Документ посвящён роли нейросетей в текстовом ранжировании и анализу их влияния на поисковые запросы. Рассматриваются методы исследования, включая использование тематических векторов и анализ SERP, а также выявляются ошибки в определении значимого контента. В итоге определяется зависимость между тематичностью и позициями в результатах поиска, с вопросами о возможности применения этих знаний.

1. Нейросети в поиске
Алексей Чекушин
Just-magic.org

2. О спикере
Алексей Чекушин
Профессиональное SEO
с 2010 года
Автоматизатор SEO
(just-magic.org)
Сверхспособность:
рассказывать сложно о
простом.

3. О чём сегодня
• Что такое нейросети и почему они изменили
текстовый ранж.
• Действительно ли они влияют?
• Подумаем, как можно применить.

4. Как поиск определяет тематику?

5. Нейросети в 2 слайда
F(A+B)
A
B Нейрон Петя

6. Нейросети в 2 слайда
A
B
A
B
Входной
слой
Скрытый слой Выходной слой

7. Уменьшение размерности
нейросетью
1
10
100
1000
10000
100000
1000000
10000000
Без сжатия Со сжатием
Размерность векторного пространства

8. Уменьшение размерности
нейросетью
0
200000
400000
600000
800000
1000000
1200000
Без сжатия Со сжатием
Размерность векторного пространства

9. Поймать палеха!

10. И как его ловить?

11. Мы построим свои вектора!

12. Как это работает?
Запрос Тематический вектор
оформить онлайн
любых покупок
получения наличных
банковскую услугу
пользуйтесь кредитом
бесплатным
обслуживанием
оплаты услуг
условиями оформления
ГенераторКредитные карты
Тематические вектора на основе алгоритма акварели

13. Метод исследования
• Сбор SERP по 10 000 случайных запросов.
• Выделение тематических векторов запросов.
• Сбор топ-50 по этим запросам.
• Выделение полезного контента из каждого документа
• Оценка полезного контента на соответствие тематическому
вектору

14. Объем исследования
• 5500 запросов с SERP
• Комм/инфо в выборке 20/80.
• Проанализировано 200 000 документов из топов.
• Разобрано более 100 000 текстов.

15. Что дальше?
Медианная оценка 0,57
Всего слов 665

16. Сложности.
• Отсутствие ответа сайта/бан робота.
• Ошибки определения значимого контента.
• Ошибки построения тематического вектора.
• Проблема сведения информации по нескольким
запросам.

17. Что же получилось?
0,48
0,49
0,5
0,51
0,52
0,53
0,54
0,55
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
AVG med

18. Информационные запросы
0,51
0,52
0,53
0,54
0,55
0,56
0,57
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
AVG Med not Comm

19. Коммерческие запросы
0,37
0,39
0,41
0,43
0,45
0,47
0,49
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
AVG med Сomm

20. И в итоге….?
• Зависимость тематичности с позицией есть и
прослеживается статистически.
• Зависимость схожа для коммерческих и инфо-
запросов.
• За пределами топ-10 зависимости практически
нет.

21. Правда?
Correlation does not imply causation

22. Можно ли это использовать?
• Оценивать топ?
• Обучить свою нейросеть?
• Другой алгоритм определения тематичности?

23. Оценка топа
1) Частотный словарь по результатам топ-10
+ N-граммы
2) Взвешенный частотный словарь по результатам
топ-10
+ взвешивание N-граммы
Нужно чистить результат руками

24. Своя нейросеть
+ Множество готовых решений J
Word2Vec, Glove, AdaGram, e.t.c.
- Нужен большой и качественный DataSet L

25. Другие варианты?
• Забрать идеи слов из топа
• Расширить тематично коллекцию
• Построить тематический вектор на основании
семантических отношений и расстояний
Так работает Акварель J

26. Открытые вопросы
• Можно ли всё-таки найти DataSet для своей
нейросети?
• Насколько сильным будет влияние в поиске?
• Как обстоят дела в google?

27. У меня всё
Ваши вопросы?
Алексей Чекушин
a.chekushin@just-magic.org