의미 검색 – 변화의 바람

게시 됨: 2019-11-15

시맨틱 검색 이란?

원시 기술 용어 아래에는 인류 그 자체처럼 오래된 무고한 욕망이 있습니다.

우리는 항상 과거의 모습을 보고 우리를 둘러싼 것의 더 깊은 의미에 도달하려고 노력했습니다.

때때로 이것은 우리를 깊은 깨달음으로 이끌었습니다. 다른 때에는 훌륭하게 실패했습니다.

이제 우리는 의미에 대한 탐구를 강화하고 심화할 수 있는 기술을 보유하고 있습니다.

의미 검색을 입력합니다.

단어와 의미 검색의 마법

의미론은 의미를 찾는 작업과 관련된 언어학의 매혹적인 측면입니다.

단어의 의미와 단어 간의 관계. 의미론은 우리가 사물을 설명하기 위해 특정 단어와 구문을 선택하는 이유를 설명해야 합니다.

어떤 의미 검색의 필수적인 부분으로서 의미를 정의하는 것은 우리가 추구하고 연결을 작성해야하는 열망이다.

건초더미에서 바늘을 찾는 것을 상상해보십시오. 부인할 수 없는 신경이 쓰이는 경험입니다.

빠르고 직관적인 결과를 가능하게 하는 도구 없이도 거의 동일한 수준의 성공을 거둔 인터넷을 찾고 있을 것입니다.

다행히도 우리의 삶을 구조화하고 연결하려는 욕구는 우리가 웹에서 검색하는 방식에도 적용됩니다. 이것이 의미론적 검색이 된 방법입니다.

Hannah Bast와 공동 저자의 출판물에서 의미 검색이 무엇인지에 대한 자세한 설명을 얻습니다 .

그들이 설명했듯이 의미 검색 은 " 의미있는 검색 "입니다. 그리고 우리는 검색 과정의 적어도 몇 부분에서 의미를 찾을 수 있습니다.

첫째, 쿼리 자체에서. 여기서 우리는 요청의 진정한 의도를 파악해야 합니다.

그런 다음 검색해야 하는 데이터와 그것이 우리가 찾고 있는 데이터에 정말 맞는지 고려해야 합니다.

또는 검색에 의미가 있도록 정보를 적절하게 제공하는 경우.

시맨틱 검색의 의미 분석

Layman의 용어로 시맨틱 검색은 인간이 하는 방식으로 자연어를 이해하고 적절한 시맨틱 웹 검색 결과를 제공하려고 합니다.

그게 무슨 뜻이야?

글쎄, 내가 구글의 검색 필드에 "가장 작은 포유류"를 입력한다고 가정해 봅시다.

당연히 검색 엔진은 내가 입력한 문구와 정확히 일치하는 항목을 찾는 것이 아니라 가장 작은 포유류가 무엇인지 알고 싶다는 가정을 바탕으로 내 질문에 답할 것입니다.

이것이 내가 첫 번째 결과로 "세계에서 가장 작은 포유류 6개"라는 기사와 에트루리아 말괄량이 사진을 얻는 방법입니다. 그건 그렇고, 지구상에서 가장 작은 알려진 포유동물입니다.

내 쿼리의 의미를 이해하려고 하면 시맨틱 검색 엔진 이 철자가 틀린 단어에 대한 수정도 제안 하는 데 도움이 됩니다 .

따라서 만약 내가 포유류라는 단어의 철자를 틀리게 하면 구글은 “mamal” 대신에 아마도 “mammal”을 찾을 것이라고 제안할 것입니다.

시맨틱 검색은 어떻게 생겨났습니까?

우리 종족은 질서를 찾는 데 끌리며 질서가 결여되어 있다면 질서를 만들려고 노력하지 않을 수 없습니다.

따라서 주문과 최적화된 시간에 대한 요구에 부응하는 가상 세계를 구축하고 있다는 것은 이해할 만합니다.

적절한 답변을 제공하는 것 외에도 검색 엔진은 인공 지능의 도움으로 의미를 추가합니다.

그들은 시맨틱 검색 머신 러닝 을 사용하여 정보를 처리하고 순위를 매기고 자연스러운 인간의 말을 이해할 수 있습니다.

이 모든 것이 결국 쿼리에 적절한 결과를 제공합니다.

그러나 그들은 "세계에서 가장 큰 도넛"과 같은 질문에 정확히 어떻게 답할 수 있습니까?

시맨틱 검색은 시맨틱 웹에서 등장한 것이므로 나 자신의 질서를 추구하는 성격에 맞게 시맨틱 웹이 무엇인지 먼저 살펴보자 .

시맨틱 웹 기원

간단히 말해서 시맨틱 웹은 월드 와이드 웹의 확장입니다.

W3C(World Wide Web Consortium)에 따르면 데이터를 공유하고 재사용할 수 있는 공통 프레임워크를 제공합니다.

이는 애플리케이션, 기업 및 커뮤니티 전반에 걸쳐 유효합니다.

정보 과학 분야에서 알려진 프레임워크 또는 "온톨로지"는 결국 지식 시스템이 되는 사실과 정보를 수집합니다.

간단히 말해서 시맨틱 웹은 컴퓨터가 읽을 수 있는 방식으로 데이터를 구조화하고 태그를 지정합니다.

시맨틱 웹을 사용하면 네트워크 또는 관련 요소를 기반으로 특정 입력을 분석할 수 있습니다. 웹을 구성하는 방대한 양의 데이터를 이해하기 위해 집합, 속성 및 관계를 사용합니다.

가계도를 만들려고 하는 저와 비교하겠습니다.

나는 할머니가 어머니 쪽의 먼 사촌이라고 주장하는 사람들이 누구인지 알아내지 못할 것입니다. 나는 그것들을 모르기 때문에 맥락이 부족하다.

그러나 시맨틱 웹은 분류 작업을 더 잘 수행합니다.

시맨틱 웹에 대한 비전

설립자 Tim Berners-Lee가 본 시맨틱 웹의 궁극적인 목표는 컴퓨터가 우리를 대신하여 정보를 더 잘 조작할 수 있게 하는 것입니다.

시맨틱 웹이 무엇인지에 대한 개념은 오늘날 그것을 형성하는 두 가지 중요한 데이터 유형인 Linked Open Data 와 Semantic Metadata 로 발전했습니다 .

혼돈 속의 질서 - 시맨틱 검색 도구로 정리하기

LOD(Linked Open Data)는 그래프로 모델링되어 서버 간 상호 연결이 가능한 방식으로 게시됩니다.

본질적으로 구조화된 데이터를 나타냅니다 . 2006년 Tim Berners-Lee 는 연결된 데이터 의 네 가지 규칙을 다음과 같이 공식화 했습니다.

URI(Universal Resource Identifier)를 사물의 이름으로 사용합니다.
사람들이 그 이름을 찾을 수 있도록 HTTP URI를 사용하십시오.
누군가 URI를 조회할 때 표준 형식(RDF, SPARQL)을 사용하여 유용한 정보를 제공하십시오.
다른 URI에 대한 링크를 포함합니다. 그래서 그들은 더 많은 것을 발견할 수 있습니다.

LOD를 사용하면 사람과 컴퓨터가 서로 다른 서버의 데이터에 액세스하고 해당 의미를 보다 쉽게 해석할 수 있습니다.

그 결과, 시맨틱 웹은 링크된 문서들로 구성된 공간에서 링크된 정보로 구성된 공간으로 이동한다.

이는 차례로 기계가 처리할 수 있는 상호 연결된 의미 네트워크를 허용합니다.

다양한 부문에 걸쳐 LOD로 게시된 수천 개의 데이터 세트가 있습니다.

몇 가지 예로는 백과사전, 지리 데이터, 정부 데이터, 과학 데이터베이스 및 기사, 엔터테인먼트, 여행 등이 있습니다.

서로 연결되어 있기 때문에 이러한 데이터 세트는 거대한 데이터 웹 또는 지식 정보를 형성합니다.

그래프는 엔티티에 대한 방대한 양의 설명과 일반적으로 중요한 개념을 연결합니다.

태그 게임 – 시맨틱 검색 도구 Vol. 2

시맨틱 웹이 의존하는 두 번째 중요한 도구는 시맨틱 메타데이터입니다.

이것은 기본적으로 의미를 더 잘 설명하기 위해 일반 웹 페이지에 추가된 의미 태그입니다.

예를 들어, 노벨상의 홈 페이지는 스웨덴, 학문적 발전, 문화, 수상 등 여러 관련 개념과 개체에 대한 참조로 의미론적으로 주석을 달 수 있습니다.

주제와 해당 결과 간의 잘 결정된 관계는 Schema.org 와 같은 구조화된 메타데이터 체계를 통해 가장 잘 표현됩니다.

메타데이터를 사용하면 의미 기준에 따라 웹 페이지를 훨씬 쉽게 찾을 수 있습니다.

과거 결과에서 학습하고 엔터티 간의 링크를 생성함으로써 검색 엔진은 정답을 포함하거나 포함하지 않을 수 있는 여러 링크를 제공하는 대신 검색자의 쿼리에 대한 답을 추론할 수 있습니다.

메타데이터는 잠재적인 모호성을 해결하고 우리가 Prince(음악가)를 검색할 때 예 를 들어 .

그것에 대해 시맨틱 웹 에 감사할 수 있습니다 .

지금.

시맨틱 웹의 구조는 시맨틱 검색이 무엇인지에 대한 아이디어를 제공합니다 . 검색 엔진이 세계에서 가장 큰 도넛이 무엇인지 결정하는 방법도 알려줍니다.

하지만

그 역사를 살펴보자.

의미 검색 분야의 선구자

모든 대규모 운동과 마찬가지로 변화 뒤에는 리더가 있습니다. 우리는 이미 많은 사람들이 의미 검색의 배후라고 주장하는 Tim Berners-Lee의 이름을 언급했습니다.

현대 웹의 초기 단계인 1998년에 Berners-Lee는 이미 Semantic Web Road Map이라는 제목의 보고서에서 이 아이디어에 대해 이야기하고 있었습니다.

21년 후, 그의 아이디어가 채택되었고 의미 검색이 현실이 되었습니다.

Google 은 이러한 변화를 가져오고 의미 검색 의 부상을 일으킨 회사였습니다 .

Berners-Lee는 "인간이 할 수 있는 것처럼 기계도 서로 통신할 수 있어야 합니다."라고 말했습니다.

Google은 이제 그의 비전을 실현하기 위해 노력하고 있습니다.

어떻게?

시맨틱 검색의 전환점

1998년 이후 많은 일이 있었지만 2012년은 의미 검색의 전환점이었습니다.

올해 전체 Google 검색의 20% 가 새로운 검색이었습니다. 뿐만 아니라 롱테일 키워드 가 전체 검색의 약 70% 를 차지했습니다 .

이것은 사용자들이 질문에 답하고 문제를 해결하기 위한 도구로 검색 엔진을 사용하는 데 관심을 갖게 되었음을 Google에 알려줍니다.

더 이상 단순히 사실을 찾고 개별 웹사이트를 찾는 것이 아닙니다.

따라서 의미론적 업데이트 를 위한 첫 번째 단계 가 이루어졌습니다.

지식 정보

2012년에 도입된 지식 정보는 키워드 문자열을 아무 생각 없이 비교하는 대신 엔티티와 컨텍스트를 이해하는 Google의 전환을 나타냅니다.

또는 Google에서 표현한 것처럼 "문자열이 아니라 사물"입니다.

지식 정보란 무엇입니까?

Wikipedia에 따르면 Google과 해당 서비스는 지식 정보를 사용하여 다양한 출처의 정보로 검색 엔진의 결과를 향상시킵니다.

즉, 지식 그래프는 주제, 데이터 상호 연결 및 기계 학습 알고리즘의 전문가의 도움을 받아 지식 영역을 모델링하는 프로그래밍 방식입니다.

이 특정 그래프를 의미 검색 도구 로 만든 것은 정보를 수집하는 방식이었습니다.

공개 도메인으로 간주되는 데이터(예: 지구의 크기에서 밴드 멤버 이름까지)와 각 개체의 속성(생일, 형제 자매, 부모, 직업 등 연결될 수 있는 모든 것)을 수집했습니다. 실재.)

또는

구조화된 정보(목록)와 구조화되지 않은 정보를 결합하여 방대한 양의 데이터를 함께 연결하기 위해 기존 데이터베이스 위에 구축되었다고 말할 수 있습니다.

지식 그래프는 검색 엔진이 합리적인 답변을 제공하는 데 필요한 정보를 수집합니다.

Google의 그래프는 대규모 알고리즘 변경을 위한 단계를 설정합니다. 그리고 곧 Hummingbird가 그 뒤를 이었습니다.

Hummingbird와 함께 성공을 향한 가속화

벌새는 전환점이었습니다. 이 알고리즘 은 전 세계 검색의 약 90%에 영향을 미쳤습니다.

정확하고 빠르도록 설계되었으며 많은 사람들이 검색 활동에 "대화 검색"을 도입한 도구로 언급합니다.

그것은 의미 검색 기술의 스타였다.

그러나 Hummingbird는 대화형 쿼리에 대한 답변을 제공하는 것 이상의 역할을 합니다.

알고리즘은 쿼리의 각 단어에 주의를 기울입니다.

그런 다음 특정 단어가 아닌 전체 쿼리, 전체 문장 또는 의미를 고려합니다.

의도는 실제 단어보다 더 깊은 의미와 일치하는 페이지를 얻는 것입니다.

더있다.

Hummingbird 업데이트의 속도와 정확성 향상 외에도 Google은 의미 검색을 통합했습니다.

롱테일 검색까지 포함하여 검색어에 대한 이해도와 사용자 의도에 대한 이해도가 크게 향상되었습니다.

결과적으로:

전체 쿼리와 검색 쿼리 내 단어 그룹의 관계가 식별, 타겟팅 및 해석되었습니다.

벌새 알고리즘의 효과

Hummingbird 개선 사항은 특히 문맥 및 대화 검색에 중점을 두었습니다.

두 영역 모두 기본적인 의미론과 단어 간의 관계와 밀접하게 연결되어 있습니다.

지금.

알고리즘은 헤드 및 롱테일 수준 모두에서 쿼리에 대한 틈새 결과를 검색하기 위해 자연어를 처리합니다.

다시 말해, Google이 점점 더 쿼리 이면의 의도와 일치하는 결과를 반환하는 문맥 검색을 사용합니다.

결과는 더 이상 단어 자체에 국한되지 않고 검색어에 대한 의도 해석을 포함합니다.

정확히 어떻게?

도구가 하는 일은 명시적으로 모델링되지 않은 관계를 확인하는 것입니다.

이 프로세스는 문법, 통계 및 사전을 결합하여 관계형 태깅을 달성합니다.

의미론적으로 의도를 평가하고 동의어 및 주제 관련 주제에 집중함으로써 Hummingbird는 사용자가 검색을 통해 "abracadabra"를 시도하는 대신 주제 및 하위 주제를 자신 있게 검색할 수 있도록 합니다.

알고리즘은 여러 면에서 의미 검색 의 정의입니다.

Hummingbird가 실제로 어떻게 작동하는지 보여주는 예는 "영국의 대통령"과 같은 검색일 수 있습니다.

지금.

영국에는 대통령이 없지만 정부의 수반인 총리가 있습니다. 영국에는 또한 여왕인 국가 원수가 있습니다.

그리고 Google은 이를 알고 있으므로 수상이나 여왕과 관련된 결과를 표시합니다.

어떤 면에서 Hummingbird는 사람들이 어떻게 물어야 할지 모르는 질문에 대한 답변을 얻을 수 있도록 하고 사용자가 원하는 것을 찾는 데 도움이 되는 결과를 선별할 수 있도록 합니다.

위치 지향적

Hummingbird가 제공하는 또 다른 개선 사항은 로컬 지향적 결과입니다.

컨텍스트를 사용하면 로컬 결과가 더 정확해집니다.

따라서 좋은 이탈리안 레스토랑을 찾을 때 Google은 사용자가 해당 도시에서 저녁 식사를 원한다고 가정합니다.

그렇기 때문에 이탈리아의 레스토랑을 나열하는 대신 위치 데이터를 사용하여 해당 지역의 맛있는 피자를 추천 합니다 .

우리는 종종 정확한 결과를 얻을 수 있는 정확성을 당연시합니다.

이는 무대 뒤에서 수년간의 연구 개발의 결실입니다.

의미 검색의 꿈은 대화식 언어 처리와 위치 데이터를 기반으로 한 인간 의도 이해의 결합을 통해 구체화되었습니다.

Hummingbird는 시맨틱 검색의 중요한 돌파구였지만 Google은 여기서 멈추지 않았습니다.

그들이 나중에 도입한 또 다른 중요한 개선 사항은 RankBrain이었습니다.

시맨틱 웹 세계의 인공 지능

RankBrain은 Google이 키워드 쿼리에 답변하는 동안 우연히 발견한 문제에 대한 답변으로 나온 의미 체계 검색 머신 러닝 도구입니다.

몇 년 전만 해도 Google 검색의 약 15%가 이전에 본 적이 없는 단어로 구성되었습니다.

사용자가 무엇을 찾고 있는지 정확히 알 수 있는 방법이 없었습니다.

처음 읽을 때는 15%가 큰 문제가 아닌 것처럼 보일 수 있습니다.

그럼에도 불구하고 Google은 매일 수십억 건의 요청을 처리하므로 이 비율은 절대적인 측면에서 상당히 높은 수치입니다.

약 4억 5천만 건의 검색에 이전에 처리된 적이 없는 키워드가 있었습니다.

질문에 어떻게 대답해야 할지 모를 때 어떻게 합니까?

추측하다?

그것이 알려지지 않은 키워드에 대한 요청을 받았을 때 Google이 하던 일입니다.

불행히도, 모자는 정확한 결과로 이어지지 않았습니다. 검색 엔진은 이면의 의도를 이해하지 못한 채 사용자가 입력한 모든 키워드가 포함된 페이지를 찾았습니다.

검색 엔진이 이전에 받은 적이 없는 요청에 대한 의미 검색 을 구현 하고 생성 하는 방법을 몰랐 습니다.

그 결과 Google은 솔루션을 찾고 이동 중에 학습할 수 있는 도구를 도입하게 되었습니다.

RankBrain 입력

기계 학습 기반의 검색 엔진 알고리즘은 구글 프로세스 검색 결과를하는 데 도움이 사용자를 위해 더 중요한 검색 결과를 제공합니다.

Google은 AI 알고리즘을 사용하여 이러한 검색어를 해결할 뿐만 아니라 처리하고 이해합니다.

RankBrain으로 변경된 사항은 무엇입니까?

RankBrain 이전에는 Google 알고리즘의 100%가 수작업으로 코딩되었습니다.

따라서 이 프로세스는 검색 결과를 개선할 수 있는 것이 무엇인지 추측하려고 하는 인간 엔지니어에게 많이 의존했습니다.

오늘날 인간 엔지니어는 여전히 알고리즘에 대해 작업하지만 RankBrain도 백그라운드에서 작업을 수행합니다.

과정

간단히 말해서 RankBrain은 자체 알고리즘을 조정하여 더 나은 응답을 생성할 수 있습니다.

RankBrain은 키워드에 따라 백링크, 콘텐츠 신선도, 콘텐츠 길이, 도메인 권한 및 기타 순위 변수의 중요성을 높이거나 낮춥니다.

그런 다음 사용자가 새 검색 결과와 상호 작용하는 방식을 관찰합니다. 새로운 알고리즘이 더 마음에 든다면 그대로 유지됩니다.

그렇지 않은 경우 RankBrain은 이전 알고리즘을 롤백합니다.

스마트 시맨틱 업데이트 덕분에 Google은 이전에 검색어를 연결하지 않은 경우에도 사용자가 의미하는 바를 파악할 수 있습니다.

어떻게?

이 전에 볼 것을 키워드로 결코 전에 - 본 키워드와 일치하여.

시맨틱 웹이 작동 하는 방식 의 예를 들어 Google RankBrain은 사람들이 "세계에서 가장 큰 도넛"을 검색하는 것을 알아차렸을 수 있습니다.

그리고 검색하는 사람들은 지금까지 만들어진 도넛 중 가장 큰 도넛을 찾기 위해 많은 노력을 기울이고 있다는 사실을 알게 되었습니다.

따라서 누군가가 "세계에서 가장 큰 도넛"을 검색하면 RankBrain에서 비슷한 결과를 가져옵니다.

그리고 도넛의 경우 두 검색 모두에 대해 처음 세 개의 웹페이지가 표시됩니다.

RankBrain의 방법

Google은 키워드를 개념으로 바꾸는 " Word2vec " 라는 기술을 통해 검색 의도를 더 잘 이해하기 위해 기계 학습을 사용하는 방법에 대해 언급했습니다 .

예를 들어, 이 시맨틱 웹 기술은 "파리와 프랑스가 베를린과 독일이 (수도와 국가) 같은 방식으로 관련되어 있고 마드리드와 이탈리아와는 다른 방식으로 관련되어 있음을 이해합니다."라고 말합니다.

그리고 이것이 RankBrain도 작동하는 방식이라고 구체적으로 언급하지 않았더라도 유사한 기술을 사용한다고 추측할 수 있습니다.

키워드 매칭보다 개념의 개념으로 돌아가서 RankBrain은 검색 의도에 따라 결과를 제공하려고 합니다.

사용자 만족도 vs RankBrain

물론 RankBrain은 새로운 키워드를 이해하는 데 도박을 할 수 있습니다. 그리고 자체적으로 알고리즘을 조정할 수도 있습니다.

첫 번째 질문은 다음과 같습니다.

RankBrain이 일련의 결과를 표시하면 결과가 좋은지 어떻게 알 수 있습니까?

글쎄, 그것은 관찰한다.

RankBrain은 UX 신호를 사용합니다. 최소한 이는 기술 용어입니다.

간단히 말해서 RankBrain은 사용자가 좋아할 것으로 생각되는 일련의 검색 결과를 보여줍니다.

많은 사람들이 하나의 특정 항목을 좋아하면 해당 페이지의 순위를 높일 수 있습니다.

그들이하지 않으면 어떻게됩니까?

그런 다음 알고리즘은 해당 페이지를 삭제하고 다른 페이지로 대체합니다.

RankBrain은 정확히 무엇을 관찰합니까?

우리가 검색 결과와 상호 작용하는 방식에 세심한 주의를 기울입니다.

모니터링하는 몇 가지 신호가 있습니다.

자연 클릭률(CTR)
드웰 시간
이탈률
포고-스티킹

이를 사용자 경험 신호(UX 신호)라고 합니다.

예 를 보고 Google의 시맨틱 웹 이 내 검색을 어떻게 해석 하는지 봅시다 .

"어린이를 위한 최고의 드론"을 검색하면 6월 중순에 게재된 기사가 가장 먼저 검색됩니다.

이는 RankBrain이 쿼리에 대한 답변을 제안할 때 평가하는 콘텐츠의 신선도를 다시 불러옵니다.

하지만 일단은 남겨두자.

알고리즘은 내가 여는 웹사이트에 주의를 기울입니다. 유사한 결과를 얻기 위해 이전에 열린 횟수를 비교하여 CTR을 제공합니다.

페이지를 열면 RankBrain이 내 체류 시간을 관찰합니다. 이것은 내가 웹사이트에서 보내는 시간입니다. 그렇게 하면 알고리즘이 정보가 유용한지 여부를 추정합니다.

내 쿼리와 관련이 없거나 제대로 표시되지 않는 콘텐츠를 보기 위해 열면 빠르게 결과 페이지로 돌아갑니다.

많은 사람들이 그렇게 한다면 웹사이트의 순위는 떨어질 것입니다.

페이지가 제 시간에 로드되지 않으면 이탈 가능성이 증가하고 페이지 순위가 곤두박질칩니다.

이제 페이지에서 첫 번째 클릭으로 원하는 것을 찾을 수 없다고 가정해 보겠습니다. 나는 아마 내가 그것을 찾을 때까지 내가 얻은 결과를 계속 조사할 것입니다.

그리고 이것은 RankBrain이 작업의 성공을 분석하는 데 사용하는 또 다른 요소인 포고 스틱(pogo-sticking)입니다.

내가 왔다 갔다 하면 할수록 RankBrain이 비슷한 검색을 하는 다음 사용자에게 불행한 페이지를 제안할 가능성은 낮아집니다.

지금.

우리는 Google과 같은 검색 엔진이 사용자의 요청을 이해하고 적절한 답변을 제안하는 데 사용 하는 기본 의미 도구를 다루었습니다 .

그래서 우리는 그것들을 어떻게 우리에게 유리하게 사용할 수 있는지 살펴볼 수 있습니다.

시맨틱 SEO를 위해 콘텐츠를 최적화하는 방법

SEO의 경우 시맨틱 검색을 이해하면 큰 이점이 있습니다. 큰 부분은 경주에서 앞서 나갈 수 있는 능력입니다.

전문가들이 제안 하는 좋은 시맨틱 SEO 전략 에는 몇 가지 단계가 있습니다.

시맨틱 검색이 시간이 지날수록 영향력이 커지면서 이러한 단계는 누구나 콘텐츠를 최적화하고 웹사이트 순위를 높이는 데 도움이 되는 좋은 조언입니다.

키워드가 아닌 주제 고려
검색 의도에 맞는 콘텐츠
콘텐츠에 관련 키워드 포함
추천 스니펫에 맞게 콘텐츠 최적화
콘텐츠에 구조화된 데이터 포함
키워드 대신 주제 고려

이 기사의 앞부분에서 보았듯이 검색의 맥락과 같은 주제에 관한 것입니다. 그리고 Google 및 기타 검색 엔진은 가장 관련성이 높은 결과를 제공하기 위해 노력하고 있습니다.

따라서 콘텐츠는 그 어느 때보다 포괄적이고 유익해야 합니다.

광범위한 검색어의 모든 변형에 대해 짧고 단조로운 콘텐츠 페이지를 만들 생각이라면 걱정하지 마세요. 대신 전체 주제를 다루는 포괄적이고 지속적인 가이드를 만들어야 합니다.

그런 다음 키워드 최적화 모범 사례를 사용하여 콘텐츠가 검색 엔진과 독자 모두에 대해 완전히 최적화되었는지 확인해야 합니다.

검색 의도에 콘텐츠 일치

타겟팅하려는 SEO 키워드에 대한 콘텐츠를 만들기 전에 사용자가 해당 구문을 검색하는 이유를 물어봐야 합니다. 키워드가 나타내는 의도 무엇을 구축하고 당신은 또한 훨씬 쉽게 시간이 청중을 참여를해야합니다.

키워드의 의도는 다음과 같을 수 있습니다.

정보 제공 - 사용자는 무언가를 배우려고 하므로 "알고" 키워드를 사용하여 정보를 찾고 답변을 얻습니다.
탐색 – 사용자가 특정 사이트로 이동하거나 특정 항목을 찾으려고 하므로 "이동" 키워드를 사용하여 친숙한 브랜드의 웹사이트를 찾습니다.
거래 - 사용자가 구매를 시도하므로 "do" 키워드를 사용하여 구매할 제품이나 거래를 할 페이지를 찾습니다.

콘텐츠에 관련 키워드 포함

시맨틱 검색의 시맨틱 바를 확인하려면 관련 또는 LSI(잠재 시맨틱 인덱싱 키워드)를 콘텐츠에 추가해야 합니다.

LSI 키워드는 대상 키워드와 밀접한 관련이 있는 구문입니다. 콘텐츠에 대한 컨텍스트를 제공하고 검색 엔진이 콘텐츠의 의미와 콘텐츠가 청중에게 제공하는 방식을 더 잘 이해할 수 있도록 도와줍니다.

따라서 초콜릿에 대해 이야기할 때 최소한 코코아와 관련시켜야 합니다.

마지막으로 콘텐츠에 구조화된 데이터 포함

검색 엔진이 콘텐츠의 의미와 관련성을 이해하도록 돕는 또 다른 방법은 구조화된 데이터를 사용하는 것입니다.

구조화된 데이터 또는 스키마 마크업은 웹 페이지에 복사할 컨텍스트를 추가하는 마이크로데이터의 한 형태입니다.

검색 엔진의 콘텐츠를 분류하는 일련의 표준 데이터 구조를 사용합니다.

이 추가 정보는 검색 엔진이 콘텐츠의 순위를 지정하고 풍부한 검색 결과에 표시할 수 있는 정보를 식별하는 데 도움이 됩니다.

실용적인 측면에서 우리가 지금까지 말한 모든 것은 한 가지로 요약됩니다.

우리의 온라인 존재를 최대한 활용하기 위해, 우리가 게시하는 정보는 의미론적으로 조직되어야 합니다.

컨텍스트는 시맨틱 웹 검색 의 미래입니다 . 아직 수집해야 할 퍼즐 조각이 있지만 시맨틱 웹은 이미 살아 있습니다.

아마도 차세대 지능형 네트워크가 약속을 잡고, 쇼핑을 하고, 필요한 정보를 찾고, 같은 생각을 가진 사람들과 연결하여 우리를 도울 날이 멀지 않을 것입니다.

무엇보다 자율적으로 수행합니다.

그렇다면 의미론적 검색이 무엇인지 묻지 않아도 됩니다 . 그것은 우리의 일상 생활에서 떼려야 뗄 수 없는 부분이 될 것입니다.