VS является индикатором противопоставления.

Что происходит в поисковой системе при использовании конструкции [ключевая фраза] vs? Как работает алгоритм?

Как извлечь пользу для раскрутки сайта?

Разберемся с вопросом далее.

VS ключевые фразы


В чем особенность ключевых фраз с vs? Интентом является сравнение. Пользователь вводит ключевую фразу и vs, после чего ожидает в подсказках поисковой системы список из различных предложений чего-то схожего.

Ввод «vs» после искомого слова

Крайне удобная опция. Причины по которым прием с использованием фразы сравнения vs стал широко востребованным в следующем:

  • Быстрое изучение нового. Если появляется для изучения новый объект, то vs помогает разобраться в том, что это такое. Как? К примеру, попались на глаза сервисы с такими абстрактными названиями как hadoop или hive, spark. В списке подсказок, появляющемся после vs, можно увидеть аналогичные более известные продукты;
  • Простота в использовании;
  • Точность результатов в поисковых подсказках.

Прием эффективен при поиске альтернатив. Аналогичной ключевой фразы нет. Если ввести versus или or, то результаты будут менее связанными.

Рассмотрим пример с or. Ключевая фраза:

bert or

Сравним с vs. Ключевая фраза:

bert vs

Результат следующий:

Поисковая выдача с ключевой фразой vs

В случае с использованием vs поисковая система обрабатывает интент и выдает список алгоритмов, которые похожи на Google BERT.

Рекомендованный материал в блоге MegaIndex на тему BERT по ссылке далее — Разрушаем главные мифы про новый алгоритм Google BERT.

А что будет, если:

  • Выгрузить список всех вариантов, которые выводятся после vs, исключая мусор;
  • Прописать к каждому найденному варианту vs, чтобы найти еще больше схожих вариантов;
  • Составить карту связей между всеми вариантами.

В результате применение такой методологию у оптимизатора появляется вариант собрать семантическую структуру.

Получаем результат:

Граф связей между ключевыми фразами

Практическое применение широкое:

  • Создание структуры сайта;
  • Создание рекомендательной системы;
  • Расширение полноты ответа сайта.

Все применения ведут к улучшению ранжирования страниц в поисковой выдаче. Так например система релевантных рекомендаций позволяет повысить фактор Dwell Time и так далее.

Оптимизация фактора ранжирования Dwell Time

Польза очевидна, поэтому давайте разберемся как строить такие графы.

Автоматизация сбора vs-данных из поисковых подсказок


В Google есть специальная ссылка для выгрузки данных по подсказкам.

Выглядит так:

http://suggestqueries.google.com/complete/search?&output=toolbar&gl=us&hl=en&q=[ключевая фраза]

Выгрузка бесплатная.

Разберемся с параметрами:

  • output=toolbar указывает на то, что данные будут предоставлены в формате XML;
  • gl=us задает код страны;
  • hl=ru задает язык.

В параметре q указывается ключевая фраза.

Пример:

http://suggestqueries.google.com/complete/search?&output=toolbar&gl=us&hl=en&q=tensorflow%20vs%20

Результат:

Выгрузка поисковых подсказок

При выгрузке данных следует использовать очистку данных. Лучше чистить получаемые данные сразу на этапе сканирования. Почему? Просто чтобы потом не заниматься очисткой большого массива данных.

Исходя из практики сформирован следующий список правил. После vs следует удалять результаты, текст которых:

  • Содержит исходную ключевую фразу. Например, ищете tensor и после vs размещается tensor;
  • Содержит несколько вариантов vs.

В результате получается собрать семантические связи между множеством запросами.

Формирования графа


После парсинга запросов и взвешивания связей получится построить сетевой граф.

Пример графа:

Граф связей в поисковой системе между ключевыми фразами

На изображении размещено большинство базовых технологий, о которых надо знать тем, кто занимается искусственным интеллектом.

В результате получается логическая группировка множества технологий.

Как делать визуализацию? Через сервисы. К примеру, для создания приведенного выше графа достаточно использовать бесплатный таблицы Google и бесплатную версию flourish.studio.

Как автоматизировать создание графов? К примеру, использовать пакет Python networkx. В пакете есть специальная функция для построения графов. Название функции — ego_graph.

Для удобства приведу готовый шаблон кода для построения графа. Код:

import networkx as nx

# SAMPLE DATA FORMAT
#nodes = [('tensorflow', {'count': 13}),
# ('pytorch', {'count': 6}),
# ('keras', {'count': 6}),
# ('scikit', {'count': 2}),
# ('opencv', {'count': 5}),
# ('spark', {'count': 13}), ...]

#edges = [('pytorch', 'tensorflow', {'weight': 10, 'distance': 1}),
# ('keras', 'tensorflow', {'weight': 9, 'distance': 2}),
# ('scikit', 'tensorflow', {'weight': 8, 'distance': 3}),
# ('opencv', 'tensorflow', {'weight': 7, 'distance': 4}),
# ('spark', 'tensorflow', {'weight': 1, 'distance': 10}), ...]

#BUILD THE INITIAL FULL GRAPH
G=nx.Graph()
G.add_nodes_from(nodes)
G.add_edges_from(edges)

#BUILD THE EGO GRAPH FOR TENSORFLOW
EG = nx.ego_graph(G, 'tensorflow', distance = 'distance', radius = 22)

#FIND THE 2-CONNECTED SUBGRAPHS
subgraphs = nx.algorithms.connectivity.edge_kcomponents.k_edge_subgraphs(EG, k = 3)

#GET THE SUBGRAPH THAT CONTAINS TENSORFLOW
for s in subgraphs:
    if 'tensorflow' in s:
        break
pruned_EG = EG.subgraph(s)

ego_nodes = pruned_EG.nodes()
ego_edges = pruned_EG.edges()

Как быть, если ключевая фраза относится к двум нишам? Задачу решает функция k_edge_subgraphs.

Функция k_edge_subgraphs находит группы вершин, которые невозможно разделить, выполнив k или меньшее число действий. Из практики, оптимальными пороговыми значениями являются k=2 и k=3.

В результате граф будет очищен от примесей.

Сервисы


Есть готовый сервис для создания графа на базе подсказок из поисковой системы, но без учета тематики найденных фраз.

Ссылка — VS keywords.

Сервис бесплатный.

Еще есть специальные сервисы по оптимизации поисковых подсказок. Оптимизатор можете изменять предлагаемые поисковой системой подсказки.

Принцип действия заключается в следующем:

  • Заказчик добавляет в сервис требуемые ключевые фразы, которые требуется вывести в подсказки поисковой системы;
  • На основе статистики Google Keyword Planner или Yandex.Wordstat заказчик задает количество запросов, которое требуется для вывода подсказки в поисковой строке;
  • Задания распределяются по исполнителям;
  • Популярность продвигаемых поисковых запросов растет;
  • В поисковых подсказках начинают выводиться требуемые ключевые фразы.

Ссылка на сервис — ВПодсказке.

Пример использования сервиса доступен по ссылке — видео.

Выводы


Методология с использованием vs запросов позволяет выявлять семантические структуры.

Схема простая. Для выявления структуры сначала следует выгрузить vs-данные. Затем итерационно собрать все тематические фразы с заданной глубиной парсинга.

Парсинг поисковых подсказок с заданной глубиной перебора

Поисковая система размечает найденные элементы как близкие семантически. Практическое применение широкое.

Выше рассмотрен пример выявления структуры семантических связей по названию технологии. Но использовать название бренда в ключевой фразе не обязательно. Методология работает и в отношении блюд, сериалов и всего прочего.

Наилучшим образом связи проработаны в сегменте на английском. Поэтому если на русском связей найдено мало, то следует использовать переводчик.

Остались вопросы? Использовали ли данную методологию раньше? Какими необычными приемами пользуетесь при поиске в интернете? Напишите в комментариях.