริบทของฉัน

ในกรณีนี้เราจะถามคำถามที่รวมอยู่ในบทความ SEJ

นั่นหมายความว่าเรารู้ว่าคำตอบอยู่ที่ไหน เรากำลังให้บริการบทความที่มีคำตอบ

แต่ถ้าเราไม่รู้ว่าบทความใดมีคำตอบเราจะพยายามถาม?

แนวทาง # 2: การสำรวจขีด จำกัด ของ NLG ด้วย T5 และ Turing-NLG (หนังสือปิด)

T5 ของ Google (แบบจำลองพารามิเตอร์ 11 พันล้าน) และ TuringNG ของ Microsoft (โมเดลพารามิเตอร์ 17 พันล้าน) สามารถตอบคำถามได้โดยไม่ต้องระบุบริบทใด ๆ

พวกเขามีขนาดใหญ่มากจนสามารถเก็บความทรงจำเกี่ยวกับสิ่งต่างๆมากมายเมื่อพวกเขากำลังฝึกซ้อม

ทีม T5 ของ Google เผชิญหน้ากับโมเดลพารามิเตอร์ 11 พันล้านตัวในการท้าทายเรื่องไม่สำคัญในผับและแพ้

มาดูวิธีง่ายๆในการฝึก T5 เพื่อตอบคำถามตามอำเภอใจของเราเอง

ในตัวอย่างนี้คำถามหนึ่งที่บาติสตาถามคือ "ใครคือ SEO ที่ดีที่สุดในโลก"

T5 ตอบคำถามโดยพลการ

SEO ที่ดีที่สุดในโลกตามแบบจำลองที่ได้รับการฝึกฝนโดย Google คือ SEOmoz

วิธีการฝึกปรับแต่งและใช้ประโยชน์จาก T5

การฝึกอบรม T5

เรากำลังจะฝึกโมเดลพารามิเตอร์ 3 พันล้านรายการโดยใช้ Google Colab TPU ฟรี

นี่คือแผนทางเทคนิคสำหรับการใช้ T5:

• คัดลอกสมุดบันทึก Colab ตัวอย่างไปยัง Google Drive ของคุณ

• เปลี่ยนสภาพแวดล้อมรันไทม์เป็น Cloud TPU

• สร้างที่เก็บข้อมูล Google Cloud Storage (ใช้เครดิตฟรี $ 300)

• ระบุเส้นทางที่เก็บข้อมูลไปยังโน้ตบุ๊ก

• เลือกโมเดลพารามิเตอร์ 3 พันล้าน

• เรียกใช้เซลล์ที่เหลือจนถึงขั้นตอนการคาดคะเน

และตอนนี้คุณมีโมเดลที่ตอบคำถามได้จริง

แต่เราจะเพิ่มความรู้ที่เป็นกรรมสิทธิ์ของคุณเพื่อให้สามารถตอบคำถามในโดเมนหรืออุตสาหกรรมของคุณจากเว็บไซต์ของคุณได้อย่างไร

การเพิ่มชุดข้อมูลการฝึกอบรมที่เป็นกรรมสิทธิ์ใหม่

นี่คือที่ที่เราจะเข้าสู่ขั้นตอนการปรับแต่งอย่างละเอียด

เพียงคลิกที่ตัวเลือก ปรับแต่ง ในแบบจำลอง

และมีตัวอย่างบางส่วนในโค้ดของวิธีการสร้างฟังก์ชันใหม่และวิธีการเพิ่มความสามารถใหม่ให้กับโมเดล

อย่าลืม:

• ประมวลผลฐานความรู้ที่เป็นกรรมสิทธิ์ของคุณล่วงหน้าในรูปแบบที่สามารถทำงานกับ T5 ได้
• ปรับรหัสที่มีอยู่เพื่อจุดประสงค์นี้ (คำถามธรรมชาติ TriviaQA)

หากต้องการเรียนรู้กระบวนการแยกการแปลงและการโหลดสำหรับการเรียนรู้ของเครื่องโปรดอ่านบทความ Search Engine Journal ของ Batista คำแนะนำเชิงปฏิบัติเกี่ยวกับ Machine Learning สำหรับผู้เชี่ยวชาญด้าน SEO

การเพิ่มสคีมาคำถามที่พบบ่อย

ขั้นตอนนี้ตรงไปตรงมา

เพียงไปที่เอกสารของ Google สำหรับคำถามที่พบบ่อย: มาร์กอัปคำถามที่พบบ่อยด้วยข้อมูลที่มีโครงสร้าง

เพิ่มโครงสร้าง JSON-LD สำหรับสิ่งนั้น

คุณต้องการทำโดยอัตโนมัติหรือไม่?

บาติสตายังเขียนบทความเกี่ยวกับเรื่องนี้: บทนำสู่ JavaScript สมัยใหม่สำหรับ SEO

ด้วย JavaScript คุณควรจะสร้าง JSON-LD นี้ได้

แหล่งข้อมูลเพื่อเรียนรู้เพิ่มเติม:

• ข้อมูลเบื้องต้นเกี่ยวกับ Python สำหรับ SEO
• ข้อมูลเบื้องต้นเกี่ยวกับ Machine Learning สำหรับ SEO
• ใช้ประโยชน์จากโมเดล SOTA ด้วยรหัสหนึ่งบรรทัด
• สำรวจ Transfer Learning ด้วย T5
• การเรียนรู้เชิงลึกเกี่ยวกับเตียรอยด์ด้วยพลังแห่งการถ่ายทอดความรู้
• MarketMuse ร่างแรก

ดูการนำเสนอนี้

คุณสามารถรับชมการนำเสนอแบบเต็มของ Batista ได้จาก SEJ eSummit ในวันที่ 2 มิถุนายน

เครดิตรูปภาพ

ภาพเด่น: Paulo Bobita
ภาพหน้าจอทั้งหมดถ่ายโดยผู้แต่งกรกฎาคม 2020